Водопропускные трубы являются важными, но часто игнорируемыми сооружениями в наших городах. Эти туннели или трубы позволяют воде течь под дорогами, железными дорогами или другой инфраструктурой, играя решающую роль в управлении водными ресурсами. По оценкам, только в Великобритании насчитывается более миллиона водопропускных труб. Однако, когда эти водопропускные трубы блокируются обломками или мусором, они могут вызвать наводнение. Мониторинг их является серьезной проблемой, но новые исследования показывают, что ИИ, обученный на данных камер видеонаблюдения, может революционизировать этот процесс.

Управление водными ресурсами было основной проблемой для городов с древних времен. Эффективные канализационные системы были среди ключевых инноваций, которые способствовали расширению городов. Однако в наше время городские районы сталкиваются с растущим риском наводнений, особенно в связи с тем, что изменение климата усиливает штормы и осадки. Во многих городах участились наводнения, что привело к дорогостоящему ущербу.

Хотя это новое исследование, возможно, не полностью решит проблему наводнений в городах, оно направлено на конкретную проблему: обнаружение засоров водопропускных труб.

Входы в водопропускные трубы обычно оснащены экранами (обычно набором решеток), которые предназначены для предотвращения прохождения мусора. По иронии судьбы, однако, эти экраны часто сами засоряются. А если они засорятся, они станут серьезной угрозой наводнений. Муниципалитеты решают эту проблему двумя способами. Либо у них есть команды, которые регулярно убирают эти входы, либо они убирают их, когда получают предупреждение о наводнении.

Оба этих подхода имеют недостатки. Регулярная очистка водопропускных труб бригадами безопасна, но при отсутствии засоров тратится много ресурсов, а реактивная очистка может оказаться слишком запоздалой или даже опасной для бригады по уборке.

Рори Смит и его коллеги из Университета Бата считают, что есть лучший способ решения задач.

ИИ, знакомься, водопропускные трубы

Они разработали метод, который использует камеры видеонаблюдения для постоянного наблюдения за мусорными сетками. Используя камеры видеонаблюдения и классификацию на основе изображений, эта система может определить, заблокирована или разблокирована водопропускная труба, что позволяет быстрее и эффективнее реагировать и снижать риск городских наводнений.

Исследование было сосредоточено на экране Tongwynlais в Кардиффе, где камера видеонаблюдения делает регулярные изображения каждое утро, а также дополнительные изображения, когда уровень воды повышается. Первоначально они начали с 755 изображений и после контроля качества сократили набор данных до 577 изображений. Около 80% этих изображений показали заблокированные экраны, а 20% — незаблокированные.

Исследователи изучили три подхода к получению данных, поскольку из-за гораздо большего количества заблокированных изображений, чем незаблокированных, модель может стать предвзятой, что приведет к неверным прогнозам. Подходы были:

1. Использование исходного несбалансированного набора данных — Эта модель тренировалась на всех изображениях такими, какие они есть.
2. Недостаточная выборка — Количество заблокированных изображений было уменьшено, чтобы соответствовать количеству разблокированных изображений, что позволило создать более сбалансированный набор данных.
3. Увеличение данных — Количество разблокированных изображений было искусственно увеличено за счет добавления шума к изображениям, что позволило расширить набор данных, не требуя дополнительных примеров из реальной жизни.

Из трех подходов увеличение данных показало лучшие результаты: точность модели повысилась на 8%, а общая точность составила 88%. Это улучшение подчеркивает потенциал увеличения данных как решения для работы с несбалансированными наборами данных, распространенной проблемой в машинном обучении.

Этот подход можно масштабировать

Хотя исследование было сосредоточено на одном мусорном экране в Кардиффе, его последствия гораздо шире. В будущем подобные системы можно будет установить во всех городах, создав сеть мониторинга наводнений в режиме реального времени. Однако прежде чем это видение сможет стать реальностью, необходимо решить несколько проблем.

Каждая водопропускная труба уникальна, и условия, влияющие на мусорные сетки, могут сильно различаться. Одним из решений могла бы стать разработка базы данных предварительно обученных моделей для различных типов водопропускных труб, что позволит новым установкам извлечь выгоду из трансферного обучения — процесса, который адаптирует существующую модель к новому местоположению.

В будущем подобные системы могут стать основой сети раннего предупреждения о наводнениях в городах, предоставляя данные в режиме реального времени для
власти и помогая им реагировать до того, как произойдет стихийное бедствие. При продолжении исследований и разработок эта технология может революционизировать то, как мы управляем городской водной инфраструктурой в условиях меняющегося климата.

Ссылка в журнале: Рори Корнелиус Смит и др., Классификация заблокированных мусорных экранов на основе изображений систем видеонаблюдения, Журнал управления рисками наводнений (2024). DOI: 10.1111/jfr3.13038