KI kann sehen! Vorteile für die Infrastruktur

KI kann sehen! Wartung von Infrastrukturen mit künstlichem Sehen

KI kann sehen! Die Entwicklung des künstlichen Sehens und die ständige Weiterentwicklung der Bilderfassungssysteme vervielfachen die Anwendungsmöglichkeiten dieser Technologien. Sie können jetzt auf jeden Tätigkeitsbereich ausgedehnt werden. Satellitenbilder; feste und mobile Kameraaufnahmen usw., all jene Methoden, die die visuelle Darstellung eines Fragments der Realität erreichen, werden bereits in den verschiedensten Bereichen eingesetzt. Dazu gehören z.B. beim automatischen Fahren von Fahrzeugen, bei der Optimierung von Flotten, bei der medizinischen Diagnose, bei der Analyse von riesigen Landausdehnungen.

Bei dieser Gelegenheit werden wir näher auf den Nutzen bei der Wartung großer Infrastrukturen und Oberflächen, eingehen. Es ist sehr aufwändig und kostspielig, bestimmte Anlagen und Räume, die sich über riesige Flächen erstrecken, zu überwachen und zu erhalten.

Traditionell werden in diesen und vielen anderen Fällen Vermessungen zu Lande (zu Fuß oder mit dem Fahrzeug) oder in Ausnahmefällen aus der Luft (Hubschrauber und neuerdings auch Drohnen) vorgenommen. Bei sehr großen Bauwerken wie Hochspannungsleitungen werden planmäßige visuelle Inspektionen der gesamten oder eines Teils der Anlage durchgeführt. Die Investition ist daher hoch in Zeit, Ressourcen und Kapital, für ein System, das sich nicht als völlig effektiv erweist. Denn sein Erfolg hängt vom Zusammentreffen des Auftretens anormaler Situationen mit dem vorgesehenen Revisionszeitplan sowie von den Licht- und Wetterbedingungen ab.

Die Notwendigkeit, die Instandhaltungssysteme großer Infrastrukturen zu verbessern, und die rasante Entwicklung der Technologie ermöglichen es, diese Aufgaben durch die Analyse von Satellitenbildern. Diese Bilder, werden mit einer Kamera aufgenommen, oder durch die Kombination beider Methoden generiert. Aber… wie ist es möglich, Anomalien entlang von Kilometern mit Remote-Erfassungen zu erkennen? Mit künstlicher Intelligenz.

Automatisches Lernen und neuronale Netze

Heute können wir Maschinen dazu bringen, dissonante Elemente in Bildern zu erkennen und Alarm zu schlagen. Um das zu erreichen, müssen wir den Computern beibringen, welche Inhalte sie als standardisiert zu erkennen haben und welche eine Störung oder Abweichung darstellen. Darüber hinaus werden durch das Mitwirken des maschinellen Lernens, die Geräte automatisch ihre Datenbanken bereichern, um immer effizienter und autonomer zu sein und einen besseren Service zu bieten.

In diesem Rahmen hat sich Deep Learning als besonders effektiv bei der Analyse, Erkennung und Klassifizierung von Bildern erwiesen. Es arbeitet mit dem Konzept der Vernetzung und erzeugt künstliche neuronale Netze mit einer Verhaltensdynamik, die biologischen neuronalen Netzen ähnelt. Um dies zu erreichen, fegen die verwendeten Klassifizierungsalgorithmen kleine Bereiche des Bildes und nicht das Bild als Ganzes. Auf diese Weise durchläuft eine kleine Gruppe von Pixeln die verschiedenen Schichten des Netzwerks. Diese sind so organisiert, dass die ersten einfache Formen (Linien, Kurven, Farben…) identifizieren und in jedem Schritt Elemente mit größerer Komplexität (Figuren, Gesichter…) erkennen.

Wenn die Analyse abgeschlossen ist, wird das Ergebnis umso präziser, je mehr Schichten das Netzwerk bildet, das die Wahrscheinlichkeit darstellt, dass ein Bild zu einer vorher festgelegten Kategorie gehört, auf die das System trainiert ist. Nehmen wir an, dass auf einer Eisenbahnstrecke ein Hindernis auf dem Gleis auftaucht oder in einem Waldgebiet die Vegetation auf eine Feuerschneise fällt. Die neuronalen Netze werden darauf trainiert, die Bilder auf der Grundlage von progressiven Sweeps von Pixelgruppen zu analysieren und Eigenartigkeiten zu identifizieren. Das heißt es werden Elemente, dort gefunden, wo sie nicht sein sollten und die die Muster verändern, die das System als optimal validiert hat.

Erkennen, identifizieren und kategorisieren

Aber lassen Sie uns konkreter werden. Bei einer großen Infrastruktur, wie z. B. Energietransportnetzen. Diese durchqueren ganze Länder und können durch Untersuchung von Satellitenbildern oder von mit Kameras aufgenommenen Bildern zeigen, dass ein unstimmiges Muster an einem bestimmten Punkt der Trasse mit 92%iger Wahrscheinlichkeit ein Bruch in einem Leitungsabschnitt, mit 6%iger Wahrscheinlichkeit ein Brand und mit 2%iger Wahrscheinlichkeit ein strukturfremdes Element ist.

So gut kann KI sehen!

Zum einen dank der frühzeitigen Erkennung. Zum anderen, weil die zu treffenden Entscheidungen und Maßnahmen auf sicheren Fakten oder zumindest auf einer hohen prozentualen Übereinstimmung mit der Realität beruhen. Folglich erhöht das künstliche Sehen die Effizienz der Maßnahmen und senkt die Kosten. Dies ist sowohl bei der Überwachung als auch bei der Verwaltung der festgestellten anomalen Ereignisse der Fall. Nicht nur der finanzielle Aspekt ist zu bewerten, die Wartungsprozesse von weitläufigen Infrastrukturen oder Räumen werden sicherer für die Bediener. Sie ergänzen die okulare Inspektion im Gelände durch die automatische Analyse der Bilder. Dadurch wird die Unsicherheit reduziert und die Entwicklung von Korrekturmaßnahmen mit größerem Planungsgrad ermöglicht.

Fazit

Kurz gesagt: Frühzeitige Warnungen, Vereinfachung von Entscheidungsprozessen, Ergänzung des Einsatzes von boden- oder luftgestützten Mitteln, größere Sicherheit bei Operationen, Fokussierung von Ressourcen auf den tatsächlichen Bedarf und enorme Nachverfolgung in verkürzten Zeiten machen die Infrastrukturwartung mit künstlichem Sehen zu einer Realität/Notwendigkeit, die sich bereits einem Industriesektor aufdrängt, der die Vorteile der digitalen Transformation immer wahrscheinlicher nicht verpassen will.