Automated Recognition and Valuation of Reusable Building Components Using State-of-the-Art Object Detection: A Case Study on Multi-Family Redevelopment Properties

Der Bau- und Immobiliensektor erzeugt ca. 39% der globalen Treibhausgasemissionen und 36% des festen Abfalls. EU-Vorgaben fordern mittelfristig eine 70%-ige Wiederverwendung oder das Recycling von Bau- und Abbruchabfällen, doch Vorab-Auditierungen sind langsam, teuer und von wenigen Experten abhängig. Diese Arbeit untersucht, ob moderne Objekterkennung und Regression die Inventarisierung wiederverwendbarer Gebäudekomponenten automatisieren und deren Wert schätzen können. Videos von elf klassischen Wiener Zinshäusern mit Sanierungsbedarf wurden von Fachexperten für sieben Objektklassen annotiert. YOLOv11 und Mask R-CNN wurden mit identischem Labelraum trainiert und auf einem Test-Split evaluiert. Ein Regressionsmodell sagte den Komponentenwert basierend auf Klassenzugehörigkeit und Vorhersagekonfidenz voraus. Bewertet wurden Objekterkennung (AP@0.5, mAP@0.5:0.95, F1-Kurven, Konfusionsmatrizen), Kalibrierung (ECE) sowie Wertermittlung (ME, MAE, RMSE, Bland–Altman). Eine Fallstudie verglich Aufwand und Kosten von Mensch und KI. Mask R-CNN erreichte AP50 = 0.046 und YOLOv11 AP50 = 0.019; die maximalen F1-Werte lagen bei ca. 0.104 bzw. ca. 0.144. Die Kalibrierung verringerte den ECE von 0.779 auf 0.609. Bei 44 abgeglichenen Gegenständen betrug der mittlere Fehler –14,77€, MAE=19,32€ und RMSE=32,42€, wobei 90.9% der Residuen innerhalb der Limits of Agreement lagen. Menschliche Experten bewerteten im Durchschnitt ca. 1,925€ pro Immobilie, die KI ca. 1,275€ (33% Bias). Die KI-Pipeline erzielte einen Zeitgewinn von ca. 22.5x (ca. 20 min. vs 450 min. pro Immobilie). Unsere Forschungsarbeit zeigt somit, dass Computer-Vision-Modelle wiederverwendbare Gebäudekomponenten trotz niedriger mAP zuverlässig erkennen und bewerten können. Die KI neigt zur Unterbewertung, doch lassen sich Bias mittels Kalibrierung reduzieren. Die Pipeline reduziert den Aufwand drastisch und ermöglicht die Erfassung durch Laien, was die Circular Economy fördert. Zukünftige Arbeiten sollten temporale Verfolgung, eine größere Datensammlung und reichere Annotationen untersuchen, um Genauigkeit und Generalisierbarkeit zu verbessern.