Tämä on Enelin tietokonevision johtajan Mario Namtao Shianti Larcherin vieraspostaus.
Enel, joka aloitti Italian kansallisena sähköyhtiönä, on nykyään monikansallinen yritys, joka toimii 32 maassa ja maailman ensimmäinen yksityinen verkko-operaattori, jolla on 74 miljoonaa käyttäjää. Se on myös tunnustettu ensimmäiseksi uusiutuvien energialähteiden toimijaksi, jonka asennettu kapasiteetti on 55.4 GW. Viime vuosina yhtiö on investoinut voimakkaasti koneoppimissektoriin kehittämällä vahvaa omaa osaamista, jonka avulla on pystytty toteuttamaan erittäin kunnianhimoisia projekteja, kuten 2.3 miljoonan kilometrin jakeluverkoston automaattinen valvonta.
Enel tarkastaa sähkönjakeluverkkonsa vuosittain helikoptereilla, autoilla tai muilla keinoin; ottaa miljoonia valokuvia; ja rekonstruoi verkkonsa 3D-kuvan, joka on a pistepilvi Verkon 3D-rekonstruktio, saatu LiDAR-tekniikalla.
Näiden tietojen tutkiminen on ratkaisevan tärkeää sähköverkon tilan seurannassa, infrastruktuurin poikkeavuuksien tunnistamisessa ja asennettujen omaisuuserien tietokantojen päivittämisessä, ja se mahdollistaa infrastruktuurin yksityiskohtaisen hallinnan tiettyyn pylvääseen asennetun pienimmän eristimen materiaaliin ja tilaan asti. Kun otetaan huomioon tietomäärä (yli 40 miljoonaa kuvaa vuosittain vain Italiassa), tunnistettavien kohteiden määrä ja niiden spesifisyys, täysin manuaalinen analyysi on erittäin kallista sekä ajan että rahan kannalta ja virhealtista. Onneksi tämä kallis prosessi on mahdollista automatisoida osittain tai jopa kokonaan tietokonenäön ja syvän oppimisen maailmassa tapahtuvan valtavan edistyksen sekä näiden teknologioiden kypsyyden ja demokratisoitumisen ansiosta.
Tehtävä on tietysti edelleen erittäin haastava, ja kuten kaikki nykyaikaiset tekoälysovellukset, se vaatii laskentatehoa ja kykyä käsitellä suuria tietomääriä tehokkaasti.
Enel rakensi oman ML-alustan (sisäisesti nimeltään ML-tehdas) pohjalta Amazon Sage Maker, ja alusta on vakiinnutettu standardiratkaisuksi Enelin mallien rakentamiseen ja kouluttamiseen erilaisiin käyttötarkoituksiin, eri digitaalisissa keskipisteissä (liiketoimintayksiköissä) ja kymmeniä ML-projekteja kehitetään Amazon SageMaker -koulutus, Amazon SageMaker -käsittelyja muut AWS-palvelut, kuten AWS-vaihetoiminnot.
Enel kerää kuvia ja dataa kahdesta eri lähteestä:
- Ilmaverkon tarkastukset:
- LiDAR-pistepilviä – Niiden etuna on äärimmäisen tarkka ja geolokalisoitu infrastruktuurin 3D-rekonstruktio, ja siksi niistä on hyötyä etäisyyksien laskemisessa tai mittausten tekemisessä sellaisella tarkkuudella, jota ei voida saada 2D-kuva-analyysistä.
- Korkearesoluutioisia kuvia – Nämä kuvat infrastruktuurista otetaan sekunneissa toisistaan. Tämä mahdollistaa elementtien ja poikkeavuuksien havaitsemisen, jotka ovat liian pieniä tunnistettavaksi pistepilvessä.
