Automatische schadeherkenning van Arcadis maakt wegonderhoud efficiënter en goedkoper
Slim onderhoud van wegen bespaart weggebruikers ongemak
PROJECTVERHAAL
De uitdaging
Rijkswaterstaat zocht efficiëntere en goedkopere manieren om wegen, bruggen en viaducten te onderhouden.
De oplossing
Arcadis ontwikkelde een systeem dat automatisch scheuren en defecten aan het wegdek en andere objecten herkent.
De impact
Wegbeheerders besparen honderden miljoenen euro’s op onderhoud en de weggebruikers profiteren van een betere doorstroming.
Meer dan 95%
herkenning van wegschades
80%
minder handmatige inspectie
50%
lagere onderhoudskosten
De uitdaging
Regionale wegbeheerders in Nederland besteden alleen al vijf tot zes miljard euro per jaar aan het onderhoud van wegen, bruggen en viaducten. Rijkswaterstaat zocht efficiëntere manieren om deze schade te herkennen en te verhelpen en zo de hoge kosten terug te dringen. De uitvoeringsorganisatie van het ministerie van Infrastructuur en Waterstaat klopte hiervoor aan bij Arcadis.
Meer informatie over dit project
Neem contact op met Robert van de Krol voor meer informatie en vragen., Hoofd Asset Management Wegen
MINUTES
You have not accepted cookies yet
This content is blocked. Please accept Marketing cookies. You can do this here.
De oplossing
Het systeem dat Arcadis gebruikt voor de snelwegen van Rijkswaterstaat herkent automatisch scheuren en defecten aan het wegdek, maar ook aan andere objecten als lantaarnpalen en verkeersborden. Het beeldherkenningsmodel herkent minimaal 95 procent van alle schade aan wegen (dwarsscheuren, langscheuren, rafeling, craquelé en gaten), noodzakelijk onderhoud (voegnaden, verbindingen en bitumen), weggebruik (sporen van velgen), verkeersborden, lantaarnpalen en markeringen. Bij duidelijk zichtbare gebreken is dit percentage zelfs hoger.
-
LEES MEER
Met een camera worden beelden van een traject gemaakt, waarna ze worden ingelezen in een speciaal ontwikkelde softwaremodule. Deze vergelijkt de foto’s met een beeldendatabank die experts van Arcadis hebben gevuld met gegevens van eerder geïnspecteerde wegen. Met behulp van de laatste Deep Learning- en AI-technieken kunnen defecten aan wegen en andere objecten zo automatisch worden herkend en voorspeld. Het model bepaalt de exacte locatie van het defect, het type defect, de ernst en de voorgestelde onderhoudsmaatregel. Aan de hand van de gevisualiseerde uitkomsten kan de asset manager vervolgens direct actie ondernemen. De analyse van de beelden gebeurt met één druk op de knop en is dus bijzonder gebruiksvriendelijk.
Door deze automatische weginspecties is er minder dan 20 procent aan handmatige inspecties nodig en is er sneller een analyserapport van een weg beschikbaar. Bovendien hoeven inspecteurs geen tijd meer te besteden aan het beoordelen van een traject dat in goede staat is, omdat het programma alleen de locaties met schade selecteert. Het zelflerende model herkent na verloop van tijd ook de eisen van de inspecteur of assetmanager, zodat het systeem uiteindelijk zelfstandig beslissingen kan nemen.
Met behulp van de laatste deep learning en AI-technieken kunnen we de computer hetzelfde laten zien als de mens.
De impact
Met automatische schadeherkenning voeren we visuele inspecties goedkoper en veiliger uit, zijn wegen gemakkelijker te inspecteren en grijpen we sneller in. Dit voorkomt grotere werkzaamheden en maakt weginspecties sneller, goedkoper en objectiever. Op deze manier besparen wegbeheerders honderden miljoenen euro’s op onderhoud en profiteert ook de weggebruiker van betere wegen. Er is immers minder onderhoud aan de weg, waardoor er minder files door werkzaamheden zijn.
Meer informatie over dit project
Neem contact op en ontdek hoe wij jouw organisatie kunnen helpen de kwaliteit van leven te verbeteren.