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 vooroverheden in Vlaanderen en Europa. Het doel van dit project is om goedkope3D-camera'ste combineren met geavanceerde AI-technologie om zo automatisch Digital Twinmodellenvan rioleringssystemen te creëren. Deze modellen bevatten zowel 3D informatie vanstructurele elementen (het pijpleidingennetwerk) als automatisch gedetecteerde defecten(bv.scheuren, vervormingen, infiltratie, afzettingen). Tegenwoordigwordenrioolinspecties al uitgevoerd met behulp van camerasystemen op afstand,waarmee derioolinfrastructuur op een georganiseerde en veilige manier kan worden geïnspecteerd.Deze camera's zijn in staat om zelfs de krapste rioolpijpen te inspecteren en de beeldendoor te zenden naar grondoperatoren voor visuele interpretatie. Er zijn echterbeperkingen aan de huidige aanpak die met dit project kunnen worden overwonnen: (1) devisuele interpretatie van de beelden is eentijdrovende taak en vatbaar voor menselijkefouten; (2) debeelden en de interpretaties ervan zijn niet correct gegeorefereerd; (3) erisgeen volledige 3D-reconstructie en kartering van de rioolinfrastructuur. Dit project zaleen geïntegreerde oplossing ontwikkelen om beelden en puntenwolken van rioolbuizen opte nemen, alsook een volledig geautomatiseerde softwareoplossing om de gegevens teverwerken en een gegeorefereerd Digital Twinmodel van deinfrastructuurtegenereren,dat gebruikt kan worden voor het inventariseren envisualiserenvan dehuidige toestand en hetplannen van verdere onderhouds- ofconstructiewerkzaamheden.