- Satelliittikuvat – Vaikka nämä voivat olla edullisempia kuin sähköjohdon tarkastus (jotkut ovat saatavilla ilmaiseksi tai maksua vastaan), niiden tarkkuus ja laatu eivät useinkaan vastaa Enelin suoraan ottamia kuvia. Näiden kuvien ominaisuudet tekevät niistä hyödyllisiä tietyissä tehtävissä, kuten metsätiheyden ja makroluokan arvioinnissa tai rakennusten etsimisessä.
Tässä viestissä käsittelemme yksityiskohtia siitä, kuinka Enel käyttää näitä kolmea lähdettä, ja jaamme, kuinka Enel automatisoi laajamittaisen sähköverkon arviointi- ja poikkeamien havaitsemisprosessinsa SageMakerin avulla.
Analysoi korkearesoluutioisia valokuvia omaisuuden ja poikkeavuuksien tunnistamiseksi
Kuten muutkin tarkastuksissa kerätyt jäsentelemättömät tiedot, otetut valokuvat tallennetaan Amazonin yksinkertainen tallennuspalvelu (Amazon S3). Jotkut näistä on merkitty manuaalisesti tavoitteena kouluttaa erilaisia syväoppimismalleja erilaisiin tietokonenäkötehtäviin.
Käsitteellisesti prosessointi- ja päättelyputkisto sisältää hierarkkisen lähestymistavan, jossa on useita vaiheita: ensin tunnistetaan kuvan kiinnostavat alueet, sitten ne rajataan, tunnistetaan niiden sisältä ja lopuksi ne luokitellaan materiaalin tai niissä olevien poikkeavuuksien mukaan. Koska sama napa esiintyy usein useammassa kuin yhdessä kuvassa, sen kuvat on myös pystyttävä ryhmittelemään päällekkäisyyksien välttämiseksi. uudelleentunnistus.
Kaikissa näissä tehtävissä Enel käyttää PyTorch-kehystä ja uusimpia arkkitehtuureja kuvien luokitteluun ja objektien havaitsemiseen, kuten esim. EfficientNet/EfficientDet tai muut tiettyjen poikkeavuuksien, kuten muuntajien öljyvuotojen, semanttiseen segmentointiin. Jos he eivät pysty tekemään sitä geometrisesti, koska heiltä puuttuvat kameraparametrit, he käyttävät uudelleentunnistustehtävää SimCLRkäytetään itsevalvottuja menetelmiä tai muuntajapohjaisia arkkitehtuureja. Olisi mahdotonta kouluttaa kaikkia näitä malleja ilman pääsyä suureen määrään tehokkailla GPU:illa varustettuja instansseja, joten kaikki mallit koulutettiin rinnakkain Amazon SageMaker -koulutus työt GPU-kiihdytetyillä ML-esiintymillä. Päätelmillä on sama rakenne ja sitä ohjaa Step Functions -tilakone, joka ohjaa useita SageMaker-käsittely- ja koulutustöitä, jotka nimestä huolimatta ovat yhtä käyttökelpoisia koulutuksessa kuin päättelyssä.
Seuraavassa on korkean tason arkkitehtuuri ML-liukuhihnasta päävaiheineen.
Tämä kaavio näyttää ODIN-kuvapäättelyputken yksinkertaistetun arkkitehtuurin, joka poimii ja analysoi ROI-kohteita (kuten sähköposteja) tietojoukon kuvista. Putkilinja tutkii edelleen ROI:ita, poimii ja analysoi sähköelementtejä (muuntajat, eristimet ja niin edelleen). Kun komponentit (ROI:t ja elementit) on viimeistelty, uudelleentunnistusprosessi alkaa: verkkokartan kuvat ja navat yhdistetään 3D-metadatan perusteella. Tämä mahdollistaa samaan napaan viittaavien ROI:iden klusteroinnin. Tämän jälkeen poikkeamat viimeistellään ja raportit luodaan.
Tarkkojen mittausten poimiminen LiDAR-pistepilvien avulla
Korkearesoluutioiset valokuvat ovat erittäin hyödyllisiä, mutta koska ne ovat 2D-muotoisia, niistä on mahdotonta saada tarkkoja mittoja. LiDAR-pistepilvet tulevat apuun, koska ne ovat 3D-kuvia ja niillä on jokaisella pilven pisteellä sijainti, johon liittyy alle kourallinen senttimetriä.
