Data og algoritmer skal hjælpe med at vedligeholde vores kloakker

Du har nok ikke rigtig skænket den en tanke, udover hvis den lugter eller stopper til.

Kloakkerne er imidlertid en af de vigtigste infrastrukturer i det moderne samfund. Men hvad sker der, når kloakkerne ikke virker, som de skal?

Er det frem med den store svupper og håbe på det bedste?

Ikke helt. I virkeligheden kræver det uddannede kloakinspektører, som er eksperter i at manøvrere en fjernstyret robot igennem kloakkerne, mens de kigger efter fejl på et tv-billede fra robotten.

Der er dog langt flere kloakker, end der er kloakinspektører, hvilket betyder, at der kan gå lang tid mellem inspektioner. Derfor øges risikoen for, at noget kan gå galt med kloakken. Noget, der både kan være dyrt at reparere og have store konsekvenser for vores miljø og sundhed.

Derfor er der i mere end 30 år blevet forsket i automatisering af kloakinspektion i form af automatisk navigation af robotter og automatisk fejlgenkendelse ved brug af billeder.

I vores forskning i Visual Analysis and Perception (VAP) laboratoriet ved Aalborg Universitet har vi taget det første spadestik ved at udgive verdens første og mest diverse dataset til genkendelse af fejl i kloakker ud fra billeder.

De tre store forhindringer

Selvom man har forsøgt at automatisere kloakinspektioner i mere end 30 år, er vi endnu ikke nået til et punkt, hvor teknologien er god nok til at blive anvendt i praksis.

Med det sidste årtis fremskridt i computer vision (automatisk forståelse af indholdet i et billede) og kunstig intelligens, er der blevet kastet brænde på fejlgenkendelses-bålet. Bålet kan dog kun brænde ordentligt, hvis tre store forhindringer overkommes:

• Mangel på et datasæt, som alle har ligelig adgang til.
• Manglende fælles tilgang til, hvordan algoritmerne bliver bedømt.
• En tendens til ikke at dele kode og trænede algoritmer.

Disse tre forhindringer gør det svært for udefrakommende fagfolk at blive del af et meget specialiseret forskningsområde.

Der er dog tegn på fremgang. Frit tilgængelige datasæt og tilhørende konkurrencer, såsom ImageNet, COCO, og MOTChallenge, har nemlig været en essentiel del af computer vision-miljøets fremgang det seneste årti.

Hvis de tre nævnte forhindringer kan overkommes, er drømmen om automatiserede kloakinspektioner en tak tættere på.

I VAP-laboratoriet arbejder vi ikke bare med at forbedre kloakinspektioner ved brug af moderne og nye computer vision-algoritmer, vi arbejder også for at gøre dette forskningsfelt mere tilgængeligt for alle.

\ Læs mere

Satellitdata kan hjælpe os til at forstå Jordens vandkredsløb og tørkehændelser

1,3 millioner danske kloakbilleder

I VAP-laboratoriet har vi derfor samlet et kæmpe datasæt med fokus på at genkende fejl i kloakker bestående af 1,3 millioner unikke billeder.

Datasættet tager afsæt i 75.618 forskellige inspektioner foretaget for tre danske vandforsyninger over en periode på ni år. Dette giver et helt unikt datasæt med en kæmpe diversitet af kloaktyper, former, og materialer.

Et stort datasæt er dog intet værd, hvis ikke der er gode annoteringer, det vil sige beskrivelser af, hvad der er i billederne.

Derfor er alle billederne set igennem af professionelle kloakinspektører i henhold til den danske standard for kloakinspektioner, Fotomanualen, udarbejdet af Dansk Vand- og Spildevandsforening (DANVA).

Ved at følge Fotomanualen bliver der tilskrevet nul, en, eller flere observationsklasser, uformelt kaldet fejlklasser, ud af i alt 17 forskellige muligheder til hvert billede.

Alle fejlklasser forekommer dog ikke lige hyppigt. Vi kan ud fra vores data se, at der er en stor skævvridning mellem de 690.722 normale kloakbilleder uden nogle fejlklasser, den oftest forekomne klasse forskudt samling (FS) med 355.982 billeder og den sjældneste klasse 'Opskæring af stik' (OS) med 5.612 billeder.

Denne skævvridning af data gør datasættet unikt, da man i forbindelse med automatisering af kloakinspektioner typisk arbejder med antagelsen om, at de forskellige kloak-fejlklasser forekommer ensartet.

Hyppigheden af en fejl er dog ikke direkte forbundet med, hvor alvorlig den er.

