leanbi
25/05/2020

Deep Learning für die Schadenserkennung in Tunnels

Letztes Jahr hat die LeanBI ein Deep Learning Projekt, bei welchem die Effizienz der Tunnel-Wartung um 60% erhöht wird, für die Engineering Firma Amberg AG erfolgreich umgesetzt. Die von uns entwickelte AI-Komponente auf der Basis von Bildauswertungen wurde zwischenzeitlich in die Wartungssoftware von Amberg integriert.

Deep Learning für die Schadenserkennung in Tunnels

Glücklicherweise kann ein großer Teil Tunnelinspektion durch Anwendung von Deep Learning automatisiert werden. Das neuronale Netz erkennt Schäden wie Risse oder nasse Bereiche, aber auch andere interessante Objekte wie Rohre oder Elektrokästen im Tunnel. Unser Deep Learning Modell ist nicht nur in der Lage, Objekte zu erkennen, sondern auch die genauen Pixel zu identifizieren, die dem zu identifizierenden Objekt zugordnet sind. Dies ist für die Ingenieure von enormer Hilfe, da sie ursprünglich von Hand Polygone um beschädigte Bereiche zeichnen mussten, oder Linien, die Risse annotieren. Jetzt brauchen sie nur noch dem Vorschlag der Software zu folgen und die automatisch erkannten Schäden bestätigen.

 

Eine der Herausforderungen, mit denen die meisten Deep-Learning-Projekte konfrontiert sind, ist der Bedarf einer großen Anzahl von Objektbildern, die manuell „gelabelt“ werden müssen. Wir konnten mit nur wenigen hundert Metern annotierter Bilder eine sehr gute Genauigkeit erzielen, indem wir die richtigen Familie von Deep Learning angepasst und angewendet haben. Ein wichtiger Erfolgsfaktor war die Vergrösserung der Datenmenge durch „Augmentation“. Diese Data Science Methode benötigt viel Erfahrung, um damit die Genauigkeit der Modelle genügend zu erhöhen.

 

Mit unserer umgesetzten Lösung lässt sich der Schaden pixelgenau auf dem Bild quantifizieren. Das Modell identifiziert nicht nur das Objekt, sondern gibt auch eine Wahrscheinlichkeit an, wie „sicher“ dieses Objekt in der identifizierten Klasse zugeordnet ist. Ist das Objekt mit einer 99%igen Sicherheit nass oder nur mit 60%? Mit dieser Information können die abschließenden Massnahmen der Wartung bewertet und priorisiert werden. Wir können so nicht nur den Inspektionsprozess, sondern besonders auch die Umsetzung der Massnahmen sehr viel effizienter gestalten.

 

Alzbeta Prokopova, Applikations- und Support Ingenieurin bei Amberg AG wurde vom Tunnelling Journal zu diesem Projekt interviewt. Finden Sie das ganze Interview in der Ausgabe Feb/Mar 2020 auf Seite hier auf Seite 11.

 

Die manuelle Auswertung von Bilder oder Laser Scans aus Tunnels ist äusserst zeitintensiv und wird nicht selten durch Ingenieure ausgeführt. Mit einer Automatisierung der Auswertung lässt sich die Produktivität bis zu 60% steigern. Die Software hilft, die Schäden zu erkennen und zu klassifizieren. Die Entscheidung zur Massnahme wird weiterhin vom Ingenieur getroffen.

 

LeanBI hat Amberg geholfen, einen Teil der Lösung auf der Cloud umzusetzen, was die Auswertekosten massiv reduziert hat. Das ist nicht nur eine technische Herausforderung, sondern auch eine wirtschaftliche, da grosse Institutionen beim Staat und grosse Engineering Firmen von der Sicherzeit und Zuverlässigkeit der Datenhaltung in der Cloud überzeugt sein müssen.

 

Amberg hat auch das Problem gelöst, dass in den Tunnels keine Internet Verbindung aufgebaut werden kann. Es wurde entsprechend eine offline Version der Software entwickelt, die sich mit dem Internet synchronisieren lässt, sobald ein Netz wieder besteht.

 

Mit der Automatisierung der Schadenserkennung mit Deep Learning kann nicht nur die Produktivität gesteigert werden, es wird auch die Qualität und die Konstanz der Erkennung erhöht. Auch lässt sich ein zeitlicher Aspekt integrieren, sodass die zeitlichen Veränderungen von Schäden besser auswertbar sind.

 

Mit der Wartungslösung von Amberg Lösung und der Unterstützung der LeanBI können damit Tunnelinspektionen nach Bedarf und nicht wie bisher in einem festen Rhythmus geschehen.

Marc Tesch
Letzte Artikel von Marc Tesch (Alle anzeigen)