Infrastrukturwartung mit künstlicher Bildverarbeitung

Die Entwicklung der künstlichen Bildverarbeitung und die stetige Weiterentwicklung der Bildaufnahmesysteme vervielfachen die Anwendungsmöglichkeiten dieser Technologien, die sich auf jeden Tätigkeitsbereich übertragen lassen. Satellitenbilder; Aufnahmen von festen und mobilen Kameras, sowohl terrestrisch als auch aus der Luft; mittels Ultraschall oder Hochfrequenz gewonnene Aufnahmen und alle Methoden, die eine visuelle Darstellung eines Ausschnitts der Realität ermöglichen, werden bereits in den unterschiedlichsten Bereichen eingesetzt, etwa beim autonomen Fahren, der Flottenoptimierung, der medizinischen Diagnostik, der Analyse weitläufiger Flächen (Brandschutz, Landwirtschaft, Katastrophenschutz, Seeüberwachung usw.) oder der Wartung großer Infrastrukturen, um nur einige Anwendungen zu nennen.

In diesem Beitrag konzentrieren wir uns auf den Nutzen in letzterem Bereich, der Wartung großer Infrastrukturen und Flächen. Vielleicht haben Sie sich noch nie Gedanken darüber gemacht, wie komplex und kostspielig die Überwachung und Instandhaltung bestimmter Anlagen und Flächen ist, die sich über riesige Gebiete erstrecken. Um die Begriffe zu verdeutlichen: Beispiele für solche gewaltigen Wartungsaufgaben sind Straßen, Forstbetriebe, Pipelines für den Transport von Kohlenwasserstoffen, Stromleitungen oder Bahnstrecken.

Traditionell wurden diese und viele andere Inspektionen auf dem Landweg (zu Fuß oder mit Fahrzeugen) oder, seltener, aus der Luft (mit Hubschraubern und in jüngster Zeit mit Drohnen) bei sehr weitläufigen Netzen wie Hochspannungsleitungen durchgeführt, und zwar mittels planmäßiger Sichtkontrollen der gesamten Anlage oder eines Teils davon. Die Investition in Zeit, Ressourcen und Kapital ist entsprechend hoch, bei einem System, das sich nicht als vollständig wirksam erweist, da der Erfolg davon abhängt, ob das Auftreten von Anomalien mit dem geplanten Inspektionstermin zusammenfällt, sowie von den Licht- und Wetterbedingungen.

Die Notwendigkeit, die Wartungssysteme großer Infrastrukturen zu verbessern, sowie die rasante technologische Entwicklung ermöglichen es, diese Aufgaben durch die Analyse von Satellitenbildern, von Kameraaufnahmen oder durch die Kombination beider Methoden durchzuführen. Doch wie gelingt es, Anomalien über Kilometer hinweg mit Fernaufnahmen zu erkennen? Dank Künstlicher Intelligenz.

Maschinelles Lernen und neuronale Netze

Heutzutage können wir Maschinen so einsetzen, dass sie abweichende Elemente in Bildern erkennen und Alarm schlagen. Um dies zu erreichen, müssen Computer lernen, welche Inhalte als normal einzustufen sind und welche eine Störung oder Abweichung darstellen. Darüber hinaus sorgt der Einsatz von Machine Learning – jenem Teilbereich der Künstlichen Intelligenz, der, wie der Name schon sagt, das Lernen von Maschinen ermöglicht – dafür, dass die Systeme ihre Datenbanken selbstständig erweitern, um immer effizienter und autonomer zu werden und einen besseren Service zu bieten.

In diesem Zusammenhang hat sich Deep Learning, also tiefes Lernen, bei der Analyse, Erkennung und Klassifizierung von Bildern als besonders wirksam erwiesen. Mithilfe des Konzepts eines Netzes erzeugt es künstliche neuronale Netze, deren Verhaltensdynamik der biologischer neuronaler Netze ähnelt. Dabei durchlaufen die verwendeten Klassifizierungsalgorithmen jeweils kleine Bereiche des Bildes und nicht das Bild als Ganzes. So durchläuft eine kleine Gruppe von Pixeln die verschiedenen Schichten des Netzes, die so organisiert sind, dass die ersten einfache Formen (Linien, Kurven, Farben usw.) erkennen und bei jedem weiteren Schritt zunehmend komplexere Elemente (Figuren, Gesichter usw.) identifizieren.

Nach Abschluss der Analyse, die umso präziser ist, je mehr Schichten das Netz umfasst, ergibt sich ein prozentuales Ergebnis, das die Wahrscheinlichkeit angibt, mit der ein Bild zu einer vorab festgelegten Kategorie gehört, die das System zu erkennen trainiert wurde. Um dies besser zu verstehen, greifen wir noch einmal die Beispiele vom Anfang auf. Nehmen wir an, auf einem Bahnabschnitt taucht ein Hindernis auf den Gleisen auf, oder auf einer Waldfläche fällt Vegetation auf eine Brandschneise. In solchen Fällen sind die neuronalen Netze darauf trainiert, die Bilder anhand fortlaufender Scans von Pixelgruppen zu analysieren und Auffälligkeiten zu erkennen, also Elemente, die sich an Stellen befinden, an denen sie nicht sein sollten, und die die vom System als optimal validierten Muster verändern.

Erkennen, identifizieren und kategorisieren

Aber konkretisieren wir das noch etwas. Bei einer Infrastruktur von enormer Ausdehnung, wie etwa Energietransportnetzen, die sogar Ländergrenzen überschreiten, kann die Auswertung von Satellitenbildern oder Kameraaufnahmen zeigen, dass ein abweichendes Muster an einer bestimmten Stelle der Strecke mit einer Wahrscheinlichkeit von 92 % auf einen Bruch in einem Leitungsabschnitt hinweist, mit 6 % auf einen Brand und mit 2 % auf ein der Struktur fremdes Element. Sobald die Anomalie erkannt sowie die wahrscheinlichen Ursachen identifiziert und kategorisiert wurden, kann das Wartungsteam deutlich effizienter handeln; zum einen dank der Früherkennung, zum anderen weil Entscheidungen und Maßnahmen auf gesicherten Fakten beruhen – oder zumindest auf hohen Übereinstimmungsgraden mit der Realität.

Dadurch steigert die künstliche Bildverarbeitung die Wirksamkeit der Maßnahmen und senkt die Kosten, sowohl bei der Überwachung als auch beim Umgang mit erkannten Anomalien – und das macht sich bei großen Flächen, von denen einige Hunderte von Kilometern oder Quadratkilometern umfassen, in Tausenden von Euro bemerkbar. Aber es geht nicht nur ums Geld: Die Wartungsprozesse für weitläufige Infrastrukturen oder Flächen werden auch sicherer für die Mitarbeiter, da Sichtkontrollen vor Ort durch automatisierte Bildanalyse ergänzt werden, was die Unsicherheit verringert und eine besser planbare Umsetzung von Korrekturmaßnahmen ermöglicht.

Kurz gesagt: Frühwarnungen, vereinfachte Entscheidungsprozesse, eine sinnvolle Ergänzung zu bodengestützten oder luftgestützten Mitteln, mehr Sicherheit bei den Abläufen, gezielter Ressourceneinsatz dort, wo er wirklich benötigt wird, sowie umfangreiche Untersuchungen in kürzester Zeit machen die Infrastrukturwartung mit künstlicher Bildverarbeitung zu einer Realität bzw. Notwendigkeit, die sich in einer Industriebranche bereits durchsetzt, die zunehmend bereit ist, die Vorteile der digitalen Transformation zu nutzen.