Imaging Technologies Are Transforming The Way We Inspect Infrastructure

Könnten Kameras Inspektionen sicherer und effizienter machen?

Das Kanalreinigungsteam von Thames Water Utilities inspiziert den im viktorianischen Stil erbauten Regenwasserkanal des Fleet River … [+] (Foto von In Pictures Ltd./Corbis über Getty Images)

Corbis über Getty Images

Straßen, Gehwege, Eisenbahnlinien, Abwassersysteme, Wasserleitungen, Stromversorgung, Internetkabel … Die moderne Welt ist auf einen Großteil der physischen Infrastruktur angewiesen. Dass diese kritischen Systeme zuverlässig funktionieren, ist kein Hexenwerk – häufige Wartungskontrollen und regelmäßige Inspektionen sind erforderlich. Was Sie jedoch überraschen mag, ist, wie subjektiv die Inspektion der Infrastruktur im größten Teil des letzten Jahrhunderts war. Abhängig vom jeweiligen System kann der Prozess eher … analog ablaufen. Menschliche Inspektoren gehen oder fahren eine Route ab, notieren manuell – oft mit Stift und Papier – und kehren bald zurück, um alles Dringende zu reparieren, und vereinbaren für alles andere einen erneuten Besuch. Wie qualifiziert diese Inspektoren auch sein mögen, sie werden gebeten, eine nahezu unmögliche und nie endende Aufgabe auszuführen. Deshalb wurden in den letzten Jahren eine ganze Reihe verschiedener technologischer Tools entwickelt, die bei der Inspektion der Infrastruktur helfen.

Einige von ihnen, wie etwa autonome Inspektionsroboter, die sich durch Abwasserkanäle und Durchlässe bewegen können, sind darauf ausgelegt, den Menschen vollständig zu ersetzen. „Das Betreten dieser Strukturen ist weitaus gefährlicher als ein Eisenbahntunnel – sie sind teilweise überflutet und enthalten wahrscheinlich giftige Gase“, sagt Dr. Nick McCormick vom britischen National Physical Laboratory (NPL). „Roboterplattformen retten Menschen aus diesen gefährlichen Situationen.“ Andere, wie eine wachsende Zahl kommerziell erhältlicher drahtloser Sensoren, tun etwas, wozu selbst die besten Inspektoren niemals in der Lage wären. Eingebettet in eine Struktur überwachen sie kontinuierlich deren strukturellen Zustand von innen nach außen. Viele der am schnellsten wachsenden Technologien – insbesondere solche, die auf Bildgebung basieren – ergänzen den bestehenden Inspektionsprozess und machen ihn sicherer, einfacher und objektiver.

In diesem Artikel möchte ich Ihnen einige interessante bildbasierte Inspektionsprojekte vorstellen, die mir kürzlich begegnet sind. Beginnen wir mit einem Projekt, das sich mit den viktorianischen Tunneln beschäftigt, die das britische Schienennetz durchziehen.

Ich war früher in derselben Forschungsabteilung des NPL wie der zuvor erwähnte McCormick (obwohl unsere Arbeit unterschiedliche Themen betraf) und interviewte ihn 2015 für mein Buch Science in the City. Damals arbeiteten er und sein Team an einem Inspektionssystem für Eisenbahntunnel namens DIFCAM – Digital Imaging for Condition Asset Management. Es bestand aus einem Laserscanner in Kombination mit 11 digitalen SLR-Kameras, die bogenförmig auf der Rückseite eines Zweiwegefahrzeugs angebracht waren. Während sich das Fahrzeug langsam durch den Tunnel bewegte, machte es gleichzeitig Bilder und Laserscans, um eine hochauflösende Bildkarte der Tunnelwand zu erstellen, die selbst die kleinsten Mängel erkennen konnte. Die Idee war, dass sie durch den Vergleich von Karten aus verschiedenen Inspektionen (mithilfe einer Technik namens Digital Image Correlation) verfolgen konnten, wie (oder ob) sich diese Mängel im Laufe der Zeit veränderten. Mit den vorliegenden Informationen konnten die Tunnelinspektoren dann ihr Wissen und ihr Urteilsvermögen nutzen, um eine Entscheidung darüber zu treffen, wie der Schaden zu beheben war.

