Banner OpenAccess
Banner Torrossa

Deep learning e fotogrammetria per ispezioni automatizzate di gallerie e opere sotterranee

Panella Fabio Loo Yung Kaushik Akshat Gonzalez David Ollerhead Richard Boehm Jan
Articolo Immagine
Rivista:
Gallerie e grandi opere sotterranee
Anno:
2019
Numero:
130
Fascicolo:
Gallerie e grandi opere sotterranee N. 130/2019

Acquisto digitale

Acquista:

€ 14.00

Le compact city sono città con una superficie ridotta e un’elevata densità abitativa. Una città di questo genere non risulta solo vivibile e più sicura [1] ma anche più sostenibile: dipendendo meno sul sistema di trasporto privato, richiede la realizzazione di un minor numero di infrastrutture [2]. Risulta, quindi, estremamente importante realizzare una rete di trasporti efficace, per lo più in sotterraneo, con il minimo disservizio possibile. Al fine di perseguire lo scopo di garantire il minor disservizio possibile, l’utilizzo di metodologie innovative per il monitoraggio strutturale dei tunnel è uno step cruciale per garantire la piena operatività delle infrastrutture di trasporto veloce. La strategia perseguita dagli autori è basata sull’utilizzo combinato di fotogrammetria e Machine Learning (d’ora in poi ML) per il rilevamento automatico di difetti strutturali in galleria. Per mantenere le strutture sotterranee entro i limiti di servizio e per un efficace piano di manutenzione, volto a massimizzare il rapporto benefici-costi, ispezioni sistematiche e regolari nel tempo sono un requisito fondamentale. Ad oggi, la principale tecnica di monitoraggio delle strutture in sotterraneo è l’ispezione visiva effettuata da un ingegnere che conosca direttamente o indirettamente (tramite le relazioni di precedenti ispezioni) la struttura da analizzare, i materiali costruttivi ed i metodi di costruzione ed eventuali precedenti livelli di danneggiamento. Questa tecnica risulta semplice ma, allo stesso tempo, lenta e costosa; inoltre, la ripetibilità degli output è strettamente legata all’esperienza e sensibilità dell’ingegnere che effettua l’ispezione, nonché al carico di lavoro (i tunnel, ad esempio, sono strutture molto regolari ma con estensioni che superano, talvolta, le decine di chilometri; ispezionare tali strutture può diventare logorante a scapito della qualità dell’ispezione). Arup, in collaborazione con University College London (UCL), sta investendo su ricerca e sviluppo di una nuova metodologia automatica di ispezione fotografica low cost al fine di migliorare i livelli di sicurezza degli operatori (riducendo al minimo le ore necessarie in sito) e di raggiungere la massima oggettività e ripetibilità dei risultati delle ispezioni. La combinazione di Computer Vision e Deep Learning (d’ora in poi DL) come accessibile tecnologia di ispezione fotografica costituisce un definitivo salto in avanti in termini di miglioramento della qualità delle ispezioni, riduzione dei costi e riduzione delle ore di lavoro in sito: con un cluster di fotocamere, se correttamente progettato, si può realizzare un modello 3D accurato della struttura ispezionata e l’utilizzo del ML per l’analisi dei difetti strutturali riduce drasticamente il carico di lavoro dell’ingegnere limitatamente all’ispezione visiva. * Il seguente articolo fa riferimento all'articolo pubblicato dagli autori alla sedicesima conferenza mondiale dell'ACUUS (Associated Research Centers for the Urban Underground Sapce): “Integrated Underground Solutions for Compact Metropolitan Cities” [4].

Smart Image Based Technology and Deep Learning for Tunnel Inspection and Asset Management 

Tunnel inspection and asset management is typically a labour-intensive process where engineering judgement and experience is heavily relied upon to identify and assess tunnel condition over kilometres of homogeneous structures. Novel work flows and digital applications have been developed by the authors to create various smart image-based inspection and analysis tools that reduce the potential subjectivity and inconsistency of these inspections. This has resulted in significant improvements to existing tunnel inspection practices and structural health assessment. Current advances in image capture technology and computational processing power has enabled high integrity data to be easily captured, visualised and analysed. The work flows and tools developed take advantage of existing low-cost image capture hardware, opensource processing software and couples this with the creation of unique machine learning algorithms and analytics. Core innovations include: (i) use of low-cost photographic equipment for high quality imagery capture (ii) use of automated inspection vehicles for data capture (iii) Deep learning for automatic defect object recognition and defect classification (iv) Creation of immersive dashboards and 3D visualisations. This results in a suite of image based service offerings and deliverables, relevant to specific tunnel engineering issues and asset management aims. Thanks to deep learning, defect detection and asset condition metrics are automatically created, enabling: (i) the tunnel owner to gain greater insights into their asset resilience and operations, (ii) the tunnel engineer to focus on key issues aided by machine learning.