Geodata kraken wegenwerkendilemma

Verkeersveiligheid hangt nauw samen met de staat van het wegdek: hoe meer onregelmatigheden, hoe groter de kans op ongevallen. Daarom moeten gewesten, steden en gemeenten er continu voor zorgen dat hun openbare wegen goed onderhouden zijn. Maar een beperkt budget dwingt vaak tot moeilijke keuzes. Welke wegen verdienen eerst aandacht en welke kunnen wachten? DrivenBy uit Namen rijdt al jarenlang met high-tech camera’s, satellietontvangers en scanners over onze wegen om die vragen te beantwoorden en zo overheden te adviseren bij hun investeringsplannen voor wegenwerken.

Gezocht: hefboom voor automatisatie

De mobile mapping-formule van DrivenBy omhelst verschillende stappen: foto’s nemen, de resulterende beelden verwerken, wegsegmenten classificeren in functie van het type wegdek en tenslotte defecten identificeren en classificeren. Dat laatste gebeurt op basis van een model van het Belgian Road Research Centre (BRRC). Elk wegsegment krijgt een score gebaseerd op het aantal en het type defecten. Een uiterst minutieuze en tijdrovende klus voor de medewerkers van DrivenBy. Zou de detectie en classificatie van wegdefecten niet efficiënter en dus goedkoper kunnen met AI? DrivenBy en GIM beantwoordden de projectoproep ‘Tremplin AI’ van DigitalWallonia4.ai, gericht op het uitwerken van een proof of concept voor nieuwe AI-toepassingen.

Ambitieuze doelstellingen

Het onderzoeksproject Tremplin AI had van bij de start duidelijke doelstellingen. Zo wilde het team in de eerste plaats de technische haalbaarheid van computer visie evalueren voor deze taken op basis van mobile mapping-beelden:

• de classificatie van het type wegdek
• de identificatie van wegdefecten
• de classificatie van wegdefecten volgens welomlijnde types (BRRC)

Bovendien moesten de resultaten inzicht geven in het commerciële potentieel van het AI-model én inspireren voor eventuele andere toepassingen.

“Het potentieel van computer visie voor de analyse van mobile mapping-beelden is enorm. De nauwkeurigheid bij de eerste test opent deuren voor tal van toepassingen.” 

(Steven Smolders, Technology Director bij GIM)

Algoritme klaarstomen voor het echte werk

Als specialist in machine learning liet GIM zijn expertise in computer visie meteen blijken. Het ontwikkelde een zelflerend algoritme (ook wel: neuraal netwerk) dat een computer in staat stelt om de wegfoto’s te analyseren zoals de medewerkers van DrivenBy dat al jaren doen. Alle mogelijke defectcategorieën die het algoritme diende te herkennen werden ingevoerd. Daarna was het tijd voor de vuurproef. Op basis van mobile mapping-beelden van 20 km weginfrastructuur mocht het AI-model zijn verdienste bewijzen.

Mobile mapping 2.0

De eerste resultaten doen alvast het beste vermoeden. Het algoritme identificeerde bijna alle defecten. Bovendien belandde liefst 93% van de gedetecteerde defecten in de juiste categorie. Opvallend: de succesratio voor categorieën met veel trainingsbeelden lag nóg hoger. Het waren vooral de meer zeldzame defecten  die dus minder in de trainingdata opdoken die soms niet (juist) geclassificeerd werden. Kortom, om het model verder te verfijnen, zijn enkel extra testbeelden nodig.

93% van alle gedetecteerde wegdefecten kwamen meteen in de juiste categorie terecht

En het AI-model opent meteen deuren voor andere toepassingen, zoals het karteren van wegmarkeringen, signalisatieborden, straatverlichting, putdeksels, gebouweigenschappen en nog veel meer. Missie geslaagd!

Op zoek naar de beste tools en AI-modellen voor jouw geo-analyses?

Neem vrijblijvend contact op.

Dit project werd gerealiseerd met de steun van: