هذا منشور ضيف من ماريو نامتاو شيانتي لاريشر ، رئيس رؤية الكمبيوتر في Enel.
اينل، التي بدأت ككيان إيطالي للكهرباء ، هي اليوم شركة متعددة الجنسيات موجودة في 32 دولة وأول مشغل شبكة خاصة في العالم مع 74 مليون مستخدم. كما تم الاعتراف بها كأول مشغل للطاقة المتجددة بقدرة مركبة تبلغ 55.4 جيجاوات. في السنوات الأخيرة ، استثمرت الشركة بكثافة في قطاع التعلم الآلي (ML) من خلال تطوير المعرفة القوية الداخلية التي مكنتها من تحقيق مشاريع طموحة للغاية مثل المراقبة التلقائية لشبكة التوزيع البالغة 2.3 مليون كيلومتر.
في كل عام ، تقوم شركة Enel بفحص شبكة توزيع الكهرباء الخاصة بها بطائرات الهليكوبتر أو السيارات أو غيرها من الوسائل ؛ يأخذ ملايين الصور ويعيد بناء الصورة ثلاثية الأبعاد لشبكته ، وهي ملف سحابة نقطة إعادة بناء ثلاثية الأبعاد للشبكة ، تم الحصول عليها باستخدام تقنية LiDAR.
يعد فحص هذه البيانات أمرًا بالغ الأهمية لمراقبة حالة شبكة الطاقة ، وتحديد الشذوذ في البنية التحتية ، وتحديث قواعد البيانات الخاصة بالأصول المثبتة ، كما يسمح بالتحكم الدقيق في البنية التحتية وصولاً إلى المواد وحالة أصغر عازل مثبت على عمود معين. بالنظر إلى كمية البيانات (أكثر من 40 مليون صورة كل عام في إيطاليا فقط) ، وعدد العناصر التي يجب تحديدها ، وخصوصياتها ، فإن التحليل اليدوي تمامًا مكلف للغاية ، من حيث الوقت والمال ، والخطأ. لحسن الحظ ، بفضل التقدم الهائل في عالم رؤية الكمبيوتر والتعلم العميق ونضج هذه التقنيات وإضفاء الطابع الديمقراطي عليها ، من الممكن أتمتة هذه العملية المكلفة جزئيًا أو حتى كليًا.
بطبيعة الحال ، تظل المهمة صعبة للغاية ، ومثل جميع تطبيقات الذكاء الاصطناعي الحديثة ، فهي تتطلب قوة حوسبة وقدرة على التعامل مع كميات كبيرة من البيانات بكفاءة.
قامت Enel ببناء منصة ML الخاصة بها (تسمى داخليًا مصنع ML) بناءً على الأمازون SageMaker، وتم إنشاء المنصة كحل قياسي لبناء وتدريب النماذج في Enel لحالات الاستخدام المختلفة ، عبر محاور رقمية مختلفة (وحدات الأعمال) مع عشرات من مشاريع ML التي يجري تطويرها على تدريب Amazon SageMaker, أمازون SageMaker معالجةوخدمات AWS الأخرى مثل وظائف خطوة AWS.
تجمع Enel الصور والبيانات من مصدرين مختلفين:
- عمليات التفتيش على الشبكة الجوية:
- غيوم نقطة ليدار - تتمتع بميزة كونها إعادة بناء ثلاثية الأبعاد دقيقة للغاية ومحددة جغرافيًا للبنية التحتية ، وبالتالي فهي مفيدة جدًا لحساب المسافات أو إجراء القياسات بدقة لا يمكن الحصول عليها من تحليل الصور ثنائية الأبعاد.
- صور عالية الدقة - يتم التقاط هذه الصور للبنية التحتية في غضون ثوان من بعضها البعض. هذا يجعل من الممكن اكتشاف العناصر والشذوذ التي تكون صغيرة جدًا بحيث لا يمكن تحديدها في سحابة النقاط.
- صور الأقمار الصناعية - على الرغم من أنها يمكن أن تكون ميسورة التكلفة أكثر من فحص خط الطاقة (بعضها متاح مجانًا أو مقابل رسوم) ، إلا أن الدقة والجودة لا تتساوى غالبًا مع الصور التي التقطتها شركة Enel مباشرةً. تجعل خصائص هذه الصور مفيدة لمهام معينة مثل تقييم كثافة الغابة وفئة الماكرو أو البحث عن المباني.
