Deep Sewer Mapping: Aanmaak van digitale digital twins van rioolinfrastructuur via deep learning, gebruik makend van goedkope sensoren

Het onderhoud van verouderde rioolinfrastructuur is een belangrijke uitdaging voor overheden in Vlaanderen en Europa. Het doel van dit project is om goedkope 3D-camera's te combineren met geavanceerde AI-technologie om zo automatisch Digital Twinmodellen van rioleringssystemen te creëren. Deze modellen bevatten zowel 3D informatie van structurele elementen (het pijpleidingennetwerk) als automatisch gedetecteerde defecten (bv. scheuren, vervormingen, infiltratie, afzettingen). Tegenwoordig worden rioolinspecties al uitgevoerd met behulp van camerasystemen op afstand, waarmee de rioolinfrastructuur op een georganiseerde en veilige manier kan worden geïnspecteerd. Deze camera's zijn in staat om zelfs de krapste rioolpijpen te inspecteren en de beelden door te zenden naar grondoperatoren voor visuele interpretatie. Er zijn echter beperkingen aan de huidige aanpak die met dit project kunnen worden overwonnen: (1) de visuele interpretatie van de beelden is een tijdrovende taak en vatbaar voor menselijke fouten; (2) de beelden en de interpretaties ervan zijn niet correct gegeorefereerd; (3) er is geen volledige 3D-reconstructie en kartering van de rioolinfrastructuur. Dit project zal een geïntegreerde oplossing ontwikkelen om beelden en puntenwolken van rioolbuizen op te nemen, alsook een volledig geautomatiseerde softwareoplossing om de gegevens te verwerken en een gegeorefereerd Digital Twinmodel van de infrastructuur te genereren, dat gebruikt kan worden voor het inventariseren en visualiseren van de huidige toestand en het plannen van verdere onderhouds- of constructiewerkzaamheden.

Trefwoorden:sewer inspection, digital twin, underground mapping, low-cost sensors

Disciplines:Geomatische ingenieurswetenschappen niet elders geclassificeerd, Infrastructuur engineering en assetmanagement