Tarkastusvideoiden koneellinen analysointi : viemärisaneerauksen pinnoituksen tarkastaminen
Koivisto, Sami (2025)
2025
All rights reserved. This publication is copyrighted. You may download, display and print it for Your own personal use. Commercial use is prohibited.
Julkaisun pysyvä osoite on
https://urn.fi/URN:NBN:fi:amk-2025091124614
https://urn.fi/URN:NBN:fi:amk-2025091124614
Tiivistelmä
Opinnäytetyön toimeksiantajan tavoitteena oli kehittää menetelmä, jonka avulla voidaan analysoida viemäriputkien saneerauksessa käytettävän sukituksen tarkastusvideoita. Työn koneellistamisella on tarkoitus lisätä työn tarkkuutta ja tehokkuutta. Työn toimeksiantaja Aividin OY tekee sukituksen tarkastuksia.
Videoiden analysointiin hyödynnetään objektintunnistusmenetelmiä ja erityisesti YOLOv8-mallia, joka on tarkka, avoimen lähdekoodin reaaliaikainen syväoppimiseen perustuva tunnistusmenetelmä.
Työn alussa perehdytään objektintunnistuksen perusteisiin, openCV-kirjastoon, konvoluutioneuroverkkoihin (CNN) sekä YOLO-pohjaisen tunnistusprosessin toimintaan. Tämän jälkeen käydään läpi koulutusdatan käsittely, kuvankäsittely, annotointi ja augmentointi sekä käytetyt ohjelmistotyökalut. Seuraavaksi käsitellään koulutuksen toteutusprosessia vaiheittain, käyden läpi menetelmiä ja kohdattuja haasteita. Raportointiohjelmiston avulla rakennetaan tarkastuksesta visuaalisesti selkeä raportointi tarkastajaa varten. Lopuksi arvioidaan työn onnistumista ja mahdollisia jatkokehitysmahdollisuuksia.
Työn tulosten avulla voidaan säästää ihmistyötä ja automatisoida videoiden tarkastusta koulutetun objektintunnistusmallin avulla. Hyvän rakennustavan mukaisesti sukituksen asennus tarkastetaan videoinnin avulla, mikä tuottaa suuria määriä materiaalia. Automatisoitu analysointi tehostaa tätä prosessia ja vähentää ihmistyötä merkittävästi. The objective of the thesis commission was to develop a method for analyzing inspection videos used in the rehabilitation of sewer pipes with lining. Aividin Oy conducts lining inspections, and the automation of this process aims to improve both the accuracy and efficiency of the analysis. The proposed solution utilizes object detection methods, specifically the YOLOv8 model, an open-source, real-time deep learning-based detection system known for its high accuracy.
The work begins by introducing the theoretical foundations of object detection, the OpenCV library, convolutional neural networks (CNNs), and the operational principles of YOLO-based detection. Subsequent sections address training data processing, including image handling, annotation, augmentation, and the software tools employed. The training implementation process is described step by step, highlighting applied methods and challenges encountered. Using reporting software, the system generates visually clear inspection reports for end-users.
The results demonstrate that the trained object detection model can reduce manual labor and automate video inspections. In accordance with construction industry standards, relining installations are inspected via video, producing large volumes of data. Automated analysis significantly streamlines this process and minimizes the need for human intervention. The project’s success is evaluated, and potential future development opportunities are discussed.
Videoiden analysointiin hyödynnetään objektintunnistusmenetelmiä ja erityisesti YOLOv8-mallia, joka on tarkka, avoimen lähdekoodin reaaliaikainen syväoppimiseen perustuva tunnistusmenetelmä.
Työn alussa perehdytään objektintunnistuksen perusteisiin, openCV-kirjastoon, konvoluutioneuroverkkoihin (CNN) sekä YOLO-pohjaisen tunnistusprosessin toimintaan. Tämän jälkeen käydään läpi koulutusdatan käsittely, kuvankäsittely, annotointi ja augmentointi sekä käytetyt ohjelmistotyökalut. Seuraavaksi käsitellään koulutuksen toteutusprosessia vaiheittain, käyden läpi menetelmiä ja kohdattuja haasteita. Raportointiohjelmiston avulla rakennetaan tarkastuksesta visuaalisesti selkeä raportointi tarkastajaa varten. Lopuksi arvioidaan työn onnistumista ja mahdollisia jatkokehitysmahdollisuuksia.
Työn tulosten avulla voidaan säästää ihmistyötä ja automatisoida videoiden tarkastusta koulutetun objektintunnistusmallin avulla. Hyvän rakennustavan mukaisesti sukituksen asennus tarkastetaan videoinnin avulla, mikä tuottaa suuria määriä materiaalia. Automatisoitu analysointi tehostaa tätä prosessia ja vähentää ihmistyötä merkittävästi.
The work begins by introducing the theoretical foundations of object detection, the OpenCV library, convolutional neural networks (CNNs), and the operational principles of YOLO-based detection. Subsequent sections address training data processing, including image handling, annotation, augmentation, and the software tools employed. The training implementation process is described step by step, highlighting applied methods and challenges encountered. Using reporting software, the system generates visually clear inspection reports for end-users.
The results demonstrate that the trained object detection model can reduce manual labor and automate video inspections. In accordance with construction industry standards, relining installations are inspected via video, producing large volumes of data. Automated analysis significantly streamlines this process and minimizes the need for human intervention. The project’s success is evaluated, and potential future development opportunities are discussed.