Monissa tapauksissa raakapistepilvestä ei kuitenkaan ole hyötyä, koska sillä ei voi tehdä paljoa, jos ei tiedä, edustaako pistejoukko puuta, voimalinjaa vai taloa. Tästä syystä Enel käyttää KPConv, semanttinen pistepilven segmentointialgoritmi, joka määrittää kullekin pisteelle luokan. Kun pilvi on luokiteltu, on mahdollista selvittää, onko kasvillisuus liian lähellä voimajohtoa sen sijaan, että mitataan pylväiden kaltevuutta. SageMaker-palveluiden joustavuuden vuoksi tämän ratkaisun putkisto ei juurikaan poikkea jo kuvatusta, sillä ainoana erona on, että tässä tapauksessa päättelyyn on käytettävä myös GPU-instanssia.
Seuraavassa on esimerkkejä pistepilvikuvista.
Sähköverkkoa avaruudesta katsottuna: Kasvillisuuden kartoitus palveluhäiriöiden estämiseksi
Sähköverkon tarkastaminen helikoptereilla ja muilla tavoilla on yleensä erittäin kallista, eikä sitä voida tehdä liian usein. Toisaalta järjestelmä, jolla seurataan kasvillisuuden kehitystä lyhyin aikavälein, on erittäin hyödyllistä optimoitaessa yhtä energianjakelijan kalleimmista prosesseista: puiden karsimisesta. Siksi Enel sisällytti ratkaisuunsa myös satelliittikuvien analyysin, josta monitehtävälähestymistavalla selvitetään, missä kasvillisuus on, sen tiheys ja makroluokkiin jaettu kasvilaji.
Tässä käyttötapauksessa, kokeiltuaan erilaisia resoluutioita, Enel totesi, että ilmainen Sentinel 2 kuvia Copernicus-ohjelman tarjoamalla kustannus-hyötysuhteella oli paras. Kasvillisuuden lisäksi Enel käyttää rakennusten tunnistamiseen myös satelliittikuvia, jotka ovat hyödyllisiä, jotta voidaan ymmärtää, onko niiden läsnäolon ja Enelin sähkönjakelupaikan välillä eroja ja siten tietokannan epäsäännöllisiä yhteyksiä tai ongelmia. Jälkimmäiseen käyttötapaukseen ei riitä Sentinel 2:n resoluutio, jossa yksi pikseli edustaa 10 neliömetrin aluetta, joten ostetaan maksullisia kuvia 50 neliösenttimetrin resoluutiolla. Tämä ratkaisu ei myöskään eroa paljoa aiemmista palveluiden käytössä ja sujuvuudessa.
Seuraavassa on ilmakuva, jossa on tunnistetiedot (pylväs ja eristeet).
Angela Italiano, ENEL Gridin tietotieteen johtaja, sanoo
”Me Enelillä tarkastamme sähkönjakeluverkkomme tietokonenäkömalleilla rekonstruoimalla verkkostamme 3D-kuvia kymmenien miljoonien korkealaatuisten kuvien ja LiDAR-pistepilvien avulla. Näiden ML-mallien koulutus vaatii pääsyn suureen määrään instansseja, jotka on varustettu korkean suorituskyvyn GPU:illa ja kykyä käsitellä suuria tietomääriä tehokkaasti. Amazon SageMakerin avulla voimme nopeasti kouluttaa kaikkia mallejamme rinnakkain ilman infrastruktuurin hallintaa, koska Amazon SageMaker -koulutus skaalaa laskentaresursseja ylös ja alas tarpeen mukaan. Amazon SageMakerin avulla pystymme rakentamaan 3D-kuvia järjestelmistämme, tarkkailemaan poikkeavuuksia ja palvelemaan yli 60 miljoonaa asiakasta tehokkaasti.
