Ez Mario Namtao Shianti Larcher, az Enel Computer Vision vezetője vendégbejegyzése.
Enel, amely Olaszország nemzeti villamosenergia-ipari egységeként indult, ma 32 országban jelen lévő multinacionális vállalat, és a világ első magánhálózat-üzemeltetője 74 millió felhasználóval. 55.4 GW beépített kapacitással a megújuló energiaforrások első szereplőjeként is elismert. Az elmúlt években a vállalat jelentős beruházásokat eszközölt a gépi tanulási (ML) szektorba azáltal, hogy erős házon belüli know-how-t fejlesztett ki, amely lehetővé tette számukra, hogy olyan nagyon ambiciózus projekteket valósítsanak meg, mint például a 2.3 millió kilométeres elosztóhálózat automatikus felügyelete.
Az Enel minden évben helikopterekkel, autókkal vagy egyéb eszközökkel ellenőrzi az áramelosztó hálózatát; több millió fényképet készít; és rekonstruálja hálózatának 3D képét, amely a pontfelhő A hálózat 3D-s rekonstrukciója, LiDAR technológia segítségével.
Ezen adatok vizsgálata kritikus az elektromos hálózat állapotának nyomon követése, az infrastrukturális anomáliák azonosítása és a telepített eszközök adatbázisának frissítése szempontjából, és lehetővé teszi az infrastruktúra szemcsés ellenőrzését egészen az adott oszlopra szerelt legkisebb szigetelő anyagáig és állapotáig. Figyelembe véve az adatok mennyiségét (évente több mint 40 millió kép csak Olaszországban), az azonosítandó elemek számát és azok specifikusságát, a teljesen manuális elemzés nagyon költséges, mind idő-, mind pénzösszegben, valamint hibalehetővé válik. Szerencsére a számítógépes látás és a mély tanulás világában elért óriási fejlődésnek, valamint e technológiák kiforrottságának és demokratizálódásának köszönhetően ez a drága folyamat részben vagy akár teljesen automatizálható.
Természetesen a feladat továbbra is nagy kihívást jelent, és mint minden modern AI-alkalmazáshoz, számítási teljesítményre és nagy mennyiségű adat hatékony kezelésére van szükség.
Az Enel ennek alapján építette fel saját ML platformját (belső nevén ML-gyár). Amazon SageMaker, és a platformot szabványos megoldásként hozták létre az Enel modellek építéséhez és betanításához különböző felhasználási esetekre, különböző digitális központokon (üzleti egységeken) több tíz ML projekt fejlesztése mellett. Amazon SageMaker képzés, Amazon SageMaker feldolgozásés egyéb AWS szolgáltatások, mint pl AWS lépésfunkciók.
Az Enel két különböző forrásból gyűjt képeket és adatokat:
- Légi hálózatok ellenőrzése:
- LiDAR pontfelhők – Előnyük, hogy az infrastruktúra rendkívül pontos és geolokalizált 3D-s rekonstrukcióját jelentik, ezért nagyon hasznosak a távolságok kiszámításához vagy a 2D képelemzésből nem elérhető pontosságú mérésekhez.
- Nagy felbontású képek – Ezek az infrastruktúráról készült képek másodperceken belül készülnek egymástól. Ez lehetővé teszi olyan elemek és anomáliák észlelését, amelyek túl kicsik ahhoz, hogy a pontfelhőben azonosíthatók legyenek.
- Műholdas képek – Bár ezek olcsóbbak lehetnek, mint egy villanyvezeték átvizsgálás (egyesek ingyenesen vagy térítés ellenében elérhetőek), felbontásuk és minőségük gyakran nem éri el az Enel által közvetlenül készített képekkel. Ezeknek a képeknek a jellemzői hasznossá teszik azokat bizonyos feladatokban, mint például az erdősűrűség és a makrokategória értékelése vagy az épületek keresése.
Ebben a bejegyzésben megvitatjuk annak részleteit, hogy az Enel hogyan használja ezt a három forrást, és megosztjuk, hogyan automatizálja az Enel a nagyszabású áramhálózat-értékelési és anomáliák észlelési folyamatát a SageMaker segítségével.
Nagy felbontású fényképek elemzése az eszközök és anomáliák azonosítása érdekében
Az ellenőrzések során gyűjtött egyéb strukturálatlan adatokhoz hasonlóan a készített fényképeket is tároljuk Amazon egyszerű tárolási szolgáltatás (Amazon S3). Ezek egy része manuálisan van felcímkézve azzal a céllal, hogy különböző mély tanulási modelleket tanítsanak különböző számítógépes látási feladatokhoz.
Koncepcionálisan a feldolgozási és következtetési folyamat több lépésből álló hierarchikus megközelítést foglal magában: először azonosítják a képen érdekes régiókat, majd ezeket levágják, azonosítják a bennük lévő eszközöket, végül osztályozzák a kép anyaga vagy jelenléte szerint. anomáliák rajtuk. Mivel ugyanaz a pólus gyakran több képen is megjelenik, szükség van a képeinek csoportosítására is, hogy elkerüljük az ismétlődéseket, ez a művelet ún. újraazonosítás.
