این یک پست مهمان توسط ماریو نامتائو شیانتی لارچر، رئیس بخش بینایی کامپیوتر در Enel است.
ENELکه به عنوان نهاد ملی برق ایتالیا شروع به کار کرد، امروز یک شرکت چند ملیتی است که در 32 کشور جهان حضور دارد و اولین اپراتور شبکه خصوصی در جهان با 74 میلیون کاربر است. همچنین به عنوان اولین پخش کننده انرژی های تجدید پذیر با 55.4 گیگاوات ظرفیت نصب شده شناخته شده است. در سالهای اخیر، این شرکت سرمایهگذاری زیادی در بخش یادگیری ماشین (ML) با توسعه دانش داخلی قوی انجام داده است که آنها را قادر به تحقق پروژههای بسیار جاهطلبانه مانند نظارت خودکار بر شبکه توزیع ۲.۳ میلیون کیلومتری خود کرده است.
هر سال، Enel شبکه توزیع برق خود را با هلیکوپتر، اتومبیل یا وسایل دیگر بازرسی می کند. میلیون ها عکس می گیرد. و تصویر سه بعدی شبکه خود را بازسازی می کند که عبارت است از a ابر نقطه بازسازی سه بعدی شبکه، به دست آمده با استفاده از فناوری LiDAR.
بررسی این دادهها برای نظارت بر وضعیت شبکه برق، شناسایی ناهنجاریهای زیرساخت، و بهروزرسانی پایگاههای داده داراییهای نصبشده حیاتی است، و اجازه میدهد تا کنترل دقیق زیرساخت تا مواد و وضعیت کوچکترین عایق نصبشده روی یک قطب مشخص شود. با توجه به حجم داده ها (بیش از 40 میلیون تصویر در هر سال فقط در ایتالیا)، تعداد مواردی که باید شناسایی شوند و ویژگی آنها، تجزیه و تحلیل کاملاً دستی بسیار پرهزینه است، هم از نظر زمان و هم از نظر هزینه، و مستعد خطا است. خوشبختانه، به لطف پیشرفت های عظیم در دنیای بینایی کامپیوتر و یادگیری عمیق و بلوغ و دموکراتیزه شدن این فناوری ها، امکان خودکارسازی بخشی یا حتی کامل این فرآیند گران قیمت وجود دارد.
البته، این کار همچنان بسیار چالش برانگیز است، و مانند همه برنامه های کاربردی هوش مصنوعی مدرن، به قدرت محاسباتی و توانایی مدیریت حجم زیادی از داده ها به طور کارآمد نیاز دارد.
Enel پلت فرم ML خود را (که در داخل کارخانه ML نامیده می شود) بر اساس آن ساخته است آمازون SageMakerو این پلت فرم به عنوان راه حل استاندارد برای ساخت و آموزش مدلها در Enel برای موارد استفاده مختلف، در هابهای دیجیتال (واحدهای تجاری) مختلف با دهها پروژه ML در حال توسعه است. آموزش آمازون SageMaker, پردازش آمازون SageMakerو سایر خدمات AWS مانند توابع مرحله AWS.
Enel تصاویر و داده ها را از دو منبع مختلف جمع آوری می کند:
- بازرسی شبکه های هوایی:
- ابرهای نقطه LiDAR - آنها مزیت این را دارند که بازسازی سه بعدی بسیار دقیق و جغرافیایی محلی سازی شده زیرساخت هستند و بنابراین برای محاسبه فاصله ها یا اندازه گیری با دقتی که از تجزیه و تحلیل تصویر دو بعدی قابل حصول نیست بسیار مفید هستند.
- تصاویر با وضوح بالا – این تصاویر از زیرساخت ها در عرض چند ثانیه از یکدیگر گرفته شده اند. این امر امکان شناسایی عناصر و ناهنجاریهایی را میدهد که برای شناسایی در ابر نقطه بسیار کوچک هستند.
- تصاویر ماهواره ای - اگرچه اینها می توانند مقرون به صرفه تر از بازرسی خطوط برق باشند (برخی به صورت رایگان یا با هزینه در دسترس هستند)، وضوح و کیفیت آنها اغلب با تصاویر گرفته شده مستقیم توسط Enel برابری نمی کند. ویژگی های این تصاویر آنها را برای کارهای خاصی مانند ارزیابی تراکم جنگل و طبقه بندی کلان یا یافتن ساختمان ها مفید می کند.
