Ceci est un article invité de Mario Namtao Shianti Larcher, responsable de la vision par ordinateur chez Enel.
Enel, qui a commencé comme entité nationale italienne pour l'électricité, est aujourd'hui une entreprise multinationale présente dans 32 pays et le premier opérateur de réseau privé au monde avec 74 millions d'utilisateurs. Il est également reconnu comme le premier acteur des énergies renouvelables avec 55.4 GW de capacité installée. Ces dernières années, l'entreprise a fortement investi dans le secteur du machine learning (ML) en développant en interne un solide savoir-faire qui lui a permis de réaliser des projets très ambitieux comme la surveillance automatique de ses 2.3 millions de kilomètres de réseau de distribution.
Chaque année, Enel inspecte son réseau de distribution d'électricité avec des hélicoptères, des voitures ou d'autres moyens ; prend des millions de photographies; et reconstitue l'image 3D de son réseau, qui est un nuage de points Reconstruction 3D du réseau, obtenue grâce à la technologie LiDAR.
L'examen de ces données est essentiel pour surveiller l'état du réseau électrique, identifier les anomalies de l'infrastructure et mettre à jour les bases de données des actifs installés, et il permet un contrôle granulaire de l'infrastructure jusqu'au matériau et à l'état du plus petit isolateur installé sur un poteau donné. Compte tenu de la quantité de données (plus de 40 millions d'images chaque année rien qu'en Italie), du nombre d'éléments à identifier et de leur spécificité, une analyse entièrement manuelle est très coûteuse, tant en temps qu'en argent, et sujette aux erreurs. Heureusement, grâce aux énormes avancées dans le monde de la vision par ordinateur et de l'apprentissage en profondeur et à la maturité et à la démocratisation de ces technologies, il est possible d'automatiser partiellement, voire complètement, ce processus coûteux.
Bien sûr, la tâche reste très difficile et, comme toutes les applications d'IA modernes, elle nécessite une puissance de calcul et la capacité de gérer efficacement de gros volumes de données.
Enel a construit sa propre plate-forme ML (appelée en interne l'usine ML) basée sur Amazon Sage Maker, et la plate-forme est établie comme la solution standard pour créer et former des modèles chez Enel pour différents cas d'utilisation, dans différents hubs numériques (unités commerciales) avec des dizaines de projets ML en cours de développement sur Formation Amazon Sage Maker, Traitement d'Amazon SageMaker, et d'autres services AWS comme Fonctions d'étape AWS.
Enel collecte des images et des données provenant de deux sources différentes :
- Inspections du réseau aérien :
- Nuages de points LiDAR – Ils ont l'avantage d'être une reconstruction 3D extrêmement précise et géo-localisée de l'infrastructure, et sont donc très utiles pour calculer des distances ou prendre des mesures avec une précision non obtenue à partir d'une analyse d'images 2D.
- Images haute résolution – Ces images de l'infrastructure sont prises à quelques secondes d'intervalle. Cela permet de détecter des éléments et des anomalies trop petits pour être identifiés dans le nuage de points.
- Images satellites – Bien que celles-ci puissent être plus abordables qu'une inspection de ligne électrique (certaines sont disponibles gratuitement ou moyennant des frais), leur résolution et leur qualité ne sont souvent pas à la hauteur des images prises directement par Enel. Les caractéristiques de ces images les rendent utiles pour certaines tâches telles que l'évaluation de la densité et de la macro-catégorie de la forêt ou la recherche de bâtiments.
Dans cet article, nous discutons des détails de la façon dont Enel utilise ces trois sources et partageons comment Enel automatise sa gestion d'évaluation du réseau électrique à grande échelle et son processus de détection des anomalies à l'aide de SageMaker.
Analyser des photographies haute résolution pour identifier les actifs et les anomalies
Comme pour les autres données non structurées collectées lors des inspections, les photographies prises sont stockées sur Service de stockage simple Amazon (Amazon S3). Certains d'entre eux sont étiquetés manuellement dans le but de former différents modèles d'apprentissage en profondeur pour différentes tâches de vision par ordinateur.
