Automatisoidun tulkinnan hyödyt viemäriputkien videokuvauksessa

Abstract

Viemäriputkien videokuvaus on kuntotutkimusmenetelmä, jolla voidaan tarkastella viemäriputken sisäpintaa rikkomatta putkimateriaalia. Kuvauksessa tuotettujen tarkastusvideoiden manuaalinen tulkinta on asiantuntijatyötä, joka vaatii runsaasti aikaa sekä ammattitaitoa, ja manuaalisen tulkinnan on osoitettu olevan epäluotettava menetelmä. Vaihtoehtoisesti tarkastusvideoiden tulkinta voidaan automatisoida, mikä tarkoittaa, että tulkinnan tekee ihmisen sijaan tietokone.

Opinnäytetyö toteutettiin kirjallisuuskatsauksena, jossa esitellään aiempia tutkimuksia aiheesta sekä niissä käytettyjä tekniikoita. Lisäksi työssä kuvaillaan viemäreiden tarkastusvideoiden automatisoidun tulkinnan hyötyjä ja siihen liittyviä haasteita.

Kirjallisuuskatsauksen perusteella voidaan todeta, että viemäreiden tarkastusvideoiden automatisoidulla tulkinnalla on mahdollista parantaa vikojen havaitsemistarkkuutta ja -nopeutta, mutta tosielämään soveltuvat vianhavaitsemismallit vaativat vielä kehitystyötä. Voidaan myös todeta, että syväoppimista hyödyntävät vianhavaitsemismallit suoriutuvat tehtävästään paremmin kuin perinteisiä koneoppimisen sovelluksia hyödyntävät vianhavaitsemismallit ja että niiden koulutus- ja testausaineiston laajuus sekä monipuolisuus ovat merkittävimpiä mallin suorituskykyyn vaikuttavia tekijöitä.

Työssä esiteltyjen tutkimusten aineisto on kerätty pääasiassa infrapuolen viemäriverkostoista. Tontin sisäpuolisten viemäriverkostojen vianhavaitsemismallia ei voida kouluttaa infrapuolen kuva-aineistolla, sillä niiden olosuhteet, kuten putkikoot ja -materiaalit, voivat olla keskenään erilaisia. Opinnäytetyössä on pohdittu tontin sisäpuolisten viemäreiden vianhavaitsemismallin kehittämisessä huomioitavia asioita.

Sewer pipe video inspection is a condition assessment method that allows the inspection of the inner surface of sewer pipes without penetrating the pipe material. Manual interpretation of inspection videos produced in the process is expert work that requires a lot of time and skill, and it has been shown to be an unreliable method. The interpretation of inspection videos can also be automated, meaning that a computer performs the interpretation instead of a human.

The thesis was conducted as a literature review, describing the previous research on the field and the benefits and challenges associated with automated interpretation of sewer inspection videos. Additionally, the thesis introduces techniques used in automated image interpretation.

Based on the literature review, it can be concluded that automated interpretation of sewer inspection videos has the potential to improve the accuracy and speed of defect detection, but real-world defect detection models still require further development. It can also be noted that defect detection models utilizing deep learning perform better than those using traditional machine learning applications, and that the size and diversity of training and testing datasets are the most significant factors affecting model performance.

The data presented in the thesis was primarily collected from municipal sewer networks. The defect detection model for private property sewer networks cannot be trained on municipal network image data because the conditions such as pipe sizes and materials may differ. The thesis discusses aspects to consider in the development of defect detection models for private property sewers.