Automatische detectie van schade aan wegen en assets

Het model dat Arcadis voor de snelwegen van Rijkswaterstaat heeft toegepast, herkent automatisch type schades, type reparaties en andere assets op- of langs de weg. Denk aan type markeringen en straatmeubilair.  De analyse van beelden gebeurt met één druk op de knop via een zelfontwikkelde software module. Hierdoor kunnen visuele inspecties goedkoper en veiliger worden uitgevoerd, kunnen wegen sneller en makkelijker worden geïnspecteerd en kan er sneller worden ingegrepen waardoor grotere werkzaamheden kunnen worden voorkomen.

Hoe werkt de methode?

Met een camera worden beelden van een bepaald traject gemaakt met hulp van jaarlijkse beelden van Cyclomedia of met een GoPro. Deze beelden worden ingelezen in een speciaal ontwikkelde software module. De basis hiervoor is een beeldendatabank die experts van Arcadis hebben gevuld met gegevens van geïnspecteerde wegen. Dit vormt de basis waarmee het Deep Neurale Netwerk model automatisch de wegdefecten en assets kan herkennen.

Het model bepaalt de exacte locatie van het defect, het type defect, de ernst en uiteindelijk de voorgestelde onderhoudsmaatregel. Met de in GIS gevisualiseerde uitkomsten, kan de asset manager gelijk actie ondernemen. De resultaten en de interne eigenschappen (zoals leeftijd en gebruik) en externe eigenschappen (zoals grondsoort en verzilting) zijn de basis voor een Machine Learning model. Vanuit de historische gegevens kan dit model de achteruitgang van de wegen berekenen. Hiermee kan de wegbeheerder Predictive Maintenance ofwel een voorspellend onderhoudsplan opzetten.  

Meer dan 95% accuraat bij zichtbare gebreken

Door automatische weginspecties is minder dan 20% aan handmatige inspecties nodig en is er sneller een analyserapport van een weg beschikbaar. De inspecteur verspilt namelijk geen tijd meer aan het beoordelen van een traject dat in goede staat is. Het programma selecteert voor hem alleen die locaties met schades die bekeken moeten worden. Doordat we werken met een zelflerend model leert het model de eisen van de inspecteur of asset manager herkennen. Zo kan het model uiteindelijk zelfstandig beslissingen nemen.

Het beeldherkenningsmodel kan 95% of meer van alle weggebreken (zoals dwarsscheuren, langscheuren, rafeling, craquelé en gaten), reparaties (zoals voegnaden, verbindingen en bitumen), weggebruik (zoals sporen van velgen), verkeersborden, lantaarnpalen en markeringen herkennen. Bij duidelijk zichtbare gebreken is dit percentage zelfs hoger.  

Artikel Telegraaf met filmpje: Slimme camera moet brug redden.