ASINVOS

Die meisten öffentlichen Infrastrukturen in städtischen Gebieten sind in die Jahre gekommen und müssen häufig inspiziert werden. Die Erkennung von Schäden und ein solides Management für die Instandhaltung sind der Schlüssel, um ihre dauerhafte Verfügbarkeit zu gewährleisten. Aktuelle Bewertungsmethoden konzentrieren sich meist auf die visuelle Inspektion, die manuell durchgeführt wird und daher übermäßig viel Handarbeit erfordert. So kann die Zeit zwischen der eigentlichen Inspektion und der abschließenden Bewertung bis zu mehreren Monaten dauern. In der Zwischenzeit können kleine Schäden wie Risse zu erheblichen Ausfallzeiten mit hohen Auswirkungen für die Bevölkerung führen.

Das Projekt ASINVOS hat sich zum Ziel gesetzt, diesen Prozess durch den Einsatz von maschinellen Lernverfahren weitestgehend zu automatisieren. Die Grundidee besteht darin, ein selbstlernendes System mit manuell annotierten Daten aus früheren Inspektionen zu trainieren, so dass das System lernt, zugrunde liegende Muster der Notlage zu erkennen. Sobald das System in der Lage ist, intakte Infrastrukturen zuverlässig zu identifizieren, kann es den menschlichen Arbeitsaufwand reduzieren, indem es dem Bediener nur noch Notstandskandidaten präsentiert. Dies trägt dazu bei, den Inspektionsprozess deutlich zu beschleunigen und gleichzeitig die Kosten zu senken. Außerdem können die Inspektionsintervalle reduziert werden, was hilft, Mängel rechtzeitig zu beheben.

Das System wird auf zwei Arten von Infrastruktur, nämlich Wasserleitungen und öffentliche Straßen, angewendet, um die Vielseitigkeit des selbstlernenden Systems zu zeigen.