در این پست، جزئیات نحوه استفاده Enel از این سه منبع را مورد بحث قرار می دهیم و نحوه خودکارسازی مدیریت ارزیابی شبکه برق در مقیاس بزرگ و فرآیند تشخیص ناهنجاری را با استفاده از SageMaker به اشتراک می گذاریم.
تجزیه و تحلیل عکس های با وضوح بالا برای شناسایی دارایی ها و ناهنجاری ها
مانند سایر دادههای بدون ساختار جمعآوریشده در طول بازرسی، عکسهای گرفتهشده در آن ذخیره میشوند سرویس ذخیره سازی ساده آمازون (Amazon S3). برخی از اینها به صورت دستی با هدف آموزش مدل های مختلف یادگیری عمیق برای وظایف مختلف بینایی رایانه برچسب گذاری شده اند.
از لحاظ مفهومی، خط لوله پردازش و استنتاج شامل یک رویکرد سلسله مراتبی با مراحل متعدد است: ابتدا، مناطق مورد علاقه در تصویر شناسایی می شوند، سپس آنها برش داده می شوند، دارایی ها در آنها شناسایی می شوند، و در نهایت اینها بر اساس مواد یا حضور آنها طبقه بندی می شوند. ناهنجاری روی آنها از آنجایی که قطب یکسان اغلب در بیش از یک تصویر ظاهر می شود، همچنین لازم است که بتوان تصاویر آن را گروه بندی کرد تا از تکراری شدن جلوگیری شود، عملیاتی به نام شناسایی مجدد.
برای تمام این وظایف، Enel از چارچوب PyTorch و آخرین معماری ها برای طبقه بندی تصاویر و تشخیص اشیا استفاده می کند، مانند EfficientNet/EfficientDet یا موارد دیگر برای تقسیم بندی معنایی ناهنجاری های خاص، مانند نشت روغن در ترانسفورماتورها. برای کار شناسایی مجدد، اگر به دلیل نداشتن پارامترهای دوربین نتوانند این کار را به صورت هندسی انجام دهند، از SimCLRروش های مبتنی بر خود نظارتی یا معماری های مبتنی بر ترانسفورماتور استفاده می شود. آموزش همه این مدلها بدون دسترسی به تعداد زیادی نمونه مجهز به پردازندههای گرافیکی با کارایی بالا غیرممکن است، بنابراین همه مدلها به صورت موازی با استفاده از آن آموزش داده شدند. آموزش آمازون SageMaker کارهایی با نمونههای ML شتابدار GPU. استنتاج همان ساختار را دارد و توسط یک ماشین حالت توابع Step تنظیم می شود که بر چندین کار پردازش و آموزش SageMaker نظارت می کند که علیرغم نام، در آموزش به اندازه استنتاج قابل استفاده هستند.
در زیر یک معماری سطح بالا از خط لوله ML با مراحل اصلی آن ارائه شده است.
این نمودار معماری ساده شده خط لوله استنتاج تصویر ODIN را نشان می دهد که ROI (مانند پست های برق) را از تصاویر مجموعه داده استخراج و تجزیه و تحلیل می کند. این خط لوله بیشتر بر روی ROI ها، استخراج و تجزیه و تحلیل عناصر الکتریکی (ترانسفورماتورها، عایق ها و غیره) انجام می دهد. پس از نهایی شدن اجزا (ROI و عناصر)، فرآیند شناسایی مجدد آغاز می شود: تصاویر و قطب ها در نقشه شبکه بر اساس ابرداده های سه بعدی مطابقت داده می شوند. این اجازه می دهد تا ROI های مربوط به همان قطب را خوشه بندی کنید. پس از آن، ناهنجاری ها نهایی می شوند و گزارش هایی تولید می شود.