Yhteenveto
Tässä postauksessa näimme kuinka energiamaailman huipputoimija, kuten Enel, käytti tietokonenäkömalleja ja SageMaker-koulutus- ja prosessointitöitä ratkaistakseen yhden tärkeimmistä ongelmista niille, jotka joutuvat hallitsemaan tämän valtavan kokoista infrastruktuuria, seuraamaan asennettua omaisuutta ja tunnistamaan poikkeavuuksia ja vaaran lähteitä voimalinjassa, kuten kasvillisuus liian lähellä sitä.
Lue lisää liittyvistä ominaisuuksista SageMaker.
Tietoja Tekijät
Mario Namtao Shianti Larcher on Enelin tietotekniikan johtaja. Hänellä on matematiikan, tilastotieteen tausta sekä syvällinen koneoppimisen ja tietokonenäön asiantuntemus, hän johtaa yli kymmenen ammattilaisen tiimiä. Marion rooliin kuuluu edistyneiden ratkaisujen käyttöönotto, jotka hyödyntävät tehokkaasti tekoälyn ja tietokonenäön voimaa Enelin laajojen tietoresurssien hyödyntämiseksi. Ammattityönsä lisäksi hän vaalii henkilökohtaista intohimoa sekä perinteiseen että tekoälyn tuottamaan taiteeseen.
Cristian Gavazzeni on vanhempi ratkaisuarkkitehti Amazon Web Servicesissä. Hänellä on yli 20 vuoden kokemus myyntiä edeltävänä konsulttina, joka keskittyy tiedonhallintaan, infrastruktuuriin ja tietoturvaan. Vapaa-ajallaan hän pelaa golfia ystävien kanssa ja matkustaa ulkomaille vain lento- ja ajovarauksilla.
Giuseppe Angelo Porcelli on koneoppimisen asiantuntijaratkaisujen pääarkkitehti Amazon Web Servicesille. Hänellä on useiden vuosien ohjelmistokehitys ja ML-tausta. Hän työskentelee kaikenkokoisten asiakkaiden kanssa ymmärtääkseen syvällisesti heidän liiketoimintaansa ja teknisiä tarpeitaan sekä suunnitellakseen tekoäly- ja koneoppimisratkaisuja, jotka hyödyntävät AWS-pilviä ja Amazon Machine Learning -pinoa parhaalla mahdollisella tavalla. Hän on työskennellyt projekteissa eri aloilla, mukaan lukien MLOps, Computer Vision, NLP, ja mukana on laaja valikoima AWS-palveluita. Vapaa-ajallaan Giuseppe pelaa jalkapalloa.
- SEO-pohjainen sisällön ja PR-jakelu. Vahvista jo tänään.
- PlatoData.Network Vertical Generatiivinen Ai. Vahvista itseäsi. Pääsy tästä.
- PlatoAiStream. Web3 Intelligence. Tietoa laajennettu. Pääsy tästä.
- PlatoESG. Autot / sähköautot, hiili, CleanTech, energia, ympäristö, Aurinko, Jätehuolto. Pääsy tästä.
- BlockOffsets. Ympäristövastuun omistuksen nykyaikaistaminen. Pääsy tästä.
