In de Nederlandse bodem ligt zo’n 100.000 km rioolpijp. Dit gigantische netwerk is onmisbaar voor onze volksgezondheid. Defecten aan het riool moeten dan ook snel worden gevonden en gerepareerd, maar het monitoren van het riool is een intensieve en kostbare aangelegenheid.

Momenteel is er gemiddeld één keer in de tien jaar inspectie van iedere rioolpijp. Met bijvoorbeeld video worden de pijpen in meerdere fasen handmatig gecontroleerd. Vaak is niet goed te zien wat de technische staat is en of defecten zijn ontstaan. Laat staan dat duidelijk wordt hoe groot een defect is en welke vervolgstappen nodig zijn.

Informatica en sanitary engineering

In het project SewerSense willen ingenieurs van Watermanagement aan de TU Delft en informatici van de Universiteit Leiden de data van verschillende sensoren gaan combineren. Ze willen de inspectie van de Nederlandse riolering gaan automatiseren en verbeteren. De mogelijkheid om specifieke defecten te vinden, zal daardoor groter worden, net als de precisie van de metingen. Ontstane defecten zijn sneller te vinden, zonder dat dit menselijke inspecteurs te zwaar belast.

Beeldverwerking

Onderzoekers van het Leiden Institute of Advanced Computer Science (LIACS) aan de Universiteit Leiden zijn verantwoordelijk voor de beeldverwerking. Naast het gebruik van uitgebreide camera’s en laser scanners wordt de rioolpijp ook gefilmd met stereocamera’s om defecten beter te kunnen onderscheiden. Verschillende computer vision technieken, waaronder deep learning, worden gebruikt om afwijkingen te herkennen en classificeren.

Deep learning

Arno Knobbe, projectleider bij LIACS: ‘Deep learning is een nieuwe techniek, specifiek geschikt voor het classificeren van plaatjes en daarmee van defecten aan de rioolpijpen. Het vergroot de betrouwbaarheid van de analyses, omdat de computer die doet in plaats van verschillende mensen met verschillende interpretaties. Onze computers herkennen bepaalde patronen die de camera toont. Deze lastige taak is mogelijk door recente ontwikkelingen in de deep learning wereld.’

Stereo vision

Door stereo vision toe te voegen, is bovendien diepte te onderscheiden. Knobbe: ‘Je neemt eigenlijk een foto, waarbij je bij elke pixel ook de afstand tot de camera weet, zodat je van een streepje kunt zien of het een scheur in de wand is of een wortel die naar binnen groeit. Uit de 3D-informatie in de vorm van een puntenwolk kun je ook de vorm van de buis bepalen.’

Zelflerende algoritmen

Defecten zijn bovendien veel sneller te vinden door het toepassen van zelflerende algoritmen, een andere expertise van Informatica aan de Universiteit Leiden. ‘Zelfs tot real-time’, aldus Knobbe. ‘Zo kun je vaker de toestand van het riool vaststellen tegen dezelfde kosten.’

Automatisch stappenplan opstellen

Met de verkregen informatie van de metingen in het riool én van gecontroleerde lab- en veldexperimenten zullen de modellen kunnen vaststellen hoe de defecten het systeem aantasten en welke vervolgstappen nodig zijn. Die zijn dan zelfs automatisch te onderscheiden in korte, middellange en lange termijn.