改善下水道损坏检查:开发深度学习集成概念,用于多传感器系统

科学领域:

• 机器人和自动化机器人与自动化
• 人工智能的人工智能
• 土木工程 土木工程是指土木工程.

背景情况:

• 污水管道维护对城市基础设施至关重要,但依赖于手动,易出错的方法.
• 当前的人工智能驱动的下水道检查机器人缺乏足够的数据质量,无法进行可靠的深度学习 (DL) 模型培训.
• 现有的基于视觉的系统在全面的数据捕获和准确的损害评估方面扎.

研究的目的:

• 开发一个新的多传感器机器人系统,集成深度学习 (DL) 概念,用于自动化下水道检查.
• 为了克服当前基于视觉的检查机器人的数据质量限制.
• 提高下水道管道损坏检测和量化的可靠性和准确性.

主要方法:

• 对2D (图像) 和3D (点云) 污水管道检查技术进行了全面的审查.
• 设计了一个新的多传感器机器人系统,集成相机阵列,前置摄像头和LiDAR传感器.
• 针对每个传感器类型提出了量身定制的深度学习 (DL) 模型,以优化损坏检测和处理.

主要成果:

• 拟议的系统增强了对下水道检查的表面数据采集和整体数据质量.
• 将特定的损伤类型分配给最合适的传感器可以提高检测和量化准确性.
• 与单个传感器系统相比,采用定制的DL模型的多传感器方法在单个损伤类型上取得了更高的准确性.

结论:

• 开发的多传感器机器人系统为自动化下水道检查技术提供了重大进步.
• 将定制的深度学习模型与多传感器数据融合集成,可以提高损坏检测的准确性和可靠性.
• 这种方法为维护关键的城市地下基础设施提供了更强大,更有效的解决方案.