Klant
Utah Department of Transportation (UDOT)
Uitdaging
Het wisselvallige weer in Utah maakte het moeilijk om optimaal wegmarkeringen te plannen en uit te voeren, en UDOT beschikte niet over actuele gegevens over de staat van de wegen om deze effectief te onderhouden.
Oplossing
UDOT begon gegevens te verzamelen met drones met behulp van Site Scan for ArcGIS om een digitale tweeling te ontwikkelen. UDOT werkte ook samen met Esri via het Esri Advantage Program om te helpen bij het creëren van een machine learning-model en methodologie die de afdeling zou helpen over te schakelen van handmatige digitalisering van activa naar geautomatiseerde detectie van activa.
Resultaat
Door dronebeelden en digitale levering heeft UDOT dynamische gegevens verkregen die de huidige staat van elk actief vertegenwoordigen. In combinatie met voortgezette automatisering en machine learning-inspanningen kan UDOT zijn wegen effectiever onderhouden voor een optimale rijervaring.
Het Utah Department of Transportation (UDOT) is verantwoordelijk voor de planning, het ontwerp, de bouw, het onderhoud en de exploitatie van het state highway-systeem. Het onderhoudt hoofdwegen en verplaatst verkeer over lange afstanden, waaronder de interstate. Teamleden bij UDOT geloven dat goede wegen minder kosten en dat ze met proactief behoud de waarde van hun infrastructuur voor vandaag en de toekomst kunnen maximaliseren.
Drone imagery provides an aerial view of Utah’s highway system.
Inzicht in de locatie en toestand van activa helpt UDOT om elke dollar optimaal te benutten door onderhouds- en bouwinspanningen te prioriteren voor maximaal voordeel voor het reizende publiek. Door activalocatiegegevens te combineren met andere kenmerken van de weg, zoals verkeersvolume, snelheidslimiet en de frequentie en ernst van ongevallen, kan UDOT projecten prioriteren om hun nut te maximaliseren. Het is essentieel dat de digitale weergave van deze activa zo nauwkeurig en actueel mogelijk is om hun bruikbaarheid te waarborgen.
UDOT gebruikt mobiele lidar om jaarlijks informatie over het wegdek te verzamelen. Wegmarkeringen en -strepen zijn belangrijk om bij te houden, omdat ze informatie aan weggebruikers doorgeven zoals geen enkel ander verkeersregelapparaat, inclusief een verscheidenheid aan belangrijke rijtaken. Een recent rapport van de Federal Highway Administration laat zien dat de VS jaarlijks ongeveer $ 2 miljard uitgeeft aan wegmarkeringen. Corey Unger, de manager ruimtelijke technologieën bij UDOT, zei: "Het is niet alleen gunstig voor menselijke bestuurders, maar ook voor opkomende autorijtechnologie."
Hoewel wegmarkeringen van cruciaal belang zijn om te onderhouden, maakt het uiteenlopende klimaat van Utah deze taak moeilijk. Het wisselende weer creëert een lastige omgeving voor het plannen en implementeren van het optimale type markering, en UDOT heeft als gevolg daarvan kritiek gekregen.
Utah’s wide-ranging climate makes inspection and maintenance tasks challenging.
Om activa zoals wegmarkering beter te onderhouden gedurende hun hele levenscyclus, transformeert UDOT de manier waarop projecten worden beheerd met digitale levering. Dit biedt de organisatie nieuwe manieren om projectontwerpgegevens in het veld te begrijpen, te bekijken en te gebruiken. Voor UDOT betekent digitale levering de digitalisering van het projectleveringsproces. Gegevens worden digitaal samengesteld en geleverd in elke fase van de levenscyclus van een project, van ontwerp tot bouw en de terugkoppeling van gegevens aan activabeheer voor toekomstige projectplanning en uitvoering. Deze transformatie leidde UDOT ertoe een digitale tweeling te creëren, een digitale weergave van alle fysieke activa die Utah's transportnetwerk vormen. Het is onderdeel van een krachtig en schaalbaar informatiemanagementstrategie.
Unger zei: "Het doel van digitale levering is om UDOT weg te leiden van statische gegevens en in plaats daarvan dynamische gegevens te gebruiken om de huidige staat van elk actief weer te geven." Gegevens worden verzameld door drones met Site Scan for ArcGIS, wat end-to-end dronebeheer en directe integratie met het ArcGIS-systeem mogelijk maakt. Dit stelt UDOT in staat om ontwerpinformatie uit het digitale leveringsproces eenvoudig te combineren met beelden die tijdens en na de bouw van een project zijn verzameld. Dit helpt bij het vergelijken van de nauwkeurigheid tussen hoe een project was gepland en hoe het is uitgevoerd.
Digital delivery for UDOT means the digitization of the project delivery process.
Een voorbeeld is het gebruik van UDOT's cut/fill-analyse op het ontwerpoppervlak vergeleken met de hoogte van de dronebeelden die zijn verzameld voor een havenproject. Dit soort analyse informeert UDOT of de weg te hoog of te laag is aangelegd, aangezien beide scenario's kunnen leiden tot gevaarlijke omstandigheden voor voertuigen, slechte drainage of andere potentieel gevaarlijke situaties. Als de hoogte op de grond lager is dan wat is ontworpen, wordt het beschouwd als een cut, en als de hoogte op de grond hoger is dan het ontwerp, wordt het beschouwd als een fill.
UDOT uses cut/fill analysis on drone imagery and the design to compare on-the-ground elevation with the design elevation.