Conceptuellement, le pipeline de traitement et d'inférence implique une approche hiérarchique en plusieurs étapes : d'abord, les régions d'intérêt dans l'image sont identifiées, puis celles-ci sont recadrées, les actifs sont identifiés en leur sein, et enfin ceux-ci sont classés en fonction du matériau ou de la présence d'anomalies sur eux. Parce qu'un même pôle apparaît souvent dans plus d'une image, il est également nécessaire de pouvoir regrouper ses images pour éviter les doublons, une opération appelée réidentification.
Pour toutes ces tâches, Enel utilise le framework PyTorch et les dernières architectures de classification d'images et de détection d'objets, telles que EfficaceNet/EfficientDet ou d'autres pour la segmentation sémantique de certaines anomalies, comme les fuites d'huile sur les transformateurs. Pour la tâche de réidentification, s'ils ne peuvent pas le faire géométriquement parce qu'ils manquent de paramètres de caméra, ils utilisent SimCLRDes méthodes auto-supervisées ou des architectures basées sur Transformer sont utilisées. Il serait impossible d'entraîner tous ces modèles sans avoir accès à un grand nombre d'instances équipées de GPU performants, donc tous les modèles ont été entraînés en parallèle à l'aide Formation Amazon Sage Maker tâches avec des instances de ML accélérées par GPU. L'inférence a la même structure et est orchestrée par une machine d'état Step Functions qui régit plusieurs tâches de traitement et de formation SageMaker qui, malgré leur nom, sont aussi utilisables en formation qu'en inférence.
Voici une architecture de haut niveau du pipeline ML avec ses principales étapes.
Ce diagramme montre l'architecture simplifiée du pipeline d'inférence d'images ODIN, qui extrait et analyse les retours sur investissement (tels que les poteaux électriques) à partir d'images d'ensembles de données. Le pipeline approfondit davantage les retours sur investissement, en extrayant et en analysant les éléments électriques (transformateurs, isolants, etc.). Une fois les composants (ROI et éléments) finalisés, le processus de réidentification commence : les images et les pôles de la carte du réseau sont mis en correspondance sur la base de métadonnées 3D. Cela permet de regrouper les ROI se référant au même pôle. Après cela, les anomalies sont finalisées et des rapports sont générés.
Extraction de mesures précises à l'aide de nuages de points LiDAR
Les photographies haute résolution sont très utiles, mais comme elles sont en 2D, il est impossible d'en extraire des mesures précises. Les nuages de points LiDAR viennent ici à la rescousse, car ils sont en 3D et ont à chaque point dans le nuage une position avec une erreur associée de moins d'une poignée de centimètres.
Cependant, dans de nombreux cas, un nuage de points brut n'est pas utile, car vous ne pouvez pas en faire grand-chose si vous ne savez pas si un ensemble de points représente un arbre, une ligne électrique ou une maison. Pour cette raison, Enel utilise KPConvName, un algorithme de segmentation sémantique des nuages de points, pour attribuer une classe à chaque point. Une fois le nuage classé, il est possible de déterminer si la végétation est trop proche de la ligne électrique plutôt que de mesurer l'inclinaison des poteaux. En raison de la flexibilité des services SageMaker, le pipeline de cette solution n'est pas très différent de celui déjà décrit, la seule différence étant que dans ce cas, il est également nécessaire d'utiliser des instances GPU pour l'inférence.
Voici quelques exemples d'images de nuages de points.
Observer le réseau électrique depuis l'espace : cartographier la végétation pour éviter les interruptions de service
L'inspection du réseau électrique avec des hélicoptères et d'autres moyens est généralement très coûteuse et ne peut pas être effectuée trop fréquemment. D'un autre côté, disposer d'un système de surveillance des tendances de la végétation à de courts intervalles de temps est extrêmement utile pour optimiser l'un des processus les plus coûteux d'un distributeur d'énergie : l'élagage des arbres. C'est pourquoi Enel a également inclus dans sa solution l'analyse d'images satellites, à partir desquelles, avec une approche multitâche, on identifie où la végétation est présente, sa densité et le type de plantes divisées en macro classes.
