Inspektion af Storebæltsbroen med 3D og maskinlæring

Session

Inspektion med droner

Abstract

Dronebilleder kombineres i stigende grad med maskinlæring til semi-automatisk inspektion af bygninger, broer og anden infrastruktur. Indsamlingen og analysen af data identificerer mulige skader, som efterfølgende verificeres af en inspektør. Inspektørens vurdering fødes tilbage til maskinlæringen i en såkaldt gentræning, så forudsigelserne bliver bedre over tid.

Denne arbejdsproces udfordres af, at dronebilleder overlapper. Samme skade findes ofte på mange billeder. Skaden skal behandles flere gange. Ignoreres den på nogle billeder, går gentræningen galt.

I dette indlæg viser vi, hvordan en ”traditionel” maskinlæring identificerer skader ud fra dronebilleder. Med fotogrammetri kombineres billederne også til en 3D-model. Modellen kobler samme skade i forskellige billeder sammen, og skaden behandles i én arbejdsgang med et 3D-baseret værktøj. Koblingen udnyttes efterfølgende til gentræningen.

Målgruppe

Præsentationen henvender sig til deltageren med interesse i anvendelse af 3D-modeller, 3D-interaktion, maskinlæring/AI, bygningsinspektioner og droner. Målgruppen er også deltageren, der blot er nysgerrig efter, hvordan 3D kan understøtte arbejdsgange i forbindelse med vedligeholdelse af vores fælles infrastruktur.

Yderligere uddybning af abstract

Sund & Bælt ejer Storebæltsbroen i Danmark og har ansvaret for vedligeholdelsen af 399.500 m2 betonoverflade. Det er en stor udfordring at finde revner, sprækker og rust på overfladerne i tide, så de kan blive behandlet, inden skaden udvikler sig og bliver uoprettelig. Sund & Bælt har i mange år anvendt fysisk inspektion til at finde skaderne, hvilket både har haft en del praktiske udfordringer f.eks. i forhold til inspektion af pyloner på 254 meters højde og ankerblokke med mange vanskeligt tilgængelige områder.

Sund & Bælt har derfor ledt efter en teknologisk løsning, som kan erstatte den manuelle inspektion. Siden 2018 har Sund & Bælt derfor investeret i en egenudviklet løsning til automatisk genkendelse af skader med anvendelse af kunstig intelligens og billedgenkendelse i samarbejde med 3D-eksperter hos Alexandra Instituttet.

Problemet var, at Sund & Bælt havde en masse dronebilleder, der var optaget og lagret ustruktureret. Det kunne være 300 dronebilleder af en bropille med overlap, så den samme skade kunne optræde 10 gange uden, at man vidste, at det var samme skade, eller præcis, hvor billedet var taget.

Sund & Bælt har nu fået en ny metode til at strukturere og annotere ustrukturerede drone-billeder gennem 3D-rekonstruktion. Baseret på rekonstruktionen kan positionen og orienteringen af dronen i forhold til bropillen bestemmes med høj nøjagtighed for hvert billede. Det bliver hermed muligt at koble skader i et billede med samme skade fundet i alle overlappende billeder. Det er derfor kun nødvendigt at identificere og behandle en skade en gang.

Skaden bliver indledningsvist identificeret med en AI-model trænet på manuelt annoterede billeder med fem forskellige typer skaber. En inspektør foretager en 3D-baseret manuel gennemgang af forudsigelserne og godkender eller afviser de forudsagte skader. Koblingen mellem billederne betyder, at resultatet kan bruges til automatisk at gentræne AI-modellen på alle billeder. AI-modellen forbedres dermed over tid.

Der er både kvalitative og kvantitative fordele ved løsningen i form af mulighed for mere hyppig inspektion, man kan følge en skades udvikling over tid, og man kan nemmere kommunikere med de entreprenører, som udbedrer skaderne.

Inspektion af Storebæltsbroen med 3D og maskinlæring
Alexandra Instituttet