Abstract. In order to leverage and profit from unlabelled data, semi-supervised frameworks for semantic segmentation based on consistency training have been proven to be powerful tools to significantly improve the performance of purely supervised segmentation learning. However, the consensus principle behind consistency training has at least one drawback, which we identify in this paper: imbalanced label distributions within the data. To overcome the limitations of standard consistency training, we propose a novel semi-supervised framework for semantic segmentation, introducing additional losses based on prior knowledge. Specifically, we propose a lightweight architecture consisting of a shared encoder and a main decoder, which is trained in a supervised manner. An auxiliary decoder is added as additional branch in order to make use of unlabelled data based on consensus training, and we add additional constraints derived from prior information on the class distribution and on auto-encoder regularisation. Experiments performed on our concrete aggregate dataset presented in this paper demonstrate the effectiveness of the proposed approach, outperforming the segmentation results achieved by purely supervised segmentation and standard consistency training.

We present a semi-supervised method for panoptic segmentation based on ConsInstancy regularisation, a novel strategy for semi-supervised learning. It leverages completely unlabelled data by enforcing consistency between predicted instance representations and semantic segmentations during training in order to improve the segmentation performance. To this end, we also propose new types of instance representations that can be predicted by one simple forward path through a fully convolutional network (FCN), delivering a convenient and simple-to-train framework for panoptic segmentation. More specifically, we propose the prediction of a three-dimensional instance orientation map as intermediate representation and two complementary distance transform maps as final representation, providing unique instance representations for a panoptic segmentation. We test our method on two challenging data sets of both, hardened and fresh concrete, the latter being proposed by the authors in this paper demonstrating the effectiveness of our approach, outperforming the results achieved by state-of-the-art methods for semi-supervised segmentation. In particular, we are able to show that by leveraging completely unlabelled data in our semi-supervised approach the achieved overall accuracy (OA) is increased by up to 5% compared to an entirely supervised training using only labelled data. Furthermore, we exceed the OA achieved by state-of-the-art semi-supervised methods by up to 1.5%.

Zur Prüfung der Eigenschaften von Frischbeton liegen gegenwärtig nur sehr einfache empirische Prüfverfahren vor. Im DACH‐Raum wird überwiegend das Ausbreitmaß als Prüfverfahren eingesetzt. Aus dem Durchmesser des ausgebreiteten Frischbetons wird dabei auf die Konsistenz des Betons geschlossen. (Korrektur‐)Maßnahmen bei festgestellten Qualitätsabweichungen basieren nahezu ausschließlich auf einer subjektiven Augenscheinprüfung und demnach auf dem Erfahrungswissen der handelnden Personen. Zur Überwindung und Erweiterung dieser stark subjektiv geprägten Frischbetonprüfung wurde eine bildbasierte Methodik zur Ermittlung von (Frisch‐)Betoneigenschaften entwickelt und validiert. Neben dem Durchmesser können so u. a. aus der Oberflächengestalt umfangreiche – bislang für den Prüfenden unzugängliche – Informationen z. B. zur Betonzusammensetzung oder zur Homogenität des Frischbetons abgeleitet werden. Im vorliegenden Beitrag werden zunächst die Grundlagen für die bildbasierte Frischbetonprüfung erläutert und anschließend eine Methode zur bildbasierten Ermittlung der Konsistenz und des Leimgehalts von frischem Beton vorgestellt. In Folgebeiträgen wird darauf aufbauend die bildbasierte Ermittlung granulometrischer Eigenschaften (Teil 2) und der Homogenität des Frischbetons vorgestellt (Teil 3).

Bereits heute ist absehbar, dass notwendige Veränderungen in der Betontechnologie zur Erreichung der Klimaschutzziele einen signifikanten Wandel in den typischerweise eingesetzten Betonzusammensetzungen zur Folge haben werden. Die eingesetzten Ausgangsstoffe werden immer vielfältiger und komplexer. Durch den Einsatz rezyklierter Ausgangsstoffe werden auch Schwankungen in den Ausgangsstoffeigenschaften signifikant zunehmen. Eine zielsichere und zeiteffiziente Ermittlung der granulometrischen Eigenschaften der verwendeten Gesteinskörnung ist somit insbesondere für sogenannte Ökobetone zur Sicherstellung gleichbleibender Qualitätsmerkmale von entscheidender Bedeutung. Es gilt zukünftig, mögliche Qualitätsabweichungen des Frischbetons resultierend aus Schwankungen der Ausgangsstoffe zeiteffizient zu ermitteln, um so schnellstmöglich entsprechende Anpassungen im Produktionszyklus vornehmen zu können. In diesem Beitrag wird daher eine bildbasierte Methodik zur digitalen Bewertung granulometrischer Eigenschaften der Gesteinskörnung im Rahmen der Ausbreitmaßprüfung vorgestellt. Damit wird das Eigenschaftsspektrum der bereits in Teil 1 dieses Beitrags vorgestellten bildbasierten Methodik, welcher die bildbasierte Ermittlung der Konsistenz und des Leimgehalts beschreibt, hin zu einer vollumfänglichen digitalen Frischbetonprüfung entsprechend erweitert.

Der Bauindustrie und insbesondere der Zement‐ und Betonindustrie kommt sowohl bei der Begrenzung der globalen Erwärmung als auch beim Schutz der natürlichen Ressourcen eine wichtige Rolle zu. Zentral ist dabei die Frage, wie es zum einen gelingt, die bei der Herstellung, Verwendung und dem Recycling von Beton einhergehenden CO2‐Emissionen zu reduzieren und gleichzeitig den Ressourcenkreislauf zu schließen. Dabei sind enorm vielfältige Wege zum klimaoptimierten und ressourceneffizienten Betonbau denkbar und möglich. Die einzelnen Wege unterscheiden sich jedoch relativ stark in den dafür notwendigen technischen Maßnahmen, den normativen Voraussetzungen und nicht zuletzt in den erforderlichen Investitionen. Der vorliegende Beitrag gibt einen Überblick über den aktuellen Stand zum klimaverträglichen und nachhaltigen Bauen mit Beton und zeigt mögliche Potenziale hin zur Klima‐ und Ressourcenoptimierung bei der Betonherstellung auf. Der Fokus des Beitrags liegt auf dem Transportbetonsektor bzw. dem Ortbetonbau. Das Potenzial verschiedener Verfahren oder Maßnahmen zur CO2‐Minderung und zum Ressourcenschutz wird nicht nur für eine einzelne Betonsorte, sondern anhand eines typischen Transportbetonwerks mit einem angenommenen jährlichen Betonproduktionsvolumen von 21.300 m3 anhand von Literaturangaben quantifiziert, um Anlagenbetreibern eine einfache Einschätzung der Wirksamkeit einzelner oder kombinierter Maßnahmen zu ermöglichen.