Op weg naar slim rioolbeheer

Een inspectievoertuig met verschillende camera’s en sensoren in combinatie met automatische beeldherkenning vormt de basis van SewerSense, een slim assetmanagementsysteem voor rioolstelsels dat de TU Delft en de Universiteit Leiden ontwikkelen. Onderzoekers Lisa Scholten en Dirk Meijer lichten toe.

Om ons afvalwater te transporteren naar rioolzuiveringsinstallaties ligt in de Nederlandse ondergrond een gigantisch netwerk van rioolbuizen. Totaal gaat het om meer dan 130.000 kilometer aan leidingen. Het is van groot belang dat dit netwerk goed functioneert en niet beschadigd raakt. Als dat wel gebeurt, kan vuil afvalwater bijvoorbeeld de bodem en het grondwater verontreinigen. Ook kunnen lekken ertoe leiden dat het riool als drainagesysteem gaat werken. Daardoor worden grote hoeveelheden grondwater afgevoerd naar de zuiveringsinstallatie, wat een negatief effect heeft op het zuiveringsrendement. En ingegroeide wortels kunnen de afvoer belemmeren en ongewenste sedimentatie veroorzaken. Om dit soort gebeurtenissen te voorkomen, wordt elk stuk riool gemiddeld eens in de tien jaar geïnspecteerd. Hierbij wordt een camera door de buizen gevoerd, waarbij een inspecteur de beelden beoordeelt en de actuele staat van de buizen vaststelt.

“Het beoordelen van de beelden is niet eenvoudig en afhankelijk van de beoordelaar”, legt Scholten uit. “Is er bijvoorbeeld sprake van een diepe scheur die spoedig leidt tot lekkage of instorting van de rioolbuis of is het een onschuldige verkleuring van de wand? Op de camerabeelden is dat vaak niet goed te zien, waardoor er bij het beoordelen geregeld fouten worden gemaakt. Daar komt bij dat ook op basis van een juiste beoordeling vaak niet duidelijk is hoe lang een rioolbuis nog kan worden gebruikt voordat er problemen ontstaan, zoals lekkage of instorting. Een deel van de oplossing voor dit probleem is het verzamelen van betere en betrouwbaarder informatie over de staat van het riool.”

Hardware en software

Scholten vervolgt: “Dit proberen we in het project SewerSense via twee sporen te bereiken. Binnen het eerste spoor onderzoeken we of met andere camera’s en sensoren de kwaliteit van de inspectiebeelden te verbeteren is. Met een 3D-camera kun je bijvoorbeeld diepte goed in beeld brengen en met een laserscanner kun je nauwkeurig de geometrie van rioolbuizen bepalen en vervormingen vaststellen. Om tot een goede keuze voor camera’s en sensoren te komen, werken we onder andere samen met collega-onderzoekers Mathieu Lepot en Francois Clemens. Zij werken aan een soort amfibievoertuig, waarmee riolen kunnen worden geïnspecteerd die in gebruik zijn. Voor hun onderzoek beproeven zij dit voertuig met allerlei sensoren zoals lasers, infraroodcamera’s en binnenkort sonar. Aan de hand van hun onderzoek wordt duidelijk welke technieken betere informatie opleveren.”

Meijer vult aan: “Naast betere beelden werken we ook aan een methode om de beoordeling objectiever en efficiënter te maken. Daarbij maken we gebruik van zogeheten neurale netwerken; geavanceerde computerprogrammatuur die min of meer op eenzelfde manier werkt als het menselijke brein. Zo’n neuraal netwerk is zelflerend en kun je trainen. Daarvoor gebruik ik circa twee miljoen beelden die de afgelopen jaren met inspectiecamera’s in rioolstelsels zijn gemaakt.”

“De training bestaat eruit dat ik het netwerk steeds een beeld voorleg dat het moet beoordelen. In het begin gokt het netwerk of er wel of geen schade zichtbaar is. Vervolgens ‘vertel’ ik het netwerk wat het juiste antwoord is. Die kennis gebruikt het netwerk bij volgende beoordelingen, het vergelijkt nieuwe beelden met beelden die het eerder heeft gezien. Daardoor wordt het steeds beter in het herkennen van de verschillende vormen van schade. Aangezien we het netwerk zodanig willen trainen dat het straks alle schadevormen herkent, gaan we ook laboratoriumexperimenten uitvoeren. Daarvoor gaan we met verschillende camera’s en sensoren beelden maken van specifieke schadegevallen. Die beelden willen we ook gebruiken voor het trainen van het netwerk.”

‘Door het trainen wordt het systeem steeds beter in het herkennen van de verschillende vormen van schade.’

“Een belangrijk voordeel van geautomatiseerde beeldherkenning is tijdwinst. Een computer kan een grote hoeveelheid beelden veel sneller beoordelen dan een mens. Daarnaast vermindert automatische beeldherkenning de kans op menselijke fouten. De objectiviteit neemt dus toe. Overigens is het niet zo dat de rol van de inspecteurs bij het beoordelen volledig verdwijnt. Zo zullen er altijd beelden blijven waarover ook het neurale netwerk twijfelt. Die beelden worden ter beoordeling voorgelegd aan de inspecteur.”

Nauwkeurig voorspellen

Scholten: “Zoals ik al zei zijn betere en betrouwbaarder informatie alleen niet voldoende. Rioolbeheerders moeten ook weten wat een bepaald defect betekent voor het gebruik van het riool om op basis van de inspectieuitkomsten goede besluiten te kunnen nemen over het onderhoud. Ook daarbij willen we hen helpen. Ons plan is een model te ontwikkelen dat aangeeft hoe groot de kans is dat een bepaald defect zoals een scheur in de wand van een rioolbuis, tot een ernstig probleem of storing leidt. Denk aan lekkage of het instorten van een deel van het riool. Daarbij willen we allerlei belangrijke factoren meenemen zoals de leeftijd en het materiaal van het betreffende riool, de lokale bodemopbouw en de externe belasting. Rijdt er bijvoorbeeld veel verkeer over het riooltracé?”

“De ontwikkeling van een dergelijk model is een kwestie van lange adem. Om betrouwbare voorspellingen te kunnen doen, hebben we veel gegevens nodig, het liefst van twee of meer opeenvolgende inspecties. Op dit moment hebben we die nog nauwelijks. We vullen het model nu met gegevens uit datasets van twee gemeenten. Aan de hand van die gegevens bepalen we of we extra data van gemeenten nodig hebben, en of we wellicht ook expertkennis moeten verzamelen en invoeren. Uiteindelijk hopen we het model zo goed te krijgen, dat we er nauwkeurig mee kunnen vaststellen welke combinatie van factoren bepalend is voor de de kans op een storing en hoe groot de bijdrage van elke afzonderlijke factor is. Die kennis is belangrijk om te bepalen hoeveel riool vervangen dient te worden en welke stukken prioriteit moeten krijgen. Daarnaast hopen we met het model verschillende onderhoudsstrategieën te kunnen beoordelen en de toegevoegde waarde van geautomatiseerde beeldherkenning aan te tonen.”