Pour ce cas d'utilisation, après avoir expérimenté différentes résolutions, Enel a conclu que le Sentinelle 2 images fournis par le programme Copernicus présentaient le meilleur rapport coût-bénéfice. En plus de la végétation, Enel utilise également l'imagerie satellite pour identifier les bâtiments, ce qui est une information utile pour comprendre s'il existe des écarts entre leur présence et l'endroit où Enel fournit de l'électricité et donc toute connexion irrégulière ou problème dans les bases de données. Pour ce dernier cas d'utilisation, la résolution de Sentinel 2, où un pixel représente une surface de 10 mètres carrés, n'est pas suffisante, et donc des images payantes avec une résolution de 50 centimètres carrés sont achetées. Cette solution diffère également peu des précédentes en termes de services utilisés et de flux.
Ce qui suit est une photo aérienne avec identification des actifs (poteau et isolateurs).
Angela Italiano, directrice de la science des données chez ENEL Grid, déclare :
« Chez Enel, nous utilisons des modèles de vision par ordinateur pour inspecter notre réseau de distribution d'électricité en reconstruisant des images 3D de notre réseau à l'aide de dizaines de millions d'images de haute qualité et de nuages de points LiDAR. La formation de ces modèles ML nécessite l'accès à un grand nombre d'instances équipées de GPU hautes performances et la capacité de gérer efficacement de gros volumes de données. Avec Amazon SageMaker, nous pouvons former rapidement tous nos modèles en parallèle sans avoir à gérer l'infrastructure, car la formation Amazon SageMaker fait évoluer les ressources de calcul selon les besoins. Grâce à Amazon SageMaker, nous sommes en mesure de créer des images 3D de nos systèmes, de surveiller les anomalies et de servir efficacement plus de 60 millions de clients.
Conclusion
Dans cet article, nous avons vu comment un acteur de premier plan dans le monde de l'énergie comme Enel a utilisé des modèles de vision par ordinateur et des travaux de formation et de traitement SageMaker pour résoudre l'un des principaux problèmes de ceux qui doivent gérer une infrastructure de cette taille colossale, suivre les actifs installés et identifier les anomalies et les sources de danger pour une ligne électrique comme la végétation trop proche.
En savoir plus sur les fonctionnalités associées de SageMaker.
À propos des auteurs
Mario Namtao Shianti Larcher est le responsable de la vision par ordinateur chez Enel. Il a une formation en mathématiques, en statistiques et une profonde expertise en apprentissage automatique et en vision par ordinateur, il dirige une équipe de plus de dix professionnels. Le rôle de Mario consiste à mettre en œuvre des solutions avancées qui utilisent efficacement la puissance de l'IA et de la vision par ordinateur pour tirer parti des vastes ressources de données d'Enel. En plus de ses efforts professionnels, il nourrit une passion personnelle pour l'art traditionnel et généré par l'IA.
Cristian Gavazzeni est architecte de solutions senior chez Amazon Web Services. Il a plus de 20 ans d'expérience en tant que consultant avant-vente spécialisé dans la gestion des données, l'infrastructure et la sécurité. Pendant son temps libre, il aime jouer au golf avec des amis et voyager à l'étranger avec seulement des réservations de vol et de voiture.
Giuseppe Angelo Porcelli est un architecte principal de solutions spécialisées en apprentissage automatique pour Amazon Web Services. Avec plusieurs années d'expérience en ingénierie logicielle et en ML, il travaille avec des clients de toutes tailles pour comprendre en profondeur leurs besoins commerciaux et techniques et concevoir des solutions d'IA et d'apprentissage automatique qui tirent le meilleur parti du cloud AWS et de la pile Amazon Machine Learning. Il a travaillé sur des projets dans différents domaines, notamment MLOps, Computer Vision, NLP, et impliquant un large éventail de services AWS. Pendant son temps libre, Giuseppe aime jouer au football.
- Contenu propulsé par le référencement et distribution de relations publiques. Soyez amplifié aujourd'hui.
- PlatoData.Network Ai générative verticale. Autonomisez-vous. Accéder ici.