في هذا المنشور ، نناقش تفاصيل كيفية استخدام Enel لهذه المصادر الثلاثة ، ونشارك كيف تقوم Enel بأتمتة إدارة تقييم شبكة الطاقة واسعة النطاق وعملية الكشف عن الشذوذ باستخدام SageMaker.
تحليل الصور عالية الدقة لتحديد الأصول والشذوذ
كما هو الحال مع البيانات غير المنظمة الأخرى التي تم جمعها أثناء عمليات التفتيش ، يتم تخزين الصور الملتقطة على خدمة تخزين أمازون البسيطة (أمازون S3). تم تصنيف بعض هذه العناصر يدويًا بهدف تدريب نماذج التعلم العميق المختلفة لمهام رؤية الكمبيوتر المختلفة.
من الناحية المفاهيمية ، يتضمن خط أنابيب المعالجة والاستدلال نهجًا هرميًا مع خطوات متعددة: أولاً ، يتم تحديد مناطق الاهتمام في الصورة ، ثم يتم اقتصاصها ، ويتم تحديد الأصول داخلها ، وفي النهاية يتم تصنيفها وفقًا للمادة أو وجود حالات شاذة عليها. نظرًا لأن نفس القطب يظهر غالبًا في أكثر من صورة واحدة ، فمن الضروري أيضًا أن تكون قادرًا على تجميع صوره لتجنب التكرارات ، وهي عملية تسمى إعادة تحديد الهوية.
لجميع هذه المهام ، يستخدم Enel إطار عمل PyTorch وأحدث البنيات لتصنيف الصور واكتشاف الكائنات ، مثل EfficientNet / EfficientDet أو غيرها للتجزئة الدلالية لبعض الحالات الشاذة ، مثل تسرب الزيت على المحولات. بالنسبة لمهمة إعادة تحديد الهوية ، إذا لم يتمكنوا من القيام بذلك هندسيًا لأنهم يفتقرون إلى معلمات الكاميرا ، فإنهم يستخدمون سيمكلريتم استخدام الأساليب القائمة على الإشراف الذاتي أو البنى القائمة على المحولات. سيكون من المستحيل تدريب كل هذه النماذج دون الوصول إلى عدد كبير من المثيلات المجهزة بوحدات معالجة رسومات عالية الأداء ، لذلك تم تدريب جميع النماذج بالتوازي باستخدام تدريب Amazon SageMaker وظائف مع مثيلات ML المعجلة من خلال GPU. الاستدلال له نفس الهيكل ويتم تنظيمه بواسطة آلة حالة وظائف الخطوة التي تحكم العديد من وظائف المعالجة والتدريب في SageMaker والتي ، على الرغم من الاسم ، قابلة للاستخدام في التدريب مثل الاستدلال.
فيما يلي بنية عالية المستوى لخط أنابيب ML مع خطواتها الرئيسية.
يوضح هذا الرسم التخطيطي البنية المبسطة لخط أنابيب استدلال صورة ODIN ، والذي يستخرج ويحلل عائد الاستثمار (مثل منشورات الكهرباء) من صور مجموعة البيانات. يتعمق خط الأنابيب أيضًا في عائد الاستثمار ، ويستخرج العناصر الكهربائية ويحللها (المحولات ، العوازل ، وما إلى ذلك). بعد الانتهاء من المكونات (ROIs والعناصر) ، تبدأ عملية إعادة تحديد الهوية: تتم مطابقة الصور والأعمدة في خريطة الشبكة بناءً على البيانات الوصفية ثلاثية الأبعاد. يسمح هذا بتجميع عوائد الاستثمار التي تشير إلى نفس القطب. بعد ذلك ، يتم الانتهاء من الحالات الشاذة ويتم إنشاء التقارير.