استخراج اندازه گیری های دقیق با استفاده از ابرهای نقطه LiDAR
عکسهای با وضوح بالا بسیار مفید هستند، اما به دلیل دوبعدی بودن آنها، استخراج اندازهگیری دقیق از آنها غیرممکن است. ابرهای نقطه LiDAR در اینجا به کمک می آیند، زیرا آنها سه بعدی هستند و هر نقطه در ابر موقعیتی با خطای مرتبط کمتر از چند سانتی متر دارند.
با این حال، در بسیاری از موارد، یک ابر نقطه خام مفید نیست، زیرا اگر ندانید که آیا مجموعه ای از نقاط نشان دهنده یک درخت، یک خط برق یا یک خانه است، نمی توانید کار زیادی با آن انجام دهید. به همین دلیل Enel استفاده می کند KPConv، یک الگوریتم تقسیم بندی ابر نقطه معنایی، برای اختصاص یک کلاس به هر نقطه. پس از طبقهبندی ابر، به جای اندازهگیری شیب قطبها، میتوان فهمید که آیا پوشش گیاهی خیلی به خط برق نزدیک است یا خیر. با توجه به انعطاف پذیری سرویس های SageMaker، خط لوله این راه حل تفاوت چندانی با آنچه که قبلا توضیح داده شد ندارد، تنها با این تفاوت که در این مورد لازم است از نمونه های GPU نیز برای استنتاج استفاده شود.
در زیر چند نمونه از تصاویر ابر نقطه ای آورده شده است.
نگاهی به شبکه برق از فضا: نقشه برداری از پوشش گیاهی برای جلوگیری از اختلالات خدمات
بازرسی شبکه برق با هلیکوپتر و وسایل دیگر به طور کلی بسیار گران است و نمی توان آن را به طور مکرر انجام داد. از سوی دیگر، داشتن سیستمی برای نظارت بر روند پوشش گیاهی در فواصل زمانی کوتاه، برای بهینهسازی یکی از گرانترین فرآیندهای توزیعکننده انرژی: هرس درختان، بسیار مفید است. به همین دلیل است که Enel همچنین در راه حل خود تجزیه و تحلیل تصاویر ماهواره ای را گنجانده است که از طریق آن با رویکرد چند وظیفه ای محل حضور پوشش گیاهی، تراکم آن و نوع گیاهان تقسیم شده به کلاس های کلان شناسایی می شود.
برای این مورد استفاده، پس از آزمایش با وضوح های مختلف، Enel به این نتیجه رسید که رایگان تصاویر Sentinel 2 ارائه شده توسط برنامه کوپرنیک بهترین نسبت هزینه به فایده را داشت. علاوه بر پوشش گیاهی، Enel همچنین از تصاویر ماهوارهای برای شناسایی ساختمانها استفاده میکند، که اطلاعات مفیدی برای درک اینکه آیا اختلافی بین حضور آنها و محل تامین انرژی Enel وجود دارد و بنابراین هرگونه اتصال نامنظم یا مشکل در پایگاههای داده وجود دارد، مفید است. برای مورد دوم، وضوح Sentinel 2، که در آن یک پیکسل مساحت 10 متر مربع را نشان می دهد، کافی نیست و بنابراین تصاویر پولی با وضوح 50 سانتی متر مربع خریداری می شوند. این راه حل نیز از نظر خدمات استفاده شده و جریان، تفاوت چندانی با راه حل های قبلی ندارد.
در زیر تصویر هوایی با شناسایی دارایی ها (قطب و مقره) آمده است.
آنجلا ایتالیانو، مدیر علوم داده در ENEL Grid می گوید:
ما در Enel از مدل های بینایی کامپیوتری برای بازرسی شبکه توزیع برق خود با بازسازی تصاویر سه بعدی شبکه خود با استفاده از ده ها میلیون تصویر با کیفیت بالا و ابرهای نقطه LiDAR استفاده می کنیم. آموزش این مدلهای ML مستلزم دسترسی به تعداد زیادی نمونه مجهز به پردازندههای گرافیکی با کارایی بالا و توانایی مدیریت حجم زیادی از دادهها به طور کارآمد است. با آمازون SageMaker، میتوانیم به سرعت همه مدلهای خود را بدون نیاز به مدیریت زیرساختها بهطور موازی آموزش دهیم، زیرا آموزش Amazon SageMaker منابع محاسباتی را در صورت نیاز افزایش و کاهش میدهد. با استفاده از آمازون SageMaker، میتوانیم تصاویر سهبعدی از سیستمهای خود بسازیم، ناهنجاریها را نظارت کنیم و به بیش از ۶۰ میلیون مشتری به طور کارآمد خدمات ارائه کنیم.»