- PlatoAiStream. Intelligence Web3. Connaissance Amplifiée. Accéder ici.
- PlatonESG. Automobile / VE, Carbone, Technologie propre, Énergie, Environnement, Solaire, La gestion des déchets. Accéder ici.
- Décalages de bloc. Modernisation de la propriété des compensations environnementales. Accéder ici.
- La source: https://aws.amazon.com/blogs/machine-learning/enel-automates-large-scale-power-grid-asset-management-and-anomaly-detection-using-amazon-sagemaker/
- :possède
- :est
- :ne pas
- :où
- $UP
- 1
- 10
- 100
- 13
- 20
- 20 ans
- 2D
- 32
- 3d
- 40
- 50
- 60
- 7
- a
- capacité
- Capable
- A Propos
- accéléré
- accès
- Selon
- précision
- Avec cette connaissance vient le pouvoir de prendre
- à travers
- ajout
- Avancée
- avances
- Avantage
- abordables
- Après
- AI
- algorithme
- Tous
- permet
- déjà
- aussi
- Bien que
- Amazon
- Apprentissage automatique d'Amazon
- Amazon Sage Maker
- Amazon Web Services
- ambitieux
- montant
- an
- selon une analyse de l’Université de Princeton
- des analyses
- l'analyse
- et les
- Détection d'une anomalie
- tous
- apparaît
- applications
- une approche
- architectural
- architecture
- SONT
- Réservé
- Art
- AS
- Évaluation de risque climatique
- atout
- la gestion d'actifs
- Outils
- associé
- At
- automatiser
- Automates
- Automatique
- disponibles
- éviter
- AWS
- fond
- basé
- BE
- car
- va
- LES MEILLEURS
- jusqu'à XNUMX fois
- réservations
- tous les deux
- vaste
- construire
- construit
- la performance des entreprises
- mais
- by
- le calcul
- appelé
- appareil photo
- CAN
- Compétences
- voitures
- maisons
- cas
- certaines
- difficile
- caractéristiques
- classe
- les classes
- classification
- classifié
- Fermer
- le cloud
- regroupement
- comment
- Société
- complètement
- composants électriques
- calcul
- ordinateur
- Vision par ordinateur
- informatique
- Puissance de calcul
- conclu
- Connexions
- consultant
- des bactéries
- cher
- d'exportation
- Cours
- critique
- Clients
- DANGER
- données
- gestion des données
- science des données
- bases de données
- profond
- l'apprentissage en profondeur
- offre
- démocratisation
- décrit
- Conception
- Malgré
- détails
- détecter
- Détection
- développé
- développement
- différer
- différence
- différent
- numérique
- directement
- Directeur
- discuter
- distribution
- divisé
- do
- Ne fait pas
- domaines
- fait
- Ne pas
- down
- motivation
- deux
- doublons
- pendant
- chacun
- de manière efficace
- efficacement
- électricité
- éléments
- activé
- efforts
- énergie
- ENGINEERING
- énorme
- entité
- équipé
- erreur
- établies
- évaluer
- Pourtant, la
- exemples
- cher
- d'experience
- nous a permis de concevoir
- les
- extrait
- Extraits
- extrêmement
- PERSONNEL
- Fonctionnalités:
- frais
- Figure
- Finalisé
- finalement
- trouver
- Prénom
- Flexibilité
- flux
- mettant l'accent
- Abonnement
- Football
- Pour
- forêt
- Heureusement
- Framework
- gratuitement ici
- fréquemment
- amis
- De
- fonctions
- plus
- généralement
- généré
- obtenez
- donné
- objectif
- golf
- gouverne
- GPU
- GPU
- Grille
- Réservation de groupe
- GUEST
- Invité Message
- ait eu
- main
- poignée
- manipuler
- Vous avez
- ayant
- he
- front
- fortement
- ici
- de haut niveau
- haute performance
- de haute qualité
- haute résolution
- sa
- Villa
- Comment
- HTML
- http
- HTTPS
- Identification
