Robot inspecteert betonconstructies

Een door AI ondersteund vision systemen kan scheuren in de betonnen infrastructuur identificeren.

Gebouwen verouderen en falen soms sneller dan we ze kunnen onderhouden. Recente instortingen van gebouwen en structurele defecten aan wegen en bruggen zijn indicatoren van een probleem dat waarschijnlijk nog erger zal worden. Het is simpelweg niet mogelijk om elke scheur en afbrokkeling te inspecteren op gevaarlijke tekenen van falen als gevolg van normale slijtage.

Inspectie

Onderzoekers van Drexel University in Philadelphia hebben een machine learning en computer vision systeem ontwikkeld dat scheuren in de betonnen infrastructuur kan identificeren en een robotscanner kan begeleiden om een model te creëren voor beoordeling en bewaking. Ze willen hiermee robotica inspecteurs helpen bij hun werk.

Visuele inspectietechnologieën hebben de afgelopen jaren gedeeltelijke oplossingen geboden om de schadebeoordeling te versnellen Door deze te combineren met een nieuwe machine learning aanpak, hebben de onderzoekers een nieuw systeem gecreëerd. Ze verwachten dat het efficiënte identificatie en inspectie van probleemgebieden door autonome robots mogelijk kan maken.

Hun systeem combineert computer vision met een deep learning algoritme om probleemgebieden van scheurvorming te lokaliseren. Dit gebeurt voordat een reeks laserscans van de regio's wordt uitgevoerd om een 'digital twin' te creëren die kan worden gebruikt om schade te beoordelen en te bewaken. Het systeem kan de inspectiewerklast verminderen en maakt gerichte aandacht en zorg mogelijk om structurele storingen te voorkomen.

Medische symptomen

Scheuren zijn te vergelijken met de symptomen van een patiënt die in een vroeg stadium moeten worden onderzocht. Vroege en nauwkeurige detectie en meting van scheuren zijn essentieel voor een tijdige diagnose, onderhoud en reparatie. Hierdoor kan verdere achteruitgang worden voorkomen en potentiële gevaar beperkt.

In de Verenigde Staten zijn veel gebouwen, bruggen, tunnels en dammen wandelende gewonden voor wie het opzetten van een triagesysteem de eerste prioriteit zou moeten zijn. Volgens inschattingen vergt het goedmaken van de achterstand aan reparaties aan wegen en bruggen meerdere miljarden dollars. Wat de uitdaging nog groter maakt, is een groeiend tekort aan geschoolde infrastructuurarbeiders. Dit is inclusief inspecteurs en degenen die verouderde structuren kunnen repareren.

Deep learning

Civiele infrastructuur omvat grootschalige constructies en bruggen, maar de gebreken ervan zijn vaak kleinschalig. Volgens de onderzoekers zal een robotbenadering een efficiënte pre-screening van probleemgebieden mogelijk maken. Dat gebeurt dan via computer vision en nauwkeurig robotisch scannen van defecten met behulp van niet-destructieve, op laser gebaseerde scans.

Een fysieke meting wordt altijd subjectief door menselijke ogen geïnterpreteerd. Het nieuwe systeem scant de structuur met een stereo-dieptecamera met hoge resolutie en analyseert dat in een deep learningprogramma dat een convolutioneel neuraal netwerk wordt genoemd. Dergelijke programma's worden al gebruikt voor gezichtsherkenning, medicijnontwikkeling en deepfake-detectie. Maar ze zijn ook elders interessant door hun vermogen om de fijnste patronen en discrepanties in grote hoeveelheden data te ontdekken. Door de algoritmen te trainen op datasets van afbeeldingen van betonconstructies, kunnen ze scheuren opsporen.

Zodra een gebarsten of beschadigd gebied is geïdentificeerd, geeft het programma opdracht aan een robotarm. Deze scant het gebied vervolgens met een laserlijnscanner die 3D-beeld van het beschadigde gebied creëert. Tegelijkertijd scant een Lidar-camera de structuur rondom de scheur. Door beide scans te combineren, ontstaat een digitaal model van het gebied dat de breedte en afmetingen van de scheur weergeeft en het mogelijk maakt veranderingen tussen inspecties door te volgen. Door de digital twin krijgen beheerders een beter inzicht in de staat van hun brug of gebouw en kunnen ze onderhoud en reparatie plannen.

Testen

Het team testte het systeem in het laboratorium op een betonnen plaat met allerlei scheuren en verslechtering. Het systeem bleek gevoelig genoeg om de kleinste scheuren (minder dan 0.01 mm breed) te lokaliseren en nauwkeurig op te meten. Een geautomatiseerd inspectieproces kan bovendien het aantal vergissingen en subjectieve beoordelingsfouten verminderen die kunnen optreden wanneer overwerkte menselijke inspecteurs de eerste blik werpen.

Deze aanpak vermindert de onnodige dataverzameling uit gebieden die zich in een goede structurele staat bevinden, terwijl het uitgebreide en betrouwbare data oplevert die nodig zijn voor de beoordeling van de toestand.

Totaalsysteem

De onderzoekers overwegen het bewakingssysteem op te nemen als onderdeel van een groter raamwerk voor autonome bewaking, inclusief drones en andere autonome voertuigen. In de toekomst willen ze hun werk integreren met een onbemand grondvoertuig, waardoor het vermogen van het systeem om zelfstandig scheuren te detecteren, analyseren en bewaken wordt vergroot.

Het doel is, een uitgebreider, intelligenter en efficiënter systeem te creëren voor het handhaven van de structurele integriteit van verschillende soorten infrastructuur. Bovendien zullen tests in de praktijk en samenwerking met de industrie en regelgevende instanties van cruciaal belang zijn voor de praktische toepassing en voortdurende verbetering van de technologie.

De wetenschappelijke publicatie vindt u hier.

Foto: Drexel University