نتیجه
در این پست دیدیم که چگونه یک بازیکن برتر در دنیای انرژی مانند Enel از مدلهای بینایی کامپیوتری و آموزش و پردازش SageMaker برای حل یکی از مشکلات اصلی کسانی که مجبور به مدیریت زیرساختی با این اندازه عظیم هستند، استفاده میکند. دارایی ها، و شناسایی ناهنجاری ها و منابع خطر برای یک خط برق مانند پوشش گیاهی بسیار نزدیک به آن.
در مورد ویژگی های مرتبط بیشتر بدانید SageMaker.
درباره نویسنده
ماریو نامتائو شیانتی لارچر رئیس بخش بینایی کامپیوتر در Enel است. او سابقه ای در ریاضیات، آمار و تخصص عمیقی در یادگیری ماشین و بینایی کامپیوتر دارد، او تیمی متشکل از ده متخصص را رهبری می کند. نقش ماریو مستلزم پیادهسازی راهحلهای پیشرفته است که به طور موثر از قدرت هوش مصنوعی و بینایی رایانهای برای استفاده از منابع داده گسترده Enel استفاده میکند. او علاوه بر تلاشهای حرفهایاش، اشتیاق شخصی هم به هنر سنتی و هم هنر تولید شده توسط هوش مصنوعی را در خود پرورش میدهد.
کریستین گاوازنی یک معمار ارشد راه حل در خدمات وب آمازون است. او بیش از 20 سال تجربه به عنوان مشاور پیش فروش با تمرکز بر مدیریت داده، زیرساخت و امنیت دارد. در اوقات فراغت خود دوست دارد با دوستانش گلف بازی کند و فقط با رزرو پرواز و رانندگی به خارج از کشور سفر کند.
جوزپه آنجلو پورچلی یک معمار اصلی راه حل های متخصص یادگیری ماشین برای خدمات وب آمازون است. او با چندین سال مهندسی نرم افزار پیشینه ML، با مشتریان در هر اندازه ای کار می کند تا عمیقاً نیازهای تجاری و فنی آنها را درک کند و راه حل های هوش مصنوعی و یادگیری ماشینی را طراحی کند که بهترین استفاده را از AWS Cloud و پشته یادگیری ماشین آمازون می کند. او روی پروژههایی در حوزههای مختلف، از جمله MLOps، Computer Vision، NLP و شامل مجموعه گستردهای از خدمات AWS کار کرده است. جوزپه در اوقات فراغت خود از بازی فوتبال لذت می برد.
- محتوای مبتنی بر SEO و توزیع روابط عمومی. امروز تقویت شوید.
- PlatoData.Network Vertical Generative Ai. به خودت قدرت بده دسترسی به اینجا.
- PlatoAiStream. هوش وب 3 دانش تقویت شده دسترسی به اینجا.
- PlatoESG. خودرو / خودروهای الکتریکی، کربن ، CleanTech، انرژی، محیط، خورشیدی، مدیریت پسماند دسترسی به اینجا.
- BlockOffsets. نوسازی مالکیت افست زیست محیطی. دسترسی به اینجا.