- identifié
- identifier
- identifier
- if
- image
- Classification des images
- satellite
- la mise en œuvre
- impossible
- in
- inclus
- Y compris
- d'information
- Infrastructure
- Installé
- intérêt
- intérieurement
- développement
- investi
- impliquant
- IT
- Italie
- articles
- SES
- Emplois
- jpg
- juste
- XNUMX éléments à
- Savoir
- Peindre
- gros
- grande échelle
- Nouveautés
- Conduit
- Fuites
- apprentissage
- moins
- Levier
- comme
- aime
- Gamme
- click
- machine learning
- Macro
- Entrée
- a prendre une
- FAIT DU
- gérer
- gestion
- Manuel
- manuellement
- de nombreuses
- Localisation
- cartographie
- mario
- appariés
- Matériel
- mathématiques
- maturité
- veux dire
- des mesures
- mesure
- Métadonnées
- méthodes
- million
- des millions
- ML
- MLOps
- numériques jumeaux (digital twin models)
- Villas Modernes
- de l'argent
- Surveiller
- Stack monitoring
- PLUS
- (en fait, presque toutes)
- beaucoup
- multinational
- plusieurs
- prénom
- Nationales
- nécessaire
- nécessaire
- besoin
- Besoins
- réseau et
- nlp
- nombre
- objet
- Détection d'objet
- obtenu
- of
- souvent
- Huile
- on
- ONE
- et, finalement,
- uniquement
- opération
- opérateur
- l'optimisation
- or
- orchestrée
- Autre
- Autres
- nos
- ande
- plus de
- propre
- Parallèle
- paramètres
- passion
- personnel
- photographies
- image
- pipeline
- pixel
- Plants
- plateforme
- Platon
- Intelligence des données Platon
- PlatonDonnées
- joueur
- jouer
- Point
- des notes bonus
- position
- possible
- Post
- Poteaux
- power
- Réseau électrique
- précis
- présence
- représentent
- empêcher
- précédent
- Directeur
- Privé
- d'ouvrabilité
- processus
- les process
- traitement
- professionels
- ,une équipe de professionnels qualifiés
- profond
- Programme
- projets
- à condition de
- acheté
- pytorch
- qualité
- vite.
- plutôt
- rapport
- raw
- réaliser
- raison
- récent
- reconnu
- régions
- en relation
- reste
- Énergies renouvelables
- Rapports
- représente
- a besoin
- sauver
- Résolution
- Resources
- Rôle
- sagemaker
- même
- satellite
- scie
- dit
- Balance
- Sciences
- secondes
- secteur
- sécurité
- segmentation
- supérieur
- besoin
- service
- Services
- set
- plusieurs
- Partager
- Shorts
- Spectacles
- étapes
- simplifié
- Taille
- petit
- So
- Logiciels
- génie logiciel
- sur mesure
- Solutions
- RÉSOUDRE
- quelques
- Sources
- Space
- spécialiste
- spécificité
- carré
- empiler
- Standard
- j'ai commencé
- Région
- statistiques
- Statut
- étapes
- Étapes
- storage
- stockée
- STRONG
- structure
- tel
- suffisant
- combustion propre
- Système
- tâches
- prend
- prise
- Tâche
- tâches
- équipe
- Technique
- Les technologies
- Technologie
- Dix
- dizaines
- conditions
- que
- Merci
- qui
- Le
- L'État
- le monde
- leur
- Les
- puis
- Là.
- donc
- Ces
- l'ont
- this
- ceux
- trois
- fiable
- à
- aujourd'hui
- trop
- top
- suivre
- traditionnel
- Train
- qualifié
- Formation
- transformateurs
- arbre
- Trends
- deux
- type
- comprendre
- unités
- la mise à jour
- utilisable
- utilisé
- cas d'utilisation
- d'utiliser
- utilisateurs
- Usages
- en utilisant
- utiliser
- très
- vision
- volumes
- we
- web
- services Web
- WELL
- ont été
- que
- qui
- WHO
- why
- Wikipédia
- comprenant
- dans les
- sans
- travaillé
- vos contrats
- world
- pourra
- an
- années
- Vous n'avez
- zéphyrnet