De uitdaging
Steden vinden het moeilijk om hun weginfrastructuur efficiënt te inspecteren en te onderhouden, vooral als het gaat om het opsporen en beoordelen van schade zoals gaten in het wegdek.
Handmatige inspecties zijn tijdrovend en subjectief, en vertragen vaak het signaleren en herstellen van wegdefecten. De klant had een geautomatiseerde, nauwkeurige manier nodig om gaten en wegschade te herkennen en te beoordelen en om onderhoud en inspectie te stroomlijnen.
Onze oplossing
Wij bouwden een platform op basis van deep-learningmodellen voor segmentatie. Het verwerkt videobeelden of losse frames, segmenteert elk gat en haalt kenmerken zoals grootte en oppervlakte eruit, waarmee de ernst wordt ingeschat.
De resultaten worden weergegeven in een schaalbare GIS-applicatie, zodat gebruikers de wegschade zien en snel de gebieden vinden die aandacht nodig hebben. Het model kan ook worden geïntegreerd in een pipeline voor videoverwerking in realtime, voor continue monitoring en directe detectie.
- Segmentatie van gaten in het wegdek uit videobeelden of losse frames
- Extractie van kenmerken (grootte, oppervlakte) en inschatting van de ernst per gat
- Schaalbare GIS-applicatie om wegschade te visualiseren
- Meldingen op basis van regels, bijvoorbeeld wanneer een kritiek gat direct actie vereist
- Filteren op ernst om reparaties te prioriteren
- Optionele integratie in een pipeline voor videoverwerking in realtime
Het resultaat
Door de detectie, beoordeling en kartering van gaten te automatiseren, worden tijd en middelen bespaard. Wegonderhoudsteams kunnen reparaties op ernst herkennen en prioriteren, middelen beter inzetten en de staat van de wegen verbeteren.
Met het model in een videopipeline die in realtime werkt, kunnen steden wegen continu bewaken en schade opsporen zodra die ontstaat. Dat vermindert gevaren, ondersteunt proactief onderhoud en verbetert de verkeersveiligheid.