Mindezekhez a feladatokhoz az Enel a PyTorch keretrendszert és a legújabb architektúrákat használja a képosztályozáshoz és objektumészleléshez, mint pl. EfficientNet/EfficientDet vagy mások bizonyos anomáliák szemantikai szegmentálására, mint például a transzformátorok olajszivárgása. Az újraazonosítási feladathoz, ha ezt geometriailag nem tudják megtenni, mert hiányoznak a kamera paraméterei, akkor használják SimCLR-alapú önfelügyelt módszereket vagy Transformer alapú architektúrákat használnak. Lehetetlen lenne ezeket a modelleket betanítani anélkül, hogy nagyszámú, nagy teljesítményű GPU-val felszerelt példányhoz hozzáférnének, ezért az összes modellt párhuzamosan képezték. Amazon SageMaker képzés feladatok GPU-gyorsított ML-példányokkal. A következtetésnek ugyanaz a felépítése, és egy Step Functions állapotgép irányítja, amely számos SageMaker feldolgozási és betanítási feladatot vezérel, amelyek a név ellenére ugyanúgy használhatók a képzésben, mint a következtetésben.
Az alábbiakban az ML-folyamat magas szintű architektúrája látható a fő lépéseivel.
Ez a diagram az ODIN képkövetkeztetési folyamat egyszerűsített architektúráját mutatja, amely kivonja és elemzi a ROI-kat (például a villamosenergia-bejegyzéseket) az adatkészlet-képekből. A csővezeték tovább fúrja a ROI-kat, kinyeri és elemzi az elektromos elemeket (transzformátorok, szigetelők stb.). A komponensek (ROI-k és elemek) véglegesítése után megkezdődik az újraazonosítási folyamat: a hálózati térképen szereplő képek és pólusok 3D metaadatok alapján párosulnak. Ez lehetővé teszi az azonos pólusra hivatkozó ROI-k klaszterezését. Ezt követően az anomáliákat véglegesítik, és jelentéseket készítenek.
Pontos mérések kinyerése LiDAR pontfelhők segítségével
A nagy felbontású fényképek nagyon hasznosak, de mivel 2D-sek, lehetetlen pontos méréseket kinyerni belőlük. A LiDAR pontfelhők itt segítenek, mert 3D-sek, és a felhőben minden egyes pontnak van egy pozíciója, amihez hozzátartozik egy maroknyi centiméternél kisebb hiba.
A nyers pontfelhő azonban sok esetben nem hasznos, mert nem sokat tudsz vele kezdeni, ha nem tudod, hogy egy ponthalmaz fát, távvezetéket vagy házat ábrázol-e. Emiatt az Enel használja KPConv, egy szemantikai pontfelhő-szegmentációs algoritmus, amely minden ponthoz osztályt rendel. A felhő besorolása után az oszlopok dőlésszögének mérése helyett meg lehet állapítani, hogy a növényzet túl közel van-e az elektromos vezetékhez. A SageMaker szolgáltatások rugalmassága miatt ennek a megoldásnak a folyamata nem sokban különbözik a már leírtaktól, azzal a különbséggel, hogy ebben az esetben is GPU-példányokat kell használni a következtetésekhez.
Az alábbiakban néhány példa a pontfelhő-képekre.
Az űrből nézve az elektromos hálózatot: A növényzet feltérképezése a szolgáltatási zavarok megelőzése érdekében
Az elektromos hálózat ellenőrzése helikopterekkel és egyéb eszközökkel általában nagyon költséges, és nem végezhető túl gyakran. Másrészt egy olyan rendszerrel, amely rövid időközönként figyeli a vegetáció alakulását, rendkívül hasznos az energiaelosztó egyik legdrágább folyamatának, a fametszésnek az optimalizálásához. Az Enel ezért is beépítette megoldásába a műholdfelvételek elemzését, amelyből multitask megközelítéssel azonosítják a vegetáció jelenlétét, sűrűségét, és makroosztályokra bontva a növényfajtákat.
Erre a felhasználási esetre a különböző felbontásokkal való kísérletezés után az Enel arra a következtetésre jutott, hogy az ingyenes Sentinel 2 képek a legjobb költség-haszon arányt a Kopernikusz program nyújtotta. A növényzet mellett az Enel műholdfelvételeket is használ az épületek azonosítására, ami hasznos információ annak megértéséhez, hogy van-e eltérés a jelenlétük és az Enel energiaellátási helye között, és ezért az adatbázisokban előforduló szabálytalan kapcsolatok vagy problémák. Utóbbi felhasználási esetre a Sentinel 2 felbontása, ahol egy pixel 10 négyzetméteres területet jelent, nem elegendő, így fizetős, 50 négyzetcentiméteres képeket vásárolnak. Ez a megoldás sem sokban tér el a korábbiaktól az igénybevett szolgáltatások és a áramlás tekintetében.
Az alábbiakban egy légi kép látható az eszközök azonosításával (oszlop és szigetelők).