Obwohl DIFCAM im gesamten Schienennetz erfolgreich getestet wurde, gab es zwei große Einschränkungen – Geschwindigkeit und Positionierung. „Wir wollten damit experimentieren, ob wir uns genauer lokalisieren können“, sagt McCormick. In der alten Version von DIFCAM wurde ein rotierender Odometer verwendet, der die Entfernung anhand des Radumfangs misst. In der neuen Version, bekannt als DIFCAM Evolution, werden zwei Ereigniskameras einer Firma namens Machines With Vision verwendet, die auf den Schotter zwischen den Schienen gerichtet sind. McCormick erklärt: „Das sind spezielle Digitalkameras, die Daten von einem einzelnen Pixel senden, wenn sich der Grauwert in diesem Pixel ändert … es handelt sich praktisch um ein Echtzeit-Odometriesystem.“ Darüber hinaus wird ein Zeilenkamerasystem verwendet, das ursprünglich für die Messung von elektrischen Leiterplatten in Produktionslinien entwickelt wurde. „Der große Vorteil ist, dass die Höhe [measurements] und die Bilder sind perfekt synchronisiert.“ Durch diese Kombination, sagt er, „sollten sie eine Messgeschwindigkeit von vielen Zehnteln, vielleicht sogar 100 Metern pro Sekunde erreichen können.“ Das entspricht einer Messung von 40 Meilen pro Stunde, was in bestimmten Teilen des britischen Schienennetzes als Streckengeschwindigkeit gilt. Damit entfällt nicht nur die Notwendigkeit, die Strecke für Inspektionen zu sperren, was zu Störungen führen würde, sondern das System ist auch zehnmal schneller als die vorherige Version von DIFCAM. Es gibt noch viel zu tun, um das System zu optimieren, aber McCormick sagt, dass der nächste Schritt wahrscheinlich eine regionale Testeinführung sein wird. Er hofft, dass das System mit weiterer Finanzierung irgendwann kommerziell angeboten wird.

Der TranzAlpine-Zug von KiwiRail fährt durch eine ländliche Landschaft auf der Südinsel Neuseelands … [+] im Jahr 2016.

getty

Auch bei diesem nächsten Projekt steht die Schiene im Mittelpunkt (was soll ich sagen, ich liebe Züge), aber dieses Projekt ist hier in Aotearoa, Neuseeland angesiedelt. LIDAR, die Abkürzung für LIcht DErkennung Aund Ranging wird seit mehreren Jahren in einer ganzen Reihe verschiedener infrastrukturbezogener Anwendungen eingesetzt. Die vielleicht bekannteste Anwendung ist die in autonomen Fahrzeugen, bei denen LIDAR-Einheiten auf dem Dach die Umgebung schnell scannen und eine 3D-Karte erstellen.** In den Jahren 2014 bis 2016 führten Forscher am WSP (damals Opus Research) in Neuseeland eine Studie durch, bei der ein „instrumentiertes Fahrrad“, komplett mit LIDAR, sowohl auf Stadt- als auch auf Landstraßen in Wellington gefahren wurde. Ziel war es, die Überholabstände und Geschwindigkeiten von Autofahrern zu messen, die Radfahrer überholen, und dies mit dem Sicherheitsgefühl der Radfahrer abzugleichen. Ende 2020 kam dasselbe System in einem Gespräch zwischen Mike Lusby, einem Instrumentierungsingenieur am WSP, und Manjot Singh, Infrastrukturmanager bei KiwiRail in Wellington, zur Sprache.

„Wir besuchten das Labor, um über die Neigungsüberwachung und einige andere dringende Probleme zu sprechen, mit denen wir im Netzwerk konfrontiert waren“, sagt Singh. „Wir sahen, dass nach größeren Arbeiten Gegenstände auf oder zu nahe an den Gleisen zurückgelassen wurden, was große Probleme für Züge verursachen kann – sie könnten entgleisen.“ Lusby schlug vor, dass eine LIDAR-Einheit, unterstützt durch eine ähnliche maßgeschneiderte Software, die im Fahrradprojekt verwendet wird, Hindernisse auf oder in der Nähe der Strecke erkennen könnte. Das Paar machte sich an die Arbeit und innerhalb weniger Monate hatten sie LIDAR an der vorderen Stoßstange eines der bestehenden Zweiwegefahrzeuge von Kiwirail installiert. „Hi-Rail-Lkw gehören für uns zum Standardgerät. Wir verwenden sie, um unsere Gleise bei niedrigen Geschwindigkeiten zu inspizieren“, sagt Singh. Aber er gibt zu, dass Inspektionen bei Hindernissen bisher sehr subjektiv waren: „Da war ein menschliches Fehlerelement dabei. Eine Person würde sagen, dass dieses Objekt zu nah ist, aber die andere Person würde sagen: ‚Es ist weit genug weg. Es sollte kein Problem sein.‘ Nachts, wenn die Sicht eingeschränkt war, war es noch schwieriger.“

Das LIDAR-System macht all das überflüssig. Anstatt sich auf das Urteilsvermögen des Menschen zu verlassen, scannt es ständig die Gleise vor ihm und alarmiert den Inspektor, wie Lusby erklärt: „Im Führerstand gibt es einen Knopf, der grün, orange oder rot sein kann. Grün bedeutet, dass nichts erkannt wird. Orange bedeutet, dass sich etwas dem Gleiskorridor nähert und möglicherweise in Zukunft überprüft werden muss. Und wenn das System dann etwas innerhalb des definierten Profils erkennt, leuchtet es rot, um dem Fahrer anzuzeigen, dass er eingreifen muss.“

