STRUCTURE | Predictief onderhoud van transportinfrastructuur via multi-modal sensing en AI

Regio:

Vlaanderen

Gefinancierd door

AI-gestuurde infrastructuurinspectie met multi-modal sensing

Transportinfrastructuren zoals bruggen, wegen en tunnels verouderen, terwijl de beschikbare inspectiemiddelen beperkt blijven. STRUCTURE ontwikkelt AI-gestuurde inspectie- en predictieve onderhoudsaanpakken die verschillende multi-modal sensing-technologieën combineren, zoals RGB- en infraroodbeelden en LiDAR-puntwolkdata. Zo ondersteunt het project veiliger, efficiënter en datagedreven infrastructuurbeheer.

Doelgroep

Het project is relevant voor:

Eigenaars en beheerders van infrastructuur
Mobiliteitsoperatoren
Dienstverleners voor inspectie en onderhoud
Overheden en assetmanagers

Context

Huidige inspectiepraktijken voor infrastructuur blijven grotendeels manueel, periodiek en gefragmenteerd. Inspecties vereisen vaak dure interventies en tijdelijke afsluitingen, terwijl de resultaten sterk afhankelijk zijn van interpretatie door experten en niet altijd consistent zijn in de tijd.

Tegelijk genereren mobiele sensingplatformen en geavanceerde sensoren steeds grotere hoeveelheden data, waaronder visuele, thermische, LiDAR- en structurele informatie. Toch worden deze heterogene databronnen zelden efficiënt geïntegreerd, wat de vroegtijdige detectie van defecten en het opvolgen van degradatietrends doorheen de tijd bemoeilijkt.

Bestaande AI-oplossingen kennen eveneens belangrijke beperkingen. Veel systemen zijn ontwikkeld voor geïsoleerde use cases, missen robuustheid in operationele omgevingen en bieden beperkte verklaarbaarheid[PB1.1][PB1.2], waardoor grootschalige uitrol moeilijk blijft.

Doelstelling & resultaten

STRUCTURE pakt deze uitdagingen aan door geïntegreerde en interpreteerbare AI-methoden te ontwikkelen die multi-modal sensing-data omzetten in bruikbare inzichten voor onderhoud.

Het project zal:

Methoden onderzoeken om data van heterogene mobiele en vaste sensoren te combineren
AI-modellen ontwikkelen voor defectdetectie, classificatie en degradatievoorspelling
Schaalbare inspectieworkflows demonstreren in operationele omgevingen
Betrouwbaarheid, robuustheid en operationele impact evalueren
Onderzoeksresultaten vertalen naar praktische tools voor infrastructuurbeheerders

Belangrijkste verwachte resultaten

Demonstratoren die AI combineren met multi-modal sensing voor infrastructuurinspectie
Samengestelde datasets met visuele, thermische, LiDAR- en structurele data
AI-modellen voor defectdetectie en predictief onderhoud
Best-practice richtlijnen voor de inzet van AI in infrastructuurmonitoring
Workshops en validatieactiviteiten met industriële stakeholders

Aanpak

Het project volgt een end-to-end, datagedreven aanpak die sensingtechnologieën, AI en digital twins combineert over de volledige inspectie- en onderhoudsworkflow.

1. Slimme data-acquisitie en edge processing

Uitrol van UAV-inspectiesystemen met realtime data-acquisitie
Voertuiggebaseerde sensing via LiDAR- en camerasystemen
RGB- en thermische verkeerscamera’s
Ontwikkeling van lichtgewichtmodellen geschikt voor Edge AI-analyses

2. Detectie en karakterisering van defecten

Ontwikkeling van AI-algoritmen voor scheur- en defectdetectie over verschillende sensingmodaliteiten
Detectie van anomalieën en objecttracking
Opbouw van gestructureerde datasets voor training en benchmarking

3. Multi-modale datafusie

Fusie van heterogene sensingdata tot uniforme infrastructuurrepresentaties
Ontwikkeling van AI-modellen die geometrische, visuele en temporele informatie combineren
Verbetering van detectiebetrouwbaarheid onder reële omstandigheden

4. Digital twins en predictieve analyse

Reconstructie en visualisatie van infrastructuurassets in digital twin-omgevingen
Modellering van degradatie en defectevolutie in de tijd
Integratie van verkeers- en gebruiksdata voor predictief onderhoud

5. Beslissingsondersteuning en operationele integratie