- Lähde: https://aws.amazon.com/blogs/machine-learning/enel-automates-large-scale-power-grid-asset-management-and-anomaly-detection-using-amazon-sagemaker/
- :on
- :On
- :ei
- :missä
- $ YLÖS
- 1
- 10
- 100
- 13
- 20
- 20 vuotta
- 2D
- 32
- 3d
- 40
- 50
- 60
- 7
- a
- kyky
- pystyy
- Meistä
- kiihtyi
- pääsy
- Mukaan
- tarkkuus
- tarkka
- poikki
- Lisäksi
- kehittynyt
- ennakot
- Etu
- edullinen
- Jälkeen
- AI
- algoritmi
- Kaikki
- mahdollistaa
- jo
- Myös
- Vaikka
- Amazon
- Amazonin koneoppiminen
- Amazon Sage Maker
- Amazon Web Services
- kunnianhimoinen
- määrä
- an
- analyysi
- analyysit
- analysointi
- ja
- poikkeavuuden havaitseminen
- Kaikki
- näyttää
- sovellukset
- lähestymistapa
- arkkitehtuurin
- arkkitehtuuri
- OVAT
- ALUE
- Art
- AS
- arviointi
- etu
- vahvuuksien hallinta
- Varat
- liittyvä
- At
- automatisoida
- automaatti
- automaattisesti
- saatavissa
- välttää
- AWS
- tausta
- perustua
- BE
- koska
- ovat
- PARAS
- välillä
- varaukset
- sekä
- laaja
- rakentaa
- rakennettu
- liiketoiminta
- mutta
- by
- laskettaessa
- nimeltään
- kamera
- CAN
- Koko
- autot
- tapaus
- tapauksissa
- tietty
- haastava
- ominaisuudet
- luokka
- luokat
- luokittelu
- luokiteltu
- lähellä
- pilvi
- klustereiden
- Tulla
- yritys
- täysin
- osat
- Laskea
- tietokone
- Tietokoneen visio
- tietojenkäsittely
- laskentateho
- päätökseen
- Liitännät
- konsultti
- ohjaus
- kallis
- maahan
- Kurssi
- kriittinen
- Asiakkaat
- VAARA
- tiedot
- tiedonhallinta
- tietojenkäsittely
- tietokannat
- syvä
- syvä oppiminen
- Antaa
- demokratisointi
- on kuvattu
- Malli
- Huolimatta
- yksityiskohdat
- havaita
- Detection
- kehitetty
- kehittämällä
- erota
- ero
- eri
- digitaalinen
- suoraan
- Johtaja
- pohtia
- jakelu
- jaettu
- do
- ei
- verkkotunnuksia
- tehty
- Dont
- alas
- ajaa
- kaksi
- kaksoiskappaleet
- aikana
- kukin
- tehokkaasti
- tehokkaasti
- sähkö
- elementtejä
- käytössä
- pyrkii
- energia
- Tekniikka
- valtava
- kokonaisuus
- varustettu
- virhe
- vakiintunut
- arviointiin
- Jopa
- Esimerkit
- kallis
- experience
- asiantuntemus
- laaja
- uute
- otteet
- erittäin
- tehdas
- Ominaisuudet
- maksu
- Kuva
- viimeistelty
- Vihdoin
- löytäminen
- Etunimi
- Joustavuus
- virtaus
- tarkennus
- jälkeen
- jalkapallo
- varten
- metsä
- Onneksi
- Puitteet
- Ilmainen
- usein
- ystäviä
- alkaen
- tehtävät
- edelleen
- yleensä
- syntyy
- saada
- tietty
- tavoite
- golf
- hallitsee
- GPU
- GPU
- ruudukko
- Ryhmä
- vieras
- vieras Lähetä
- HAD
- käsi
- kourallinen
- kahva
- Olla
- ottaa
- he
- pää
- raskaasti
- tätä
- korkean tason
- korkea suorituskyky
- korkealaatuisia
- korkea resoluutio
- hänen
- Talo
- Miten
- HTML
- http
- HTTPS
- Tunnistaminen
- tunnistettu
- tunnistaa
- tunnistaminen
- if
- kuva
- Kuvaluokitus
- kuvien
- täytäntöönpanosta
- mahdoton
- in
- mukana
- Mukaan lukien
- tiedot
- Infrastruktuuri
- asennetaan
- korko
- sisäisesti
- tulee