استخراج قياسات دقيقة باستخدام سحب نقاط LiDAR
تعد الصور عالية الدقة مفيدة جدًا ، ولكن نظرًا لأنها ثنائية الأبعاد ، فمن المستحيل استخلاص قياسات دقيقة منها. تنقذ غيوم نقطة LiDAR هنا ، لأنها ثلاثية الأبعاد ولها موقع لكل نقطة في السحابة مع خطأ مرتبط بها أقل من حفنة من السنتيمترات.
ومع ذلك ، في كثير من الحالات ، لا تكون سحابة النقطة الأولية مفيدة ، لأنه لا يمكنك فعل الكثير بها إذا كنت لا تعرف ما إذا كانت مجموعة النقاط تمثل شجرة ، أو خط طاقة ، أو منزلًا. لهذا السبب ، يستخدم Enel KPConv، خوارزمية تجزئة سحابة نقطية ، لتعيين فئة لكل نقطة. بعد تصنيف السحابة ، من الممكن معرفة ما إذا كانت النباتات قريبة جدًا من خط الطاقة بدلاً من قياس ميل القطبين. نظرًا لمرونة خدمات SageMaker ، لا يختلف خط أنابيب هذا الحل كثيرًا عن الذي تم وصفه بالفعل ، مع الاختلاف الوحيد في هذه الحالة أنه من الضروري استخدام مثيلات GPU للاستدلال أيضًا.
فيما يلي بعض الأمثلة للصور النقطية السحابية.
النظر إلى شبكة الطاقة من الفضاء: رسم خرائط للنباتات لمنع انقطاع الخدمة
يعد فحص شبكة الطاقة بطائرات الهليكوبتر والوسائل الأخرى باهظ التكلفة بشكل عام ولا يمكن إجراؤه كثيرًا. من ناحية أخرى ، فإن وجود نظام لرصد اتجاهات الغطاء النباتي في فترات زمنية قصيرة مفيد للغاية لتحسين واحدة من أكثر العمليات تكلفة لموزع الطاقة: تقليم الأشجار. هذا هو السبب في أن Enel أدرجت أيضًا في حلها تحليل صور الأقمار الصناعية ، والتي من خلال نهج متعدد المهام يتم تحديد مكان وجود الغطاء النباتي ، وكثافته ، ونوع النباتات المقسمة إلى فئات كبيرة.
بالنسبة لحالة الاستخدام هذه ، بعد تجربة قرارات مختلفة ، خلص Enel إلى أن الإصدار المجاني سنتينل 2 صور التي قدمها برنامج كوبرنيكوس كان لديها أفضل نسبة التكلفة والفائدة. بالإضافة إلى الغطاء النباتي ، تستخدم Enel أيضًا صور الأقمار الصناعية لتحديد المباني ، وهي معلومات مفيدة لفهم ما إذا كان هناك تناقضات بين وجودها وأين توفر Enel الطاقة وبالتالي أي اتصالات غير منتظمة أو مشاكل في قواعد البيانات. بالنسبة لحالة الاستخدام الأخيرة ، فإن دقة Sentinel 2 ، حيث يمثل البكسل الواحد مساحة 10 أمتار مربعة ، ليست كافية ، وبالتالي يتم شراء الصور المدفوعة مقابل دقة تبلغ 50 سنتيمترًا مربعًا. لا يختلف هذا الحل أيضًا كثيرًا عن الحلول السابقة من حيث الخدمات المستخدمة والتدفق.
فيما يلي صورة جوية مع تحديد الأصول (عمود وعوازل).
تقول أنجيلا إيتاليانو ، مديرة علوم البيانات في ENEL Grid ،
"في Enel ، نستخدم نماذج الرؤية الحاسوبية لفحص شبكة توزيع الكهرباء لدينا من خلال إعادة بناء الصور ثلاثية الأبعاد لشبكتنا باستخدام عشرات الملايين من الصور عالية الجودة وسحب نقاط LiDAR. يتطلب تدريب نماذج ML هذه الوصول إلى عدد كبير من المثيلات المجهزة بوحدات معالجة رسومات عالية الأداء والقدرة على التعامل مع كميات كبيرة من البيانات بكفاءة. باستخدام Amazon SageMaker ، يمكننا تدريب جميع نماذجنا بسرعة بالتوازي دون الحاجة إلى إدارة البنية التحتية حيث يعمل تدريب Amazon SageMaker على زيادة موارد الحوسبة وتقليصها حسب الحاجة. باستخدام Amazon SageMaker ، يمكننا إنشاء صور ثلاثية الأبعاد لأنظمتنا ومراقبة الحالات الشاذة وخدمة أكثر من 3 مليون عميل بكفاءة ".
