Fotod: ARFY
Kogutud videoid analüüsis ARFY Flowity süsteemis AI, mis tuvastas seitset liiki teekatte defekte. Tuvastatud andmed visualiseeriti ARFY katete haldamise programmis, mida teeomanikud said kasutada edasiste otsuste tegemiseks.
2021. aastal proovisime Transpordiametis lahendust, kus kasuta- sime mobiilidega teekattest tehtud videote analüüsiks tehis- intellekti, et tuvastada teekatte defekte. Pilootprojekti partnerid olid ERC Konsultatsiooni OÜ, AFRY Finland Oy ja Crowdchupa. Videote tegemiseks tuli telefoni laadida Crowdchupa äpp ning sealt saadeti videod Vaisala RoadAI rakendusse, kus AI tuvastas tehtud videotest 15 erinevat tüüpi teekatte defekti. Protsess videote tegemisest and- mete saamiseni oli üsna kiire, eelmise päeva videod olid järgmiseks päevaks töödeldud ja andmed defektide kohta olemas. Transpordi- amet pärast piloteerimist lahendust kasutusele ei võtnud, kuna eesmärgiks oli tutvuda uudse lahendusega ning juba kasutusel olev teekatte defektide andmete kogumise lahendus oli täpsem ja pak- kus lisavõimalusena teedest panoraampilte. 2024. aastal on taas kavas sarnane pilootprojekt. Seekord proovime teedest videod teha samal ajal, kui neil inventeeritakse defekte Transpordiametis praegu kasutuses oleva lahendusega. See aitab luua võimalikult sarnase algandmestiku hilisemaks andmete kvali- teedi võrdluseks. Samuti kasutame videote tegemiseks telefonide asemel GoPro kaameraid, et saada teekattest võimalikult kvaliteet- ne video. Videoid analüüsib jällegi AI. Oleme sellist lahendust uuesti proovimas mitte selleks, et asendada olemasolevat teekatte defek- tide kogumise meetodit, vaid et leida sobiv lahendus kergliiklustee- de seisukorra andmete kogumiseks. Seega on sel korral rohkem fookuses kergliiklusteed, kuid soovime võrrelda ka sõiduteede and- mete kvaliteeti. Uutel meetoditel andmete kogumine pakub võimaluse teede seisu- korrast kiiremini, korduvalt ja suuremas mahus andmeid saada. Kuid sellega saab lihtne ja ilus osa otsa. Keeruliseks läheb siis, kui on soov andmeid kombineerida juba olemasolevate andmete või süs-
teemidega, või kui tehisintellekt andmete töötlemiseks on alles loomisel. Uue lahenduse või süsteemi välja töötamine ja AI treeni- mine võib võrreldes traditsiooniliste lahenduste kasutamisega osu- tuda väga kulukaks. Senised suurandmete andmekorje ja analüüsi lahendused ei ole veel nii täpsed kui traditsioonilised lahendused, kuid nende kvaliteet on paranemas. Üldiselt on suurandmed sobili- kumad hinnangute ja prognooside jaoks ning parim tulemus teede seisukorra ja muutuse prognoosiks võikski tulla uuenduslike ja tra- ditsiooniliste lahenduste kombineerimisel. Toon lõpetuseks näite, kuidas Transpordiamet võiks andmete kogu- mise traditsioonilise ja uuendusliku meetodi kombineerimisest kasu saada. Oletame, et meil on kusagil piirkonnas teedevõrk, kuhu on pikemaks ajaks ette näha karjääriveod ehk raskeliiklus. Kevadel tehakse seal traditsioonilise meetodiga teede seisukorra mõõtmi- sed ning samal ajal ka mobiiliga, kasutades vastavaid äppe ja raken- dusi, andmekorjeks teekatte tasasuse ja defektsuse kohta. Kogutud andmete põhjal on võimalik fikseerida teede algne seisukord ja kaardistada, kuidas erinevate mõõtmisviiside andmed suhestuvad. Et aru saada ja prognoosida teede seisukorra muutumist ajas, võib mobiiliga teede seisukorra kohta korduvalt uut andmekorjet teha. Mobiiliga kogutud andmete aegrea põhjal on näha, kuidas teede seisukord on raskevedude ajal muutunud, ilma, et peaks iga kord kasutama kallimat ja täpsemat mõõtmist. Sõltumata sellest, kas tegu on väikese või suure andmehulgaga, on andmed täpsed või ebatäpsed, kas kogumismeetod on uuenduslik või traditsiooniline, kõige olulisem on teada, milliseid andmeid ja mil- leks me vajame. Kui teadmine on olemas, siis küllap leidub ka andmekogumiseks ja -töötluseks sobiv lahendus.
69
TEEJUHT / NR 9
Powered by FlippingBook