Compania Kawasaki Geological Engineering (KGE) aplică tehnologia Zinrai AI a Fujitsu pentru a detecta cavitățile de sub stratul de asfalt, înainte ca acestea să se transforme în gropi periculoase, amenințare care se întinde pe străzile aproape tuturor orașelor.
Astfel de cavități, create de obicei fie de conducte deteriorate, fie prin eroziunea solului sau activitate seismică, se transformă adesea în depresiuni, doline sau gropi de scufundare. Precedate de o avertizare limitată sau absența uneori, aceste deformări de suprafața pot duce la accidente grave în traficul rutier și pietonal și în plus fac neutilizabile segmente de drum. În ultimii ani, astfel de gropi au devenit o preocupare majoră a societății în Japonia, cauzând anual peste 3.000 de incidente de prăbușire a carosabilului rutier.
Pentru a aborda problema, KGE a dezvoltat dispozitive radar specializate de sondarea a solului care trimit unde electromagnetice până la 3 metri sub suprafața drumului pentru a detecta existența și localizarea cavităților. Există însă un dezavantaj. Din cauza faptului ca dispozitivele scanează suprafața, analiza volumelor uriașe de date de imagine generate de aceste sonde care sunt tractate pe drumuri cu o viteza de pana la 60 km / h, nu este nici simplă, nici rapidă. a fost necesară verificarea vizuală intensă a imprimărilor de către echipe de ingineri calificați – de obicei, care lucrează în grupuri de trei pentru a se asigura că nu trec cu vederea niciuna dintre formele de undă care ar putea indica o cavitate.
Chiar dacă acest proces a fost eficient, conducerea KGE a dorit să exploreze noi abordări care ar putea face detecția cavităților și mai rapidă și mai puțin greoaie. Iar în ultimii ani, inteligența artificială a devenit candidatul principal pentru eficientizarea procedurilor.
Drumul către AI
Colaborarea a inclus unul dintre partenerii tehnologici existenți, Fujitsu Traffic & Road Data Service, o unitate a companiei Fujitsu, care a fost capabilă să implementeze la KGE tehnologia AI în mai puțin de o lună. Platforma Zinrai a fost utilizată pentru a crea și rula algoritmi AI, alături de ea au fost folosite serverele de gestionare a datelor și un motor de analiză care ar putea gestiona volumele uriașe de date de imagini provenite din sondajele rutiere.
Pentru KGE, rezultatele au fost impresionante, dar asta numai după ce echipele de dezvoltare au înțeles că e nevoie de extinderea sferei de pregătire a motorului AI, astfel încât acesta să poată distinge cavitățile de alte materiale aflate în zona subterană.
Perfecționarea modelului
„Obiectivul nostru inițial a fost să limităm instruirea AI la cavități”, spune Toshimune Imai, inginer specialist la KGE. În timp ce competențele inițiale permiteau motorului AI să găsească aproape fiecare apariție a unei cavități, s-a dovedit ulterior că acesta atribuia eronat unde si altor obiecte pe care nu le putea diferenția de cavități. S-a dovedit că trainingul inițial, cel doar pentru recunoașterea cavităților, nu a fost suficient. Acest lucru se datorează faptului că pietrele și bucățile de beton încorporate sub drum pot fi interpretate prea ușor de motorul AI ca niște cavități.
„Uneori, chiar și inginerii noștri fac această greșeală. Așa că am decis că, dacă un ochi uman bine pregătit poate face aceasta eroare, atunci si AI poate avea aceeași problemă ”, spune Toshimune Imai. Prin furnizarea unui set mai sofisticat de date de training, tendința către astfel de pozitive false a fost dramatic redusă și astfel AI a devenit mai precisa în identificarea cavităților reale.
Această creștere a acurateței a fost demonstrată într-o fază de testare care a folosit date de pe o porțiune de 10 km de drum. Tehnicienii KGE au identificat manual 50 de locații pe care le considerau cavități, în timp ce AI-ul a reușit să localizeze cu exactitate 82% dintre acestea, chiar dacă lucra cu un set de date neîntâlnite anterior. Așa cum remarcă Imai, acea rată de precizie crește doar pe măsură ce AI-ul absoarbe mai multe date.
Dacă nivelurile de precizie au fost mari, îmbunătățirea vitezei de prelucrare a fost și mai remarcabilă. O echipă de trei persoane formată din tehnicieni KGE ar fi avut nevoie de obicei o oră pentru a parcurge datele pentru o porțiune de 2 km de drum. Pentru același set de date, AI a avut nevoie de mai puțin de un minut – efectiv o reducere cu 90% a timpului de detecție primară.
Îmbunătățirea competenței umane cu AI
A mai existat un alt aspect important. ,,Atunci când un tehnician uman analizează datele, există o tendință de a verifica doar zonele de interes specific în setul de date mai larg, în timp ce AI „a adăugat obiectivitate analizei” prin scanarea tuturor datelor disponibile”, spune Imai.
În următorii ani, compania intenționează să creeze o unitate compactă de sondaj rutier, care să fie mai mobilă si care să poată fi folosită de personal mai puțin instruit și de vehicule nespecializate. Dacă senzorii ar fi montați pe vehiculele de patrulare pe care administrațiile locale deja le folosesc zilnic, analiza ar putea fi efectuată fără nici o pregătire.
În plus, odată cu apariția comunicațiilor 5G, KGE speră să ofere rezultatele sondajelor din patrulele sale rutiere aproape instantaneu clienților săi, autoritățile civice și contractanții lor, astfel încât aceștia să poată acționa înainte ca o cavitate să se transforme într-o groapă periculoasă.
Citiți și:
Fujitsu lansează o soluţie de analiză grafică bazată pe AI
Soluţie AI de reducere a riscurilor de coliziune
Inteligența artificială optimizează controlul traficului maritim al Japoniei