Alle fejlklasserne er ikke lige alvorlige

Selvom det endelige mål er at kunne genkende alle fejlklasser hver gang, er dette umuligt i øjeblikket grundet problemets enorme kompleksitet.

Derfor er det nødvendigt, at vi målretter vores energi på de fejlklasser, som har størst betydning.

Dansk Vand- og Spildevandsforening har udarbejdet et struktureret pointsystem, hvor hver fejlklasse er tildelt en pointværdi, der repræsenterer alvorligheden af fejlklassen.

Ved hjælp af pointværdier er det muligt at sammenligne de forskellige fejlklassers genkendelsesrate i forhold til deres alvorlighed.

Ved at lave denne kommer vi frem til, at:

• De alvorlige fejlklasser er ikke altid de hyppigste
• De alvorlige fejlklasser er nogle af de sværeste at genkende

I boksen under artiklen dykker vi mere ned i, hvilke fejltyper der er de mest almindelige og mest alvorlige.

Årsagen til den lave genkendelsesrate skyldes dog ikke kun hyppigheden af de forskellige fejlklasser.

\ Læs mere

Nyt studie: Spildevandet i din kloak afslører meget om dit liv og helbred

Enorm visuel variation i de forskellige fejlklasser

De 17 forskellige fejlklasser dækker over alt, hvad der tænkes relevant at dokumentere under en kloakinspektion. Fejlklasserne dækker dog over mange forskellige scenarier, som ser ud på vidt forskellige måder i kloakkerne.

Det er i denne variation i udseende af hver fejlklasse, og til dels hvor ens forskellige fejlklasser kan se ud, at forskellen i genkendelsesraten skal findes.

Den hyppigste fejlklasse, forskudt samling (FS), er også den med højeste genkendelsesrate. Det er dog også en af de mest visuelt ensartede fejlklasser, der forekommer i kloakkerne. De forskudte samlinger er nemlig kendetegnet ved en tydelig kant mellem rørene, hvilket gør det nemt at genkende denne fejlklasse (se foto øverst i artiklen). Når rørene er forskudte kan dette lede til at kloakvand kan sive ud i jorden og potentielt ned i grundvandet.

Modsat er der en meget stor variation i, hvordan den alvorligste fejlklasse 'Revner/brud' (RB) ser ud. RB-fejlklassen dækker nemlig over de fejl, hvor selve røret er fysisk brudt, hvilket kan ske på mange forskellige måder.

Denne store variation, samt den lave forekomst af denne type fejl, resulterer i, at det er svært at genkende forekomster af denne fejlklasse.

For at inspektionsprocessen af kloakker kan blive automatiseret, skal denne variation i de mest alvorlige fejlklasser håndteres.

\ Læs mere

Togforsinkelser kan udryddes med algoritmer og logik

Verdens første frie kloakdatasæt

Derfor har vi i VAP-laboratoriet valgt - som de første i verden - at gøre vores datasæt frit tilgængeligt for alle, der er interesserede i at forske i automatisk genkendelse af kloakfejl i håbet om at overkomme de tre store forhindringer (mangel på lige adgang til data, manglende fælles tilgang til, hvordan algoritmerne bliver bedømt og tendens til ikke at dele kode)

Det har allerede resulteret i flere henvendelser fra forskere på tværs af hele kloden.

Ud over datasættet sammenligner vi 12 moderne algoritmer. Vi foreslår en struktureret proces, hvor algoritmerne vurderes baseret på fejlklassernes alvorlighed, og vi offentliggør vores kode og de trænede algoritmer.

Disse resultater præsenteres på konferencen Computer Vision and Pattern Recognition (CVPR) i juni 2021, og den tilhørende videnskabelige artikel kan læses her.

Selvom vores datasæt er det mest diverse datasæt i øjeblikket, håber vi, at offentliggørelsen kan lede til en større interesse og åbenhed inden for dette forskningsområde.

Vi håber også, at det vil lede til flere åbne datasæt fra forskellige steder i verden, sådan at geografisk skævvridning kan omgås, og fejl i kloakker kan blive genkendt automatisk på tværs af hele kloden.

Forskningen, som denne artikel bygger på, er støttet af Innovationsfonden og er en del af projektet 'Automated Sewer Inspection Robot (ASIR)' (Grant 8055-00015A).

\ Læs mere

Spiser kloakrotter menneskelort?

\ Læs mere

Toilettet: Dét medicinske fremskridt, der har reddet flest menneskeliv