- منبع: https://aws.amazon.com/blogs/machine-learning/enel-automates-large-scale-power-grid-asset-management-and-anomaly-detection-using-amazon-sagemaker/
- : دارد
- :است
- :نه
- :جایی که
- $UP
- 1
- 10
- 100
- 13
- 20
- سال 20
- 2D
- 32
- 3d
- 40
- 50
- 60
- 7
- a
- توانایی
- قادر
- درباره ما
- تسریع شد
- دسترسی
- مطابق
- دقت
- دقیق
- در میان
- اضافه
- پیشرفته
- پیشرفت
- مزیت - فایده - سود - منفعت
- مقرون به صرفه
- پس از
- AI
- الگوریتم
- معرفی
- اجازه می دهد تا
- قبلا
- همچنین
- هر چند
- آمازون
- آموزش ماشین آمازون
- آمازون SageMaker
- آمازون خدمات وب
- جاه طلب
- مقدار
- an
- تحلیل
- تجزیه و تحلیل
- تجزیه و تحلیل
- و
- تشخیص ناهنجاری
- هر
- ظاهر می شود
- برنامه های کاربردی
- روش
- معماری
- معماری
- هستند
- محدوده
- هنر
- AS
- ارزیابی
- دارایی
- مدیریت دارایی
- دارایی
- مرتبط است
- At
- خودکار بودن
- خودکار می کند
- اتوماتیک
- در دسترس
- اجتناب از
- AWS
- زمینه
- مستقر
- BE
- زیرا
- بودن
- بهترین
- میان
- رزرو
- هر دو
- پهن
- ساختن
- ساخته
- کسب و کار
- اما
- by
- محاسبه
- نام
- دوربین
- CAN
- ظرفیت
- اتومبیل
- مورد
- موارد
- معین
- به چالش کشیدن
- مشخصات
- کلاس
- کلاس ها
- طبقه بندی
- طبقه بندی
- نزدیک
- ابر
- خوشه بندی
- بیا
- شرکت
- به طور کامل
- اجزاء
- محاسبه
- کامپیوتر
- چشم انداز کامپیوتر
- محاسبه
- قدرت پردازش
- به این نتیجه رسیدند
- اتصالات
- مشاور
- کنترل
- گران
- کشور
- دوره
- بحرانی
- مشتریان
- خطر
- داده ها
- مدیریت اطلاعات
- علم اطلاعات
- پایگاه های داده
- عمیق
- یادگیری عمیق
- ارائه
- دموکراتیک شدن
- شرح داده شده
- طرح
- با وجود
- جزئیات
- تشخیص
- کشف
- توسعه
- در حال توسعه
- متفاوت است
- تفاوت
- مختلف
- دیجیتال
- مستقیما
- مدیر
- بحث و تبادل نظر
- توزیع
- تقسیم شده
- do
- نمی کند
- حوزه
- انجام شده
- آیا
- پایین
- راندن
- دو
- نسخه های تکراری
- در طی
- هر
- به طور موثر
- موثر
- برق
- عناصر
- فعال
- تلاش می کند
- انرژی
- مهندسی
- عظیم
- موجودیت
- مجهز بودن
- خطا
- تاسیس
- ارزیابی
- حتی
- مثال ها
- گران
- تجربه
- تخصص
- وسیع
- عصاره
- عصاره ها
- خیلی
- کارخانه
- امکانات
- پرداخت
- شکل
- نهایی شده است
- سرانجام
- پیدا کردن
- نام خانوادگی
- انعطاف پذیری
- جریان
- تمرکز
- پیروی
- فوتبال
- برای
- جنگل
- خوشبختانه
- چارچوب
- رایگان
- غالبا
- دوستان
- از جانب
- توابع
- بیشتر
- عموما
- تولید
- دریافت کنید
- داده
- هدف
- گلف
- حکومت می کند
- GPU
- GPU ها
- توری
- گروه
- مهمان
- پست مهمان
- بود
- دست
- مشت
- دسته
- آیا
- داشتن
- he
- سر
- به شدت
- اینجا کلیک نمایید
- در سطح بالا
- عملکرد بالا
- با کیفیت بالا
- کیفیت بالا
- خود را
- خانه
- چگونه
- HTML
- HTTP
- HTTPS
- شناسایی
- شناسایی
- شناسایی
- شناسایی
- if
- تصویر
- طبقه بندی تصویر
- تصاویر
- اجرای
- غیر ممکن
- in
- مشمول
- از جمله
- اطلاعات
- شالوده