- investoineet
- johon
- IT
- Italia
- kohdetta
- SEN
- Työpaikat
- jpg
- vain
- Pitää
- Tietää
- Lack
- suuri
- laaja
- uusin
- Liidit
- Vuodot
- oppiminen
- vähemmän
- Vaikutusvalta
- pitää
- tykkää
- linja
- kone
- koneoppiminen
- Makro
- tärkein
- tehdä
- TEE
- hoitaa
- johto
- manuaalinen
- käsin
- monet
- kartta
- kartoitus
- mario
- Hyväksytty
- materiaali
- matematiikka
- kypsyys
- välineet
- mitat
- mittaus
- Metadata
- menetelmät
- miljoona
- miljoonia
- ML
- MLOps
- mallit
- Moderni
- raha
- monitori
- seuranta
- lisää
- eniten
- paljon
- monikansallinen
- moninkertainen
- nimi
- kansallinen
- välttämätön
- tarvitaan
- tarvitsevat
- tarpeet
- verkko
- NLP
- numero
- objekti
- Objektin tunnistus
- saatu
- of
- usein
- Öljy
- on
- ONE
- yhdet
- vain
- toiminta
- operaattori
- optimoimalla
- or
- orkestroinut
- Muut
- Muuta
- meidän
- ulos
- yli
- oma
- Parallel
- parametrit
- intohimo
- henkilöstö
- valokuvia
- kuva
- putki
- pixel
- Kasvit
- foorumi
- Platon
- Platonin tietotieto
- PlatonData
- soitin
- pelaa
- Kohta
- pistettä
- sijainti
- mahdollinen
- Kirje
- Viestejä
- teho
- Sähköverkko
- tarkka
- läsnäolo
- esittää
- estää
- edellinen
- Pääasiallinen
- yksityinen
- ongelmia
- prosessi
- Prosessit
- käsittely
- ammatillinen
- ammattilaiset
- syvällinen
- Ohjelma
- hankkeet
- mikäli
- osti
- pytorch
- laatu
- nopeasti
- pikemminkin
- suhde
- raaka
- ymmärtää
- reason
- äskettäinen
- tunnustettu
- alueet
- liittyvä
- jäännökset
- uusiutuvat
- Raportit
- edustaa
- Vaatii
- pelastus
- päätöslauselma
- Esittelymateriaalit
- Rooli
- sagemaker
- sama
- satelliitti
- näki
- sanoo
- asteikot
- tiede
- sekuntia
- sektori
- turvallisuus
- jakautuminen
- vanhempi
- palvella
- palvelu
- Palvelut
- setti
- useat
- Jaa:
- Lyhyt
- Näytä
- Yksinkertainen
- yksinkertaistettu
- Koko
- pieni
- So
- Tuotteemme
- ohjelmistotuotanto
- ratkaisu
- Ratkaisumme
- SOLVE
- jonkin verran
- Lähteet
- Tila
- asiantuntija
- erityispiirteet
- neliö
- pino
- standardi
- alkoi
- Osavaltio
- tilasto
- Tila
- Vaihe
- Askeleet
- Levytila
- tallennettu
- vahva
- rakenne
- niin
- riittävä
- järjestelmä
- järjestelmät
- otettava
- vie
- ottaen
- Tehtävä
- tehtävät
- joukkue-
- Tekninen
- Technologies
- Elektroniikka
- kymmenen
- kymmeniä
- ehdot
- kuin
- Kiitos
- että
- -
- Valtion
- maailma
- heidän
- Niitä
- sitten
- Siellä.
- siksi
- Nämä
- ne
- tätä
- ne
- kolmella
- aika
- että
- tänään
- liian
- ylin
- raita
- perinteinen
- Juna
- koulutettu
- koulutus
- muuntajat
- puu
- Trendit
- kaksi
- tyyppi
- ymmärtää
- yksiköt
- päivittäminen
- käyttökelpoinen
- käyttää
- käyttölaukku
- käytetty
- Käyttäjät
- käyttötarkoituksiin
- käyttämällä
- käyttää
- hyvin
- visio
- volyymit
- we
- verkko
- verkkopalvelut
- HYVIN
- olivat
- onko
- joka
- KUKA
- miksi
- wikipedia
- with
- sisällä
- ilman
- työskenteli
- toimii
- maailman-
- olisi
- vuosi
- vuotta
- Voit
- zephyrnet