Bruginspectie met drones


Het inspecteren van het kunstwerkenareaal van Rijkswaterstaat wordt nu nog alleen op de traditionele manier uitgevoerd. Door bij inspecties drones in te zetten kunnen we meer data verzamelen die verwerkt kan worden tot meer betrouwbare inspectierapportages en instandhoudingsadviezen. De data bestaat in veel gevallen uit foto´s en/of videobeelden. De data kan ook input zijn voor Artificial Intelligence en het modelleren van 3D-modellen.

In navolging van de ontwikkelingen op het gebied van Artificial Intelligence en 3D-modellen van de marktpartijen, ontwikkelt Rijkswaterstaat een visie op de toekomstige inspectiemethodieken en de toepassingen daarvan voor het beheer en onderhoud van haar kunstwerken.

Artificial Intelligence

Artificial Intelligence is een algoritme dat foto’s vergelijkt vanuit een database en er de foto’s herkent als schadefoto’s of geen schade foto’s.
Machine learning is een zelflerend proces dat zichzelf tijdens dat proces kan verbeteren op basis van de vergaarde informatie

Om van deze ontwikkelingen een beeld te krijgen heeft RWS een aantal pilots uitgevoerd om het toepassen van Artificial Intelligence in praktijk uit te voeren.
Pilot 1: Brug over de lek bij Vianen (beton)
Pilot 2: Cortenoeversebrug over de IJssel te Zutphen (beton)
Pilot 3: Papendrechtsebrug over de Beneden Merwede in de N3. (staal)

Resultaat pilot 1: output AI, herkennen van kalkuitbloei
Uitgevoerd door: Drone-Quest, Cursor

bruginsp1

Resultaat pilot 2:Output AI, herkennen van betonschade/roestende wapening
Uitgevoerd: Drone-Quest, Cursor

bruginsp2

Resultaat pilot 3: Output AI, herkennen van roest, roestuitbloei
Uitgevoerd: Movares, Sobolt

bruginsp3

Betrouwbaarheid

Bij de eerste pilot was de betrouwbaarheidspercentage ca 84%. Bij de 2e pilot ca 93%. Dat betekent dat met een goed gevulde database en machine-learning het percentage nog hoger wordt.
Hoe wordt het betrouwbaarheidspercentage van de AI-resultaten verhoogd?
1 opstellen database met foto’s:
- niet schade foto’s: bekistingdelen, spinrag, schaduw, vochtig oppervlak, enz
- schadefoto’s van staal, beton, maar ook b.v. van de conservering of coating.
2 labelen van de foto’s:
- eenduidige schadeomschrijving van wat je op de foto ziet (door experts staal / beton)
3 opstellen test- en referentieset
- Verschillende toegepaste algoritmen moeten met dezelfde schadeaanduiding komen.

Toekomstvisie

3D-modellen: Met de combinatie PointCloud en fotogrammetrie worden er 3D-modellen gegenereerd (Digital Twins). Deze 3D-modellen vormen de basis voor de inspectietekeningen, niet analoog maar digitaal. Ook kan het 3D-model gebruikt worden door de prestatieaannemer om een schade op te nemen voor herstel. Na herstel wordt het model door hem geactualiseerd.

Opslag data

De dataopslag blijft bij RWS. Om de zes jaar wordt een object geïnspecteerd. Dit kan gebeuren door een ander inspectiebureau. Om nu de data niet te versnipperen, wordt deze aan het inspectiebureau verstrekt en na inspectie krijgt RWS het 3D-model geactualiseerd met het instandhoudingsadvies weer retour.
Om de dataopslag te beheersen, is het wenselijk een tool te hebben die dit allemaal regelt.
De zgn. Inspectiemodule
Doel:
- Beheersen Database inspectiemodule
- Beschikbaarheid, bereikbaarheid voor derden
- Doorontwikkelen sensortechnieken op de assets. 3D-modellen Pointcloud/fotogrammetrie/multibeam/

Standaarden

Dataopslag, 3D-modellen, eenduidige schade aanduiding, zullen worden vastgelegd in een nog te ontwikkelen norm/standaard. Deze norm/standaard zal in overleg met de marktpartijen worden afgestemd. De wensen en eisen van RWS, staan hierbij centraal.


Projectsoort
Rijkswaterstaat innoveert
Thema
Informatievoorziening, Vaarwegen, Wegen

Contact

Heeft u een vraag? Neem contact met ons op.