Autoencoder für semi-supervised Modellierung des Wasserstands in Abwasserrohren mit spärlichen gelabelten Daten

Eine häufigere und gründlichere Inspektion von Abwasserrohren hat das Potenzial, Milliarden bei den Versorgungsleistungen zu sparen. Allerdings wird die Menge und Qualität der Inspektion durch einen ungenauen und hochsubjektiven manuellen Prozess behindert. Dies umfasst Techniker, die Abschnitte des Abwassersystems basierend auf Videos von ferngesteuerten Robotern beurteilen. Den Zustand von Abwasserrohren anhand dieser Videos zu bestimmen, ist mit einer großen Menge an Mehrdeutigkeit verbunden. Darüber hinaus variiert die Häufigkeit, mit der die verschiedenen Mängel auftreten, erheblich, was zu stark unausgewogenen Datensätzen führt. Solche Datensätze stellen eine schlechte Basis für die Automatisierung des Labeling-Prozesses mittels überwachtem Lernen dar. In diesem Paper untersuchen wir das Potenzial der Selbstüberwachung als Methode zur Verringerung des Bedarfs an großen Mengen gut ausbalancierter Labels. Zuerst lernen unsere Modelle, die Datenverteilung mit mehr als einer Million unlabeled Bildern zu repräsentieren, dann wird eine kleine Anzahl von gelabelten Beispielen verwendet, um eine Zuordnung von den gelernten Repräsentationen zu einer relevanten Zielvariablen, in diesem Fall Wasserstand, zu lernen. Wir wählen einen konvolutionalen Autoencoder, einen variationalen Autoencoder und einen vektorisierenden variationalen Autoencoder als Basis für unsere Experimente. Die besten Repräsentationen zeigen sich als die, die vom klassischen Autoencoder mit dem Multi-Layer Perceptron mit einem mittleren absoluten Fehler von 9,93 gelernt wurden. Dies stellt eine Verbesserung von 9,62 gegenüber der vollständig überwachten Basislinie dar.