The cut/fill tool in Site Scan for ArcGIS enables UDOT to outline the location where volumetric analysis needs to be performed.
UDOT performs cut/fill analysis with Site Scan for ArcGIS to estimate the volume of a surface in 3D. The blue area represents the surface captured by drone imagery and yellow indicates the design surface.
Op dezelfde manier wordt de ontworpen wegmarkering vergeleken met de plaats waar deze feitelijk is geplaatst. Deze gegevens geven de projectinspecteur de mogelijkheid om de plaatsing van ontworpen kenmerken in de constructie te verifiëren als onderdeel van de digital twin-inspanningen van UDOT. Zodra de nauwkeurigheid van deze plaatsingen is geverifieerd, kunnen de markeringen worden ingevoerd in het asset managementsysteem van de organisatie, waar UDOT de levenscyclus van de asset kan volgen en onderhoudstaken dienovereenkomstig kan plannen en inplannen.
UDOT compares placement of markings in a project’s design with where the markings were implemented at the construction site.
Hoewel gegevensverzameling via Site Scan for ArcGIS UDOT dichter bij het bereiken van een digitale tweeling bracht, vereiste het proces nog steeds dat ze handmatig activa inspecteerden en uit de beelden haalden. "Nadat piloten secties van de weg hadden gevlogen, namen analisten de beelden en markeerden ze handmatig de toestand van het wegdek en de stripinginformatie in ArcGIS Pro," zei Unger. "Dit was zeer tijdrovend." Daarom begon UDOT te onderzoeken of ze een geautomatiseerd proces konden ontwikkelen waarbij ze dronegegevens die waren verzameld via Site Scan for ArcGIS rechtstreeks door een GeoAI machine learning-model konden sturen en vervolgens de stripinggegevens direct in hun database konden extraheren.
UDOT benaderde Esri via het Esri Advantage Program om hulp te krijgen bij het creëren van een machine learning-model en methodologie die de afdeling zou helpen over te schakelen van handmatige digitalisering van activa naar actieve detectie met behulp van geautomatiseerde processen. Esri beoordeelde het programma van UDOT en gaf aanbevelingen voor best practices. Esri stelde rule-based modeling voor, wat een vooraf gedefinieerde set regels vereist die op een afbeelding kunnen worden toegepast, dus er werd een verkennende beoordeling uitgevoerd.
Tijdens de analyse van de dronegegevens van UDOT die waren opgeslagen in Site Scan for ArcGIS, examineerden teamleden twee formaten: ortho-rectified beelden en puntenwolken. Ze besloten de gegevens te evalueren in de bijbehorende werkstromen voor verschillende activa, waaronder wegmarkeringen, verkeersdrempels, wegdekbeschadigingen, verkeersborden, geluidsmuren en verkeersbarrières.
In een voorbeeld van de initiële striping-extractieresultaten, toont een dronebeeld van een weg een doorlopende stripinglijn, terwijl het bijbehorende analysebeeld onderbroken stripinglijnen toont. Dit kan duiden op slechte stripingomstandigheden, maar vereist verder onderzoek. Het is echter nog steeds waardevolle data voor onderhoudsteams, zodat zij gebieden kunnen targeten waar reparaties nodig kunnen zijn.
The drone image on the left is compared to the image on the right, which resulted from analysis. The white stripe that's outlined in red in the right image should be a solid line, like the shoulder marking that's outlined in red in the left image. However, the striping on the right image is broken, likely due to the darker color present in the stripe in the left image.
Een ander voorbeeld uit de voorlopige resultaten toont een snelwegsectie waarop men het verschil tussen betonnen en asfaltgedeelten kan onderscheiden en de striping kan definiëren. Dit is wederom belangrijke informatie voor een nauwkeurige inventarisatie van het type wegdek en om onderhoudsteams te helpen te weten op welk type ondergrond ze gaan werken voor reparaties.
Automated analysis allows one to easily distinguish between concrete and asphalt surfaces.
Door gebruik te maken van op afstand waargenomen gegevens in combinatie met AI- en machine learning-doelen wordt een snellere en nauwkeurigere gegevensverzameling over infrastructuuractiva mogelijk, zodat eigenaren van infrastructuur sneller aan de onderhoudsbehoeften kunnen voldoen. Site Scan for ArcGIS en het Esri Advantage Program zijn van cruciaal belang geweest voor het digitaliseren van de inventaris van activa en het ontwikkelen van machine learning-modellen die de organisatie tijd en geld blijven besparen en tegelijkertijd een positieve rijervaring voor de community opleveren.
Het doel van UDOT is om een geautomatiseerde methode te hebben voor het extraheren van activa-omstandigheden uit dronebeelden om de inventaris van activa zo actueel mogelijk te houden. De afdeling is van plan om deze modellen te gebruiken als onderdeel van haar inspanningen om haar activa-extractieproces te verfijnen en de voltooiing van de digitale tweeling te versnellen. Deep learning, kunstmatige intelligentie en UAV-beelden verzameld met Site Scan for ArcGIS zijn belangrijke elementen van de successtrategie van UDOT.
Het doel van digitale levering is om UDOT af te laten stappen van statische gegevens en in plaats daarvan dynamische gegevens te gebruiken om de huidige status van elk bezit weer te geven.
Schedule a conversation with one of our experienced sales consultants. Tell us how you're using imagery and remote sensing data now, and we'll show you where a comprehensive geospatial system can take your work next.