Angela Italiano, az ENEL Grid adattudományi igazgatója szerint:
„Az Enelnél számítógépes látásmodelleket használunk az áramelosztó hálózatunk ellenőrzésére, és 3D-s képeket rekonstruálunk hálózatunkról több tízmillió kiváló minőségű kép és LiDAR pontfelhő segítségével. Ezen ML-modellek betanítása nagyszámú, nagy teljesítményű GPU-val felszerelt példányhoz való hozzáférést és nagy mennyiségű adat hatékony kezelésének képességét igényli. Az Amazon SageMaker segítségével gyorsan, párhuzamosan betaníthatjuk az összes modellünket anélkül, hogy az infrastruktúrát kellene kezelnünk, mivel az Amazon SageMaker képzés szükség szerint növeli és csökkenti a számítási erőforrásokat. Az Amazon SageMaker segítségével képesek vagyunk 3D-s képeket készíteni rendszereinkről, figyelni az anomáliákat, és több mint 60 millió ügyfelet szolgálunk ki hatékonyan.”
Következtetés
Ebben a bejegyzésben azt láthattuk, hogy az energiavilág egyik vezető szereplője, mint például az Enel, hogyan használt számítógépes látásmodelleket és SageMaker képzési és feldolgozási munkákat, hogy megoldja azoknak az egyik fő problémáját, akiknek ekkora infrastruktúrát kell kezelniük, nyomon kell követniük a telepített állapotokat. eszközöket, és azonosítsa az elektromos vezeték anomáliáit és veszélyforrásait, például a túl közeli növényzetet.
További információ a kapcsolódó funkcióiról SageMaker.
A szerzőkről
Mario Namtao Shianti Larcher az Enel Computer Vision vezetője. Matematikai, statisztikus múlttal, gépi tanulásban és számítógépes látásban mélyreható szakértelemmel rendelkezik, több mint tíz szakemberből álló csapatot vezet. Mario szerepe olyan fejlett megoldások megvalósítását jelenti, amelyek hatékonyan használják ki az AI és a számítógépes látás erejét az Enel kiterjedt adatforrásainak kiaknázására. Szakmai törekvései mellett személyes szenvedélyt táplál mind a hagyományos, mind a mesterséges intelligencia által generált művészet iránt.
Cristian Gavazzeni az Amazon Web Services vezető megoldástervezője. Több mint 20 éves tapasztalattal rendelkezik értékesítés előtti tanácsadóként az adatkezelés, az infrastruktúra és a biztonság területén. Szabadidejében szeret golfozni a barátaival és külföldre utazni, csak repülőjegy-foglalással.
Giuseppe Angelo Porcelli az Amazon Web Services vezető gépi tanulási specialistája. Több éves szoftvermérnöki háttérrel, ML háttérrel, bármilyen méretű ügyfelekkel dolgozik, hogy mélyen megértse üzleti és műszaki igényeiket, és olyan mesterséges intelligencia és gépi tanulási megoldásokat tervezzen, amelyek a lehető legjobban használják ki az AWS felhőt és az Amazon Machine Learning veremét. Különböző területeken dolgozott projekteken, beleértve az MLOps-t, a Computer Vision-t, az NLP-t és az AWS-szolgáltatások széles körét. Szabadidejében Giuseppe szívesen focizik.
- SEO által támogatott tartalom és PR terjesztés. Erősödjön még ma.
- PlatoData.Network Vertical Generative Ai. Erősítse meg magát. Hozzáférés itt.
- PlatoAiStream. Web3 Intelligence. Felerősített tudás. Hozzáférés itt.
- PlatoESG. Autóipar / elektromos járművek, Carbon, CleanTech, Energia, Környezet, Nap, Hulladékgazdálkodás. Hozzáférés itt.
- BlockOffsets. A környezetvédelmi ellentételezési tulajdon korszerűsítése. Hozzáférés itt.
- Forrás: https://aws.amazon.com/blogs/machine-learning/enel-automates-large-scale-power-grid-asset-management-and-anomaly-detection-using-amazon-sagemaker/
- :van
- :is
- :nem
- :ahol
- $ UP
- 1
- 10
- 100
- 13
- 20
- 20 év
- 2D
- 32
- 3d
- 40
- 50
- 60
- 7
- a
- képesség
- Képes
- Rólunk
- felgyorsult
- hozzáférés
- Szerint
- pontosság
- pontos
- át
- mellett
- fejlett
- előlegek
- Előny
- megfizethető
- Után
- AI
- algoritmus
- Minden termék
- lehetővé teszi, hogy
- már
- Is
- Bár
- amazon
- Amazon gépi tanulás
- Amazon SageMaker
- Az Amazon Web Services
- becsvágyó
- összeg
- an
- elemzés
- elemzések
- elemzése
- és a
- anomália észlelése
- bármilyen
- Megjelenik
- alkalmazások
- megközelítés
- építészeti
- építészet
- VANNAK
- TERÜLET
- Művészet
- AS
- értékelés
- vagyontárgy
- Vagyonkezelés
- Eszközök
- társult
- At
- automatizált
- automaták
- Automatikus
- elérhető
- elkerülése érdekében
- AWS
- háttér
- alapján
- BE
- mert
- hogy
- BEST
- között
- foglaltságot
- mindkét
- széles
- épít
- épült
- üzleti