Smart and Automated Sewer Pipeline Defect Detection and Classification
Notice bibliographique
Résumé
Currently, the condition of a sewer pipe is assessed by an inspector monitoring live video supplied from a remotely controlled closed-circuit television (CCTV) camera. As the inspector guides the video camera through the pipe, she/he will look for different types of defects/anomalies, including structural, operational, construction features, and miscellaneous defects. Based on the National Association for Sewer Service Companies (NASSCO) standard, there are 224 different defects/sub-defects which can occur within a given inspection. Given the significant number of defects/sub-defects, assigning defect codes and their corresponding severities is prone to subjectivity and hence may impact the overall accuracy of the inspection interpretations. Inaccurate interpretations could mislead decision makers while selecting the proper intervention actions to sustain critical sewers. In an effort to speed up the overall inspection process and enhance the interpretation accuracy, this research aims at utilizing artificial intelligence and computer vision tools to detect and classify defects in accordance with existing standards; this research is a continuation of AECOM X Google Hack-a-thon’s proof of concept application. The smart and automated tool relies on enormous data obtained from the City of Toronto, multiyear program to build a reliable database. The initial results of the prototype showed promising detection and classification capabilities of defects and sub-defects including circumferential crack (CC), longitudinal fracture (FL), encrustation attached deposits (DAE), tab break-in (TB), tab break-in intruding (TBI), and obstruction intruding (OBI). The average accuracy achieved for the six anomalies was 85% where the maximum and minimum accuracy levels were 94% and 75%. This tool, once completed, will elevate the sewer inspection process by speeding up the inspection validation, enhancing accuracy, and maintaining consistency, thereby assisting in making proper decisions when selecting the required intervention actions.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,004 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».