Bigger data in asset management - De groeiende mogelijkheden van automatische schadeherkenning
De 360° inspectiecamera’s leveren big data op: digitale beelden waaruit getrainde computers razendsnel asfaltschade kunnen herkennen en classificeren. De voordelen zijn groot: gerichter onderhoud, betere infrastructuur, soepelere doorstroming van verkeer en minder kosten. BAM Infra en ICT Group hebben de technologie van automatische asfaltschadeherkenning samen ontwikkeld en zetten alweer de volgende stap in het digitaliseren van asset management. Het model is nu uitgebreid met meer schadetypes en nieuwe objecten. Beheer en onderhoud van infrastructuur komt opnieuw op een hoger niveau.
Zelflerend model
De beelden komen van auto’s die met de 360° camera’s in een bepaald gebied rondrijden. In DBFM- en onderhoudscontracten gaat het vaak om vele kilometers asfalt dat regelmatig geïnspecteerd moet worden. Tot nu toe beoordeelden asfaltexperts alle video’s en foto’s handmatig om schade te markeren. Met het Machine Learning-model gebeurt deze analyse en classificatie automatisch. Door het zelflerend vermogen van de computer kan het steeds meer patronen herkennen. Denk aan het onderscheiden van gaten, scheuren en rafels in het asfalt, of de aanwezigheid van dierlijke resten. Grote hoeveelheden schadebeelden en vele trainingsuren waren nodig om de algoritmes steeds verfijnder te maken om eventuele afwijkingen aan het asfalt razendsnel vast te stellen. Inmiddels is een betrouwbaar beoordelingsniveau bereikt. De algoritmes koppelen de selecties aan geografische coördinaten, zodat de exacte locatie van de schades bekend is.
Meer toepassingen
BAM Infra en ICT Group blijven de mogelijkheden van kunstmatige intelligentie voor asset management verkennen. Het computermodel is inmiddels nog intelligenter gemaakt door de functionaliteit uit te breiden. Het herkent inmiddels tien typen schades, zes meer dan in de startpositie. Ook gaan nu verkeersborden mee in de automatische analyse en classificatie van schade. In de praktijk is gebleken dat 98% van de camerabeelden asfalt laat zien waarmee niets aan de hand is. Het zelflerende model selecteert op basis van ‘schadevrij’ volgens de geldende kwaliteitseisen en biedt uitsluitend de 2% ‘zekere en mogelijke schade’ ter beoordeling aan de specialisten aan. Dit is inclusief een ingebouwde zekerheidsmarge, zodat er geen beelden onterecht als ‘schadevrij’ opzij worden gezet. Hierdoor is een zeer betrouwbaar en efficiënt model ontstaan dat veel tijd bespaart.
Hoewel het model zeer nauwkeurig is, blijft de menselijke toets noodzakelijk voor de beoordeling van de mogelijke en zekere schades. Ook houden asfaltexperts rekening met projectspecifieke afspraken. De menselijke bevindingen worden teruggekoppeld naar het model om dit te blijven trainen, zodat het steeds beter functioneert. Dit Machine Learning is van belangrijke toegevoegde waarde in het digitaliseren van asset management. Ook de opslag van data is cruciaal, want de gemaakte beelden leveren vele terabytes aan gegevens op. De krachtige Azure Cloud van Microsoft is hiervoor de oplossing. De bijna oneindige opslagcapaciteit in combinatie met het zelflerende computermodel maakt het mogelijk om steeds nieuwe digitale diensten te ontwikkelen.
Onbegrensde mogelijkheden
Nu het geautomatiseerde proces zich met de verkeersborden verder uitbreidt, neemt het aantal uren verder af dat voorheen nodig was voor het handmatig verwerken van de vele beelden waarmee grotendeels niets aan de hand was. Asfaltexperts kunnen hierdoor nog gerichter te werk gaan. Zij zetten hun expertise steeds meer in voor wegen en borden die onderhoud nodig hebben. Ook verkeersregelinstallaties, markeringen, openbare verlichting en andere objecten komen in de nabije toekomst in aanmerking voor een beoordeling met kunstmatige intelligentie. Dit vanwege de zichtbare oneffenheden of afwijkingen die ze kunnen hebben zoals beschadiging, vervuiling of scheefstand. Automatische schadeherkenning blijft zich ontwikkelen, in het belang van steeds beter asset management.
Betere infra, lagere kosten
Dankzij deze nieuwe technologie met kunstmatige intelligente om schades automatisch te analyseren en te classificeren hebben assetbeheerders zoals Rijkswaterstaat, provincies, waterschappen, havenbedrijven en gemeentes een veel actueler beeld van de infrastructuur in hun gebied. Bovendien versnelt en verbetert het hele onderhoudsproces. Afwijkingen komen veel eerder aan het licht en worden eerder gerepareerd, vaak in combinatie met gepland onderhoud. Dit leidt tot minder omgevingshinder en een betere doorstroming van het verkeer. Het digitaliseren van asset management houdt wegen met bijbehorende voorzieningen op een veel hoger kwaliteitsniveau tegen lagere kosten voor beheer en onderhoud. De veiligheid en de beschikbaar van het wegennet nemen toe. Het Machine Learning-model van BAM Infra en ICT Group, met de automatische verwerking van big data, speelt hierbij een belangrijke rol. De samenwerking van deze partners resulteerde eerder al in de ontwikkeling van intelligente dashboards die grote hoeveelheden data overzichtelijk weergeven in grafieken. Hierdoor neemt het inzicht in de staat van infrastructuur toe voor beheerders van assets.