وفي الختام
في هذا المنشور ، رأينا كيف استخدم لاعب بارز في عالم الطاقة مثل Enel نماذج الرؤية الحاسوبية ووظائف التدريب والمعالجة من SageMaker لحل إحدى المشكلات الرئيسية لأولئك الذين يتعين عليهم إدارة بنية تحتية بهذا الحجم الهائل ، وتتبع الأصول المثبتة ، وتحديد الحالات الشاذة ومصادر الخطر لخط طاقة مثل الغطاء النباتي القريب جدًا منه.
تعرف على المزيد حول الميزات ذات الصلة بـ SageMaker.
حول المؤلف
ماريو نامتاو شيانتي لارش هو رئيس رؤية الكمبيوتر في Enel. لديه خلفية في الرياضيات والإحصاء وخبرة عميقة في التعلم الآلي ورؤية الكمبيوتر ، يقود فريقًا يضم أكثر من عشرة محترفين. يستلزم دور ماريو تنفيذ حلول متقدمة تستخدم بفعالية قوة الذكاء الاصطناعي ورؤية الكمبيوتر للاستفادة من موارد البيانات الشاملة لشركة Enel. بالإضافة إلى مساعيه المهنية ، فهو ينمي شغفه الشخصي بالفن التقليدي والفن الناتج عن الذكاء الاصطناعي.
كريستيان جافازيني هو مهندس حلول أول في Amazon Web Services. يتمتع بخبرة تزيد عن 20 عامًا كمستشار ما قبل البيع يركز على إدارة البيانات والبنية التحتية والأمن. خلال أوقات فراغه ، يحب لعب الجولف مع الأصدقاء والسفر إلى الخارج بحجوزات الطيران والقيادة فقط.
جوزيبي أنجيلو بورسيلي هو مهندس حلول رئيسي متخصص في تعلم الآلة لخدمات Amazon Web Services. مع عدة سنوات من هندسة البرمجيات وخلفية ML ، يعمل مع العملاء من أي حجم لفهم احتياجاتهم التجارية والتقنية بعمق وتصميم حلول الذكاء الاصطناعي والتعلم الآلي التي تحقق أفضل استخدام لـ AWS Cloud و Amazon Machine Learning. لقد عمل في مشاريع في مجالات مختلفة ، بما في ذلك MLOps و Computer Vision و NLP ، وتتضمن مجموعة واسعة من خدمات AWS. في أوقات فراغه ، يستمتع جوزيبي بلعب كرة القدم.
- محتوى مدعوم من تحسين محركات البحث وتوزيع العلاقات العامة. تضخيم اليوم.
- PlatoData.Network Vertical Generative Ai. تمكين نفسك. الوصول هنا.
- أفلاطونايستريم. ذكاء Web3. تضخيم المعرفة. الوصول هنا.
- أفلاطون السيارات / المركبات الكهربائية ، كربون، كلينتك ، الطاقة، بيئة، شمسي، إدارة المخلفات. الوصول هنا.
- BlockOffsets. تحديث ملكية الأوفست البيئية. الوصول هنا.
