Back to overview


Applicant Boller Dominik
Number 184185
Funding scheme Bridge - Proof of Concept
Research institution Urban Water Management Department Eawag
Institution of higher education Swiss Federal Institute of Aquatic Science and Technology - EAWAG
Main discipline Other disciplines of Engineering Sciences
Start/End 01.01.2019 - 31.12.2019
Approved amount 130'000.00
Show all

All Disciplines (2)

Other disciplines of Engineering Sciences
Information Technology

Keywords (4)

Infrastructure asset management; Computer vision; Sewer infrastructure; Urban water management

Lay Summary (German)

Allein in Europa werden jährlich Milliardenbeträge in die Instandhaltung der öffentlichen Kanalisation investiert. Die Höhe dieser Investitionen bemisst sich im Wesentlichen nach dem bewerteten Kanalzustand und dem daraus resultierenden Instandhaltungsaufwand. Der Zustand eines Kanals wird aktuell mittels eines Videos erfasst, welches anschliessend durch einen Experten manuell ausgewertet wird. In DeepSewer optimieren wir diesen Prozess, indem wir Bilderkennungsalgorithmen trainieren, Schäden in Kanalinspektionsvideos zu detektieren, um basierend auf den detektieren Schäden den strukturellen Zustand eines Kanals zu bewerten.
Lay summary

Inhalt und Ziel des Forschungsprojekts
Ziel ist es, beruhend auf Techniken des maschinellen Lernens eine automatisierte Auswertung der Kanalinspektionsvideos auszuführen, wodurch eine möglichst objektive, konsistente und effiziente Bewertung des strukturellen Zustands der Infrastruktur gewährleistet werden soll.

Wissenschaftlicher und gesellschaftlicher Kontext des Forschungsprojekts
Der Ansatz der automatisierten Auswertung der Kanalinspektionsvideos und die daraus resultierende umfassende und konsistente Datengrundlage ermöglicht eine datengesteuerte Bewirtschaftung der Kanalisation. Insgesamt ermöglicht dies eine effizienteren Nutzung von limitierten Ressourcen in Form von öffentlichen Geldern, eine Verringerung der Umweltbelastung und trägt langfristig dazu bei, dass Städte widerstandsfähiger und nachhaltiger werden.

Direct link to Lay Summary Last update: 10.12.2018

Responsible applicant and co-applicants



Utilities in Europe currently manage CHF 2.85 trillion in urban drainage assets, which provide critical infrastructure services for over 460 million people. Old infrastructure and increasing climate volatility challenge today's urban drainage systems. Every year, Europe alone invests up to CHF 30 billion in the maintenance of its current sewer network, primarily based on the assessed sewer condition. The assessment is made by recording a video, watching the video, manually reporting the identified defects and estimating an overall condition score: tiring, error prone and costly work. On average, 25% of defects are missed mainly due to motivational and concentrational difficulties. Throughout the process, there is a high-level of subjectivity and uncertainty involved as all of the tasks are currently done by humans. This leads to non-reproducible and non-comparable results, which hinders data-driven infrastructure asset management. Considering the recent advancements of deep learning based computer vision techniques, this process is highly outdated. In this project we exploit state-of-the-art deep learning techniques to automate the image analysis of sewer inspection videos. We aim to implement our solution as a cloud-based platform which will automatically detect defects in sewer systems from videos and thereby classify a sewer’s structural condition. This is not only faster and more reliable, but also makes the data reproducible and comparable. In the future, the output of standardized and structured data allows us to additionally implement advanced data analytics and thereby contribute to a smarter management of sewer infrastructure. Overall, our service will lead to a more efficient use of financial and human resources for urban water utilities, while decreasing environmental pollution and making cities more resilient and sustainable.