- نصب شده
- علاقه
- داخلی
- به
- سرمایه گذاری
- شامل
- IT
- ایتالیا
- اقلام
- ITS
- شغل ها
- JPG
- تنها
- نگاه داشتن
- دانستن
- عدم
- بزرگ
- در مقیاس بزرگ
- آخرین
- منجر می شود
- نشت
- یادگیری
- کمتر
- قدرت نفوذ
- پسندیدن
- دوست دارد
- لاین
- دستگاه
- فراگیری ماشین
- درشت دستور
- اصلی
- ساخت
- باعث می شود
- مدیریت
- مدیریت
- کتابچه راهنمای
- دستی
- بسیاری
- نقشه
- نقشه برداری
- ماریو
- تطبیق
- ماده
- ریاضیات
- بلوغ
- به معنی
- اندازه گیری
- اندازه گیری
- متاداده
- روش
- میلیون
- میلیون ها نفر
- ML
- MLO ها
- مدل
- مدرن
- پول
- مانیتور
- نظارت بر
- بیش
- اکثر
- بسیار
- چند ملیتی
- چندگانه
- نام
- ملی
- لازم
- ضروری
- نیازمند
- نیازهای
- شبکه
- nlp
- عدد
- هدف
- تشخیص شی
- به دست آمده
- of
- غالبا
- نفت
- on
- ONE
- آنهایی که
- فقط
- عمل
- اپراتور
- بهینه سازی
- or
- هماهنگ شده
- دیگر
- دیگران
- ما
- خارج
- روی
- خود
- موازی
- پارامترهای
- شور
- شخصی
- عکس
- تصویر
- خط لوله
- پیکسل
- گیاهان
- سکو
- افلاطون
- هوش داده افلاطون
- PlatoData
- بازیکن
- بازی
- نقطه
- نقطه
- موقعیت
- ممکن
- پست
- پست ها
- قدرت
- شبکه برق
- دقیق
- حضور
- در حال حاضر
- جلوگیری از
- قبلی
- اصلی
- خصوصی
- مشکلات
- روند
- فرآیندهای
- در حال پردازش
- حرفه ای
- حرفه ای
- عمیق
- برنامه
- پروژه ها
- ارائه
- خریداری شده
- مارماهی
- کیفیت
- به سرعت
- نسبتا
- نسبت
- خام
- تحقق بخشیدن
- دلیل
- اخیر
- به رسمیت شناخته شده
- مناطق
- مربوط
- بقایای
- انرژی های تجدیدپذیر
- گزارش ها
- نشان دهنده
- نیاز
- نجات
- وضوح
- منابع
- نقش
- حکیم ساز
- همان
- ماهواره ای
- دید
- می گوید:
- مقیاس ها
- علم
- ثانیه
- بخش
- تیم امنیت لاتاری
- تقسیم بندی
- ارشد
- خدمت
- سرویس
- خدمات
- تنظیم
- چند
- اشتراک گذاری
- کوتاه
- نشان می دهد
- ساده
- ساده شده
- اندازه
- کوچک
- So
- نرم افزار
- مهندسی نرم افزار
- راه حل
- مزایا
- حل
- برخی از
- منابع
- فضا
- متخصص
- اختصاصی
- مربع
- پشته
- استاندارد
- آغاز شده
- دولت
- ارقام
- وضعیت
- گام
- مراحل
- ذخیره سازی
- ذخیره شده
- قوی
- ساختار
- چنین
- کافی
- سیستم
- سیستم های
- صورت گرفته
- طول می کشد
- مصرف
- کار
- وظایف
- تیم
- فنی
- فن آوری
- پیشرفته
- ده
- ده ها
- قوانین و مقررات
- نسبت به
- با تشکر
- که
- La
- دولت
- جهان
- شان
- آنها
- سپس
- آنجا.
- از این رو
- اینها
- آنها
- این
- کسانی که
- سه
- زمان
- به
- امروز
- هم
- بالا
- مسیر
- سنتی
- قطار
- آموزش دیده
- آموزش
- ترانسفورماتور
- درخت
- روند
- دو
- نوع
- فهمیدن
- واحد
- به روز رسانی
- قابل استفاده
- استفاده کنید
- مورد استفاده
- استفاده
- کاربران
- استفاده
- با استفاده از
- استفاده کنید
- بسیار
- دید
- جلد
- we
- وب
- خدمات وب
- خوب
- بود
- چه
- که
- WHO
- چرا
- ویکیپدیا
- با
- در داخل
- بدون
- مشغول به کار
- با این نسخهها کار
- جهان
- خواهد بود
- سال
- سال
- شما
- زفیرنت