- المصدر https://aws.amazon.com/blogs/machine-learning/enel-automates-large-scale-power-grid-asset-management-and-anomaly-detection-using-amazon-sagemaker/
- :لديها
- :يكون
- :ليس
- :أين
- $ UP
- 1
- 10
- 100
- 13
- 20
- 20 سنة
- 2D
- 32
- 3d
- 40
- 50
- 60
- 7
- a
- القدرة
- ماهرون
- من نحن
- معجل
- الوصول
- وفقا
- دقة
- دقيق
- في
- إضافة
- متقدم
- السلف
- مميزات
- بأسعار معقولة
- بعد
- AI
- خوارزمية
- الكل
- يسمح
- سابقا
- أيضا
- بالرغم ان
- أمازون
- آلة التعلم الأمازون
- الأمازون SageMaker
- أمازون ويب سيرفيسز
- طموح
- كمية
- an
- تحليل
- تحليل
- تحليل
- و
- إكتشاف عيب خلقي
- أي وقت
- يبدو
- التطبيقات
- نهج
- معماري
- هندسة معمارية
- هي
- المنطقة
- فنـون
- AS
- التقييم المناسبين
- الأصول
- إدارة الأصول
- ممتلكات
- أسوشيتد
- At
- أتمتة
- الأتمتة
- أوتوماتيك
- متاح
- تجنب
- AWS
- خلفية
- على أساس
- BE
- لان
- يجري
- أفضل
- ما بين
- الحجوزات
- على حد سواء
- واسع
- نساعدك في بناء
- بنيت
- الأعمال
- لكن
- by
- حساب
- تسمى
- وكاميرا
- CAN
- الطاقة الإنتاجية
- cars
- حقيبة
- الحالات
- معين
- تحدي
- الخصائص
- فئة
- فصول
- تصنيف
- مبوب
- اغلاق
- سحابة
- المجموعات
- تأتي
- حول الشركة
- تماما
- مكونات
- إحصاء
- الكمبيوتر
- رؤية الكمبيوتر
- الحوسبة
- القدرة الحاسوبية
- وخلص
- التواصل
- consultants
- مراقبة
- مكلفة
- دولة
- الدورة
- حرج
- العملاء
- DANGER
- البيانات
- إدارة البيانات
- علم البيانات
- قواعد البيانات
- عميق
- التعلم العميق
- يسلم
- الدمقرطة
- وصف
- تصميم
- على الرغم من
- تفاصيل
- بكشف أو
- كشف
- المتقدمة
- تطوير
- اختلف
- فرق
- مختلف
- رقمي
- مباشرة
- مدير المدارس
- بحث
- توزيع
- منقسم
- do
- لا
- المجالات
- فعل
- لا
- إلى أسفل
- قيادة
- اثنان
- التكرارات
- أثناء
- كل
- على نحو فعال
- بكفاءة
- كهرباء
- عناصر
- تمكين
- المساعي
- طاقة
- الهندسة
- ضخم
- كيان
- مسلح
- خطأ
- أنشئ
- تقييم
- حتى
- أمثلة
- ذو تكلفة باهظة
- الخبره في مجال الغطس
- خبرة
- واسع
- استخراج
- مقتطفات
- جدا
- مصنع
- المميزات
- رسوم
- الشكل
- الانتهاء
- أخيرا
- العثور على
- الاسم الأول
- مرونة
- تدفق
- التركيز
- متابعيك
- كرة القدم
- في حالة
- غابة
- لحسن الحظ
- الإطار
- مجانا
- كثيرا
- الاصدقاء
- تبدأ من
- وظائف
- إضافي
- على العموم
- ولدت
- دولار فقط واحصل على خصم XNUMX% على جميع
- معطى
- هدف
- الغولف
- يحكم
- وحدة معالجة الرسوميات:
- وحدات معالجة الرسومات
- شبكة
- تجمع
- ضيف
- زائر رد
- كان
- يد
- حفنة
- مقبض
- يملك
- وجود
- he
- رئيس
- بشكل كبير
- هنا
- رفيع المستوى
- أداء عالي
- عالي الجودة
- عالية الدقة
- له
- منـزل
- كيفية
- HTML
- HTTP
- HTTPS
- هوية
- محدد
- تحديد
- تحديد
- if
- صورة
- تصنيف الصورة
- صور
- تحقيق
- مستحيل
- in
- شامل
- بما فيه
- معلومات
- البنية التحتية
- تثبيت
- مصلحة
- داخليا