Seit seiner Einführung im Dezember 2021 erfreut sich das System bei den Gleisinspektoren großer Beliebtheit. Für Singh hat es mehrere Vorteile: „Sicherheit steht natürlich an erster Stelle, aber danach kommt die Wirtschaftlichkeit. In der Vergangenheit hatten wir an einigen Zügen ziemlich große Schäden, die bis zu hunderttausend Dollar kosteten, weil Dinge zu nahe an den Gleisen abgestellt wurden. Hinzu kommen die Störung selbst und der Schaden für unseren Ruf.“ [This project] war für uns eine ziemlich große Sache.“

Ein nächtlicher Verkehrsstau in Kalifornien zeigt die retroreflektierenden Verkehrsschilder (Foto von PATRICK T. … [+] FALLON/AFP über Getty Images)

AFP über Getty Images

Swaroop Patnaik begann seine Karriere in der medizinischen Bildgebung, konzentriert sich heute aber auf die Inspektion von Infrastrukturen. Sein Start-up-Unternehmen Blue Dome Technologies kann aus Videoaufnahmen nützliche Informationen wie den Zustand einer Straßenoberfläche, die Position von Straßenlaternen oder die nächtliche Reflektivität von Schildern extrahieren. Anstatt ein speziell entwickeltes Gerät zum Sammeln der Informationen zu verwenden, genügt eine einfache GoPro-Kamera, die an der Vorderseite eines Fahrzeugs montiert wird, und das Fahrzeug muss mit normaler Straßengeschwindigkeit auf der betreffenden Route fahren. „Sie können eine GoPro für weniger als 500 Dollar kaufen“, sagt Patnaik, der mit mir aus Kalifornien spricht. „Vergleichen Sie das mit einigen der wirklich hochentwickelten, mit Instrumenten ausgestatteten Lastwagen, die viele Verkehrsämter verwenden – sie können zwischen 400.000 und 1.000.000 Dollar kosten.“

Dieses Videomaterial wird dann auf die maschinelle Lernplattform von BlueDome hochgeladen, wo es je nach Anforderung durch eine Reihe verschiedener Algorithmenpakete geleitet wird. „Wenn der Kunde an Schildern interessiert ist, leiten wir das Video durch eine KI, die darauf trainiert wurde, diese Schilder zu erkennen“, erklärt er. „Aber anhand desselben Videos können wir auch Gullydeckel, Kanaleinläufe, Hydranten, Straßenlaternen identifizieren – alle Anlagen, die für eine Stadt oder einen Landkreis von Interesse sein könnten. Wir haben die KI absichtlich als separate Einheiten aufgebaut, damit die Leute nur die Informationen erhalten, die sie benötigen.“

Einer der Anwendungsbereiche, die mich am meisten interessierten, war die Möglichkeit, den Straßenzustand zu analysieren. Jeder, der schon einmal in den USA gefahren ist, weiß, dass viele Interstate-Straßen mit Betonplatten als Oberfläche gebaut sind. Der Zustand dieser Platten wird normalerweise manuell überprüft, entweder durch mehrere Inspektoren, die in einem Fahrzeug sitzen, oder indem sie Straßenabschnitte absperren und dann abgehen. Patnaik zeigte mir ein GoPro-Video, das vom kalifornischen Verkehrsministerium (Caltrans) bei Autobahngeschwindigkeit aufgenommen und durch seine Plattform für maschinelles Lernen geleitet wurde. Darin erschienen ständig violette Blitze, die die Stelle von Rissen in der Straße hervorhoben und deren Fläche, Breite und Länge vermerkten. „All das wird automatisch auf Grundlage des Industriestandards in den USA berechnet“, erklärt er. „Wir identifizieren diese Risse und sagen ihnen dann, auf welcher Platte sie sich befinden. So kennt Caltrans die Stelle und die Abmessungen des Risses, den sie reparieren müssen, bevor sie losfahren.“

Das langfristige Ziel ist es, all diese Daten zu nutzen, um vorherzusagen, wann ein bestimmtes Objekt ersetzt werden muss, wie Patnaik erklärt: „Unsere Überlegung war, dass wir, wenn die Datenerfassung einfach ist, viele Daten erhalten und letztendlich in der Lage sein könnten, etwas vorherzusagen, bevor etwas passiert. Nehmen wir beispielsweise den Verschleiß eines Verkehrsschildes. Wenn wir diese Daten im Laufe der Zeit sammeln können, bekommen wir eine Vorstellung davon, wie schnell sich diese Art von Schild verschlechtert. Dies könnte es der Stadt oder dem Landkreis ermöglichen, etwas proaktiver zu sein und Wartung und Reparaturen im Voraus zu planen.“ Bislang hat sich Patnaiks Arbeit auf Kalifornien konzentriert, aber er hofft, dass die Technologie breiter eingesetzt wird: „Sie sollte überall eingesetzt werden können. Die Idee ist einfach. Wenn das menschliche Auge es sehen kann, kann die GoPro es aufnehmen und wir können die KI trainieren, es zu analysieren.“

** In Teslas „selbstfahrenden“ Autos wird kein LIDAR verwendet. Sie haben ein Computer-Vision-System auf Kamerabasis eingeführt. Manche argumentieren, dass dieses eingeschränkter (und weniger sicher) als LIDAR sei.

You might also like

Comments are closed.