Kan AI og en flydende drone screene spildevandsnettet?

Spildevandsselskaberne foretager i dag TV-inspektioner for at vurdere tilstanden af ledningsanlæg, men har allerede svært ved at håndtere mængden af data. I de kommende år skal op mod 60% af anlægsaktiverne reinvesteres, og behovet for at kvalificere og prioritere reinvesteringsbeslutninger ud fra tilstand og konsekvens vil kun vokse. Der er brug for smartere og mere skalerbare løsninger til inspektion og tilstandsvurdering af spildevandsnettet.

FAST-projektet (Flydende drone og AI til Screening og Tilstandsvurdering af spildevandsledninger) er et syvmåneders innovations- og samarbejdsprojekt støttet af DigitalLead og gennemført i samarbejde mellem Asent og Aalborg Universitet. Projektet tager udgangspunkt i et nyt inspektionskoncept: En flydende dronebold udstyret med et 360°-kamera, der kan sendes gennem spildevandsledninger og optage undervejs.

Aalborg Universitet bringer erfaring med billedgenkendelse fra TV-inspektion ind i projektet. Gennem det tidligere ASIR-projekt blev det populære datasæt Sewer-ML udviklet. Det var et datasæt til at teste automatisk klassificering af fejl og skader i TV-inspektionsoptagelser, som har fået bred anvendelse i forskningsmiljøet (Haurum, 2021). I FAST-projektet genbesøger og bygger vi videre på de resultater og metoder, der blev opnået i ASIR, og tilpasser dem til det nye kameraformat og den nye anvendelseskontekst.

Målet er ikke at erstatte den klassiske TV-inspektion, men at udvikle et supplerende screeningsværktøj, der kan bruges til at prioritere hvilke ledningsstrækninger, der har størst behov for en grundig inspektion. Ved hjælp af billedgenkendelse og AI analyseres videooptagelserne automatisk, og resultatet omsættes til geodata via et rapporteringsmodul med en simpel tilstandsklassificering, fra ikke-kritisk til meget kritisk, som kan indlæses og visualiseres direkte i forsyningsselskabernes GIS.

Rebild Forsyning og Aalborg Forsyning m. fl. deltager som testpartnere i projektet og bidrager med adgang til spildevandsledninger, teststrækninger og evaluering af prototypen. Deres inddragelse er afgørende for at sikre, at løsningen udvikles med udgangspunkt i de reelle behov og arbejdsgange hos dem, der skal bruge den i praksis.

Projektet afsluttes i oktober 2026 - måneden før Kortdage - og præsentationen vil derfor give et aktuelt indblik i, hvad projektet har vist: Hvad kan man opnå med et nyt og enkelt inspektionskoncept? Hvor langt rækker Deep Learning-baseret billedklassificering i et krævende driftsmiljø som spildevandsnettet? Og kan en simpel prototype skabe reel værdi for forsyningsselskabernes daglige drift og strategiske planlægning?

Reference:
Haurum, J. B., & Moeslund, T. B. (2021). Sewer-ML: A multi-label sewer defect classification dataset and benchmark. In Proceedings of the IEEE/cvf CVPR conference (pp. 13456-13467)