- إلى
- استثمرت
- تنطوي
- IT
- إيطاليا
- العناصر
- انها
- المشــاريــع
- JPG
- م
- احتفظ
- علم
- نقص
- كبير
- على نطاق واسع
- آخر
- يؤدي
- التسريبات
- تعلم
- أقل
- الرافعة المالية
- مثل
- الإعجابات
- خط
- آلة
- آلة التعلم
- الماكرو
- الرئيسية
- جعل
- يصنع
- إدارة
- إدارة
- كتيب
- يدويا
- كثير
- رسم خريطة
- رسم الخرائط
- ماريو
- مطابقة
- مادة
- الرياضيات
- نضج
- يعني
- قياسات
- قياس
- البيانات الوصفية
- طرق
- مليون
- ملايين
- ML
- MLOps
- عارضات ازياء
- تقدم
- مال
- مراقبة
- مراقبة
- الأكثر من ذلك
- أكثر
- كثيرا
- متعدد الجنسيات
- متعدد
- الاسم
- محليات
- ضروري
- بحاجة
- الحاجة
- إحتياجات
- شبكة
- البرمجة اللغوية العصبية
- عدد
- موضوع
- كشف الكائن
- تم الحصول عليها
- of
- غالبا
- زيت
- on
- ONE
- منها
- فقط
- عملية
- عامل
- تحسين
- or
- مدبرة
- أخرى
- أخرى
- لنا
- خارج
- على مدى
- الخاصة
- موازية
- المعلمات
- شغف
- الشخصية
- الصور
- صورة
- خط أنابيب
- بكسل
- الشتلات
- المنصة
- أفلاطون
- الذكاء افلاطون البيانات
- أفلاطون داتا
- لاعب
- لعب
- البوينت
- نقاط
- ان يرتفع المركز
- ممكن
- منشور
- المنشورات
- قوة
- شبكة الكهرباء
- حاجة
- وجود
- يقدم
- منع
- سابق
- رئيسي
- خاص
- مشاكل
- عملية المعالجة
- العمليات
- معالجة
- محترف
- المهنيين
- عميق
- البرنامج
- مشروع ناجح
- المقدمة
- شراء
- pytorch
- جودة
- بسرعة
- بدلا
- نسبة
- الخام
- أدرك
- سبب
- الأخيرة
- المعترف بها
- المناطق
- ذات صلة
- بقايا
- مصادر الطاقة المتجددة
- التقارير
- يمثل
- يتطلب
- إنقاذ
- دقة الشاشة
- الموارد
- النوع
- sagemaker
- نفسه
- الأقمار الصناعية
- رأى
- يقول
- النطاقات
- علوم
- ثواني
- القطاع
- أمن
- تقسيم
- كبير
- خدمة
- الخدمة
- خدماتنا
- طقم
- عدة
- مشاركة
- قصير
- يظهر
- الاشارات
- مبسط
- المقاس
- صغير
- So
- تطبيقات الكمبيوتر
- هندسة البرمجيات
- حل
- الحلول
- حل
- بعض
- مصادر
- الفضاء
- متخصص
- النوعية
- مربع
- كومة
- معيار
- بدأت
- الولايه او المحافظه
- إحصائيات
- الحالة
- خطوة
- خطوات
- تخزين
- تخزين
- قوي
- بناء
- هذه
- كاف
- نظام
- أنظمة
- اتخذت
- يأخذ
- مع الأخذ
- مهمة
- المهام
- فريق
- تقني
- التكنولوجيا
- تكنولوجيا
- عشرة
- عشرات
- سياسة الحجب وتقييد الوصول
- من
- شكر
- أن
- •
- الدولة
- العالم
- من مشاركة
- منهم
- then
- هناك.
- وبالتالي
- تشبه
- هم
- هؤلاء
- ثلاثة
- الوقت
- إلى
- اليوم
- جدا
- تيشرت
- مسار
- تقليدي
- قطار
- متدرب
- قادة الإيمان
- محولات
- شجرة
- جديد الموضة
- اثنان
- نوع
- فهم
- الوحدات
- تحديث
- صالح للإستعمال
- تستخدم
- حالة الاستخدام
- مستعمل
- المستخدمين
- يستخدم
- استخدام
- الاستفادة من
- جدا
- رؤيتنا
- مجلدات
- we
- الويب
- خدمات ويب
- حسن
- كان
- سواء
- التي
- من الذى
- لماذا
- ويكيبيديا
- مع
- في غضون
- بدون
- عمل
- أعمال
- العالم
- سوف
- عام
- سنوات
- أنت
- زفيرنت