AI-Assisted Inspection of Concrete Surfaces at Dams
KI-gestützte Inspektion von Betonoberflächen an Talsperren
Christian Benz, Paul Debus, Thomas Gebhardt, Ephraim Friedli, Stefan Schuhbäck, Thorsten Zimmer, Guido Morgenthal, Volker Rodehorst
Dams are one of the most intensively monitored engineering structures. In addition to a large number of different, permanently installed sensors and regular geodetic monitoring measurements, the inspection of the air and water sides of the dam’s concrete surface is part of a comprehensive monitoring process. As leading hydropower companies, Axpo and Verbund operate more than 50 large dams in Switzerland and Austria. The applied monitoring methods are constantly reviewed and adopted to technological progress. Recent improvements with respect to flight time, size, robustness, and payload (e. g. cameras) opened new possibilities for the use of unmanned aircraft systems (UAS) for inspection purposes. These platforms allow a comprehensive and complete capturing of the surface with many high-resolution images and enable easier access to remote parts of the structure. Analyzing thousands of photos linked with marking all findings manually is not economical. Hence, the generated data must be pre-processed and analyzed automatically before the expert can have a final review and perform a condition assessment. Therefore, in a development project, the potential of automated image analysis using artificial intelligence (AI) was evaluated. The challenge of manually designing an effective artificial neural network was overcome by using nnU-Net. Based on a set of rules, nnU-Net infers a suitable network and method configuration from the given dataset. It, thereby, distinctly reduces the effort for developing an AI model. The overall goal of a detection rate of at least 90 % of the anomalies of interest on the challenging concrete surfaces of dams has shown to be realistic and achievable. The applied techniques, challenges, and finally the achieved results in data generation and AI assessment are explained in detail. The outlook outlines possible next steps and further areas of interest for an improved dam surface inspection procedure that promises to make the structures and their maintenance fit for the future.
Talsperren gehören zu den am intensivsten überwachten Ingenieurbauwerken. Neben einer Vielzahl von verschiedenen, fest installierten Sensoren und regelmäßigen geodätischen Überwachungsmessungen ist die Inspektion der luft- und wasserseitigen Betonoberfläche der Staumauer Teil eines umfassenden Monitorings. Axpo und Verbund betreiben als führende Wasserkraftunternehmen mehr als 50 große Talsperren in der Schweiz und in Österreich. Die eingesetzten Überwachungsmethoden werden laufend überprüft und dem technischen Fortschritt angepasst. Jüngste Verbesserungen in Bezug auf Flugzeit, Größe, Robustheit und Nutzlast (z. B. Kameras) eröffnen neue Möglichkeiten für den Einsatz von unbemannten Flugsystemen (UAS) zu Inspektionszwecken. Diese Plattformen ermöglichen die flächendeckende und vollständige Aufnahme der Oberfläche mit vielen hochauflösenden Bildern und erleichtern den Zugang zu entlegenen Teilen des Bauwerks. Doch die Auswertung tausender Fotos verbunden mit der manuellen Markierung aller Befunde ist nicht wirtschaftlich. Daher müssen die generierten Daten automatisch vorverarbeitet und analysiert werden, bevor der Experte eine abschließende Prüfung und Zustandsbewertung vornehmen kann. In einer Machbarkeitsstudie wurde daher das Potenzial der automatisierten Bildanalyse mittels künstlicher Intelligenz (KI) untersucht. Um den ressourcenintensiven, manuellen Entwurf eines leistungsstarken künstlichen neuronalen Netzes zu umgehen, wurde der nnU-Net-Ansatz verwendet. Ausgehend von einer Reihe an Regeln, leitet nnU-Net eine geeignete Netzwerk- und Methodenkonfiguration aus dem vorhandenen Datensatz ab. Dadurch wird der Entwicklungsaufwand für ein KI-Modell deutlich reduziert. Das Gesamtziel, mindestens 90 % der relevanten Anomalien auf den anspruchsvollen Betonoberflächen von Staumauern zu erkennen, hat sich als realistisch und erreichbar erwiesen. Die angewandten Techniken, die Herausforderungen und schließlich die erzielten Ergebnisse bei der Datengenerierung und der KI-Bewertung werden ausführlich erläutert. Der Ausblick skizziert mögliche nächste Schritte und weitere Interessensgebiete für eine moderne Oberflächeninspektion von Talsperren, die verspricht, die Bauwerke und deren Instandhaltung fit für die Zukunft zu machen.
Keywords: Artificial intelligence, UAS-based survey, anomaly detection, deep learning, nnU-Net
Schlüsselwörter: Künstliche Intelligenz, UAS-basierte Vermessung, Schadenserkennung, Deep Learning, nnU-Net
Der Volltext der aktuellen Artikel (< 3 Monate) aus dem Artikelarchiv steht für
avn-Abonnenten
nach dem Login
zur Verfügung.
