Обзор проекта TACK

Гражданская инфраструктура, такая как мосты и туннели, напрямую связана с общим экономическим и демографическим ростом стран во всем мире. Большинство этих инфраструктур стареют и все больше подвержены катастрофическим сбоям, которые приводят к гибели людей и высоким затратам. Чтобы предотвратить повреждение и отказ инфраструктуры, недавно были определены строгие правила техники безопасности. По этой причине администраторам дорог требуются более эффективные системы мониторинга для определения уровня здоровья и безопасности туннелей, мостов и других инфраструктур.

Как правило, трещины связаны с разрушением бетона и коррозией арматуры, что снижает пропускную способность инфраструктуры. Следовательно, трещины могут привести к отказу инфраструктуры; по этой причине их следует обнаруживать как можно скорее и измерять во время проверок, которые обычно проводятся с течением времени. В последние годы мониторинг и обслуживание инфраструктуры выполнялись с помощью исследований на месте, которые дороги и требуют много времени.

В последнее время инспекции также проводились с использованием полуавтоматического метода, при котором мобильное картографическое оборудование, установленное на транспортном средстве, используется для захвата сцены и восстановления трехмерной модели инфраструктуры с использованием набора геоматических датчиков (т. Е. Видимых и инфракрасных камеры, лазерное сканирование, ИДУ). В частности, это цифровое представление инфраструктуры, так называемый «цифровой двойник», впоследствии анализируется вручную путем визуального осмотра на предмет обнаружения трещин и маркировки их протяженности. Однако из-за большого количества собранных данных этот подход по-прежнему занимает много времени, неэффективен и подвержен ошибкам.

TACK - это текущий исследовательский проект, осуществляемый KTH - Королевским технологическим институтом, Римским университетом Сапиенца и WSP Sweden в рамках программы InfraSweden2030, финансируемой Vinnova и Trafikverket [1]. TACK поддерживается SuperAnnotate и KTH Innovation, а также недавно был выбран Шведской королевской академией инженерных наук в качестве одного из 100 лучших инновационных исследовательских проектов (список 100 IVA 2020).

TACK направлен на разработку методологии высокоэффективного и точного мониторинга инфраструктуры с использованием мобильных картографических систем для сбора данных. Целью этого проекта исследований и разработок является исследование и разработка нового метода обнаружения трещин в туннелях и мостах с использованием гибридного подхода глубокого обучения (сверточная нейронная сеть - CNN) и фотограмметрии. Это даст подробную информацию о состоянии всей инфраструктуры, которая затем будет использована для оценки уровня ее безопасности. С помощью разработанного метода трещины будут автоматически обнаруживаться и измеряться по изображениям, полученным с использованием настраиваемой мобильной системы картографии, что приводит к высокоэффективному мониторингу и обслуживанию инфраструктуры, что может повысить безопасность инфраструктур. Обзор методологии проекта TACK показан на рисунке 1.

Благодаря разработке новой технологии для автоматического обнаружения и отслеживания распространения трещин в туннелях и мостах этот проект соответствует целям InfraSweden 2030 по созданию устойчивой инфраструктуры. Главный инновационный аспект и задача проекта связаны с интеграцией передовых подходов к глубокому обучению с инновационным фотограмметрическим алгоритмом, разработанным в недавно завершенном проекте, основанном SBUF, «Утвердить av fältmetod för mätningar på sprutbetong». Цель проекта - поднять общий TRL (уровень технологической готовности) предлагаемой системы с TRL 3–4 (TRL 3 - экспериментальное подтверждение концепции; TRL 4 - технология, проверенная в лаборатории) до TRL 7 - прототип системы. демонстрация в эксплуатационной среде.

Аннотации изображений с помощью SuperAnnotate

В рамках проекта нейронные сети на базе U-Net исследуются на предмет обнаружения трещин на изображениях, полученных с помощью мобильных картографических систем. Для обучения сетей CNN всегда необходим набор помеченных изображений. Однако процедура маркировки действительно занимает много времени и представляет собой важную часть, поскольку способ маркировки трещин сильно влияет на производительность обученной модели.

На первом этапе проекта было выполнено предварительное испытание для обучения модели CNN с использованием помеченных изображений из доступного онлайн-набора данных [2]. Полученные результаты обнадеживают. Однако, чтобы улучшить характеристики сети и охватить неожиданные реальные ситуации, для обучения модели необходимо использовать больше фотографий, включая изображения туннелей и мостов. По этой причине из наших наборов данных о туннелях и мостах и ​​других доступных онлайн-наборов данных [3] были выбраны сотни изображений с трещинами для выполнения аннотации трещин.

Для ускорения процедуры аннотирования изображений была принята SuperAnnotate. Онлайн-платформа представляет собой очень мощный инструмент для аннотации изображений, поскольку она позволяет людям работать вместе над одним проектом и проверять качество аннотаций. Кроме того, среди инструментов, которые он предоставляет, опция «Интеллектуальная сегментация» может направлять аннотаторов во время маркировки, чтобы ускорить процесс. Два примера «интеллектуальной сегментации», применяемой для обнаружения трещин, представлены на рисунке 2. Стоит отметить, что инструмент может частично определять форму трещины и сокращать работу аннотаторов.

Наконец, некоторые из изображений доступных наборов данных, помеченных с помощью SuperAnnotate, показаны на рисунках 3, 4 и 5.

Авторы:

Валерия Беллони, аспирант Римского университета Ла Сапиенца, Италия
Андреа Нашетти, научный сотрудник Королевского технологического института KTH и доцент Политехнического университета Бари, Италия
Андреас Свен Шёландер, Постдок в Королевском технологическом институте KTH

Ссылки

[1] https://www.tackproject.xyz/

[2] Беллони, В., Шеландер, А., Раванелли, Р., Креспи, М., и Нашетти, А .: ПРОЕКТ: АВТОМАТИЧЕСКИЙ МОНИТОРИНГ ТРЕЩИН ТУННЕЛЕЙ И МОСТОВ С ИСПОЛЬЗОВАНИЕМ ГЛУБОКОГО ОБУЧЕНИЯ И ФОТОГРАММЕТРИИ, Int. Arch. Фотография. Дистанционное зондирование. Пространственная инф. Sci., XLIII-B4–2020, 741–745, https://doi.org/10.5194/isprs-archives-XLIII-B4-2020-741-2020, 2020

[3] Ли, Шэнюань и Чжао, Сюэфэн: Обнаружение бетонных трещин на основе изображений с использованием сверточной нейронной сети и метода исчерпывающего поиска, Достижения в гражданском строительстве, 1–12. 10.1155 / 2019/6520620, 2019

Первоначально опубликовано на https://blog.superannotate.com.