Die Inspektion von Rohrleitungssystemen erfolgt heutzutage unter Einsatz von Inline-Inspektionswerkzeugen, welche im laufenden Betrieb durch die Rohrleitung geschleust werden können. Dabei entsteht eine Fülle von Sensordaten, deren manuelle Auswertung derzeit mit einem hohen personellen und zeitlichen Aufwand verbunden ist. Um diese Kosten zu reduzieren, soweit möglich die Genauigkeit der Auswertung zu verbessern und somit die Wettbewerbsfähigkeit enorm zu steigern, sollen Teile der Verarbeitungskette durch den Einsatz moderner Methoden des maschinellen Lernens automatisiert werden.

Die wesentlichen Entwicklungsziele beinhalten ein neues Verfahren zur automatischen Sensorkalibrierung und die automatische Segmentierung von Leitungsdefekten sowie sonstigen Anomalien. Um die Fehlsegmentierung von im Grunde unbedenklichen Signalverläufen zu reduzieren, sollen weiterhin diverse Leitungseigenschaften und Störobjekte (z.B. Ventile) zur Abgrenzung gegenüber tatsächlichen Defekten explizit berücksichtigt und modelliert werden. Das Ziel ist eine Reduktion des manuellen Arbeitsaufwands um 80% und von Detektionsfehlern für Fehler 1. Art und 2. Art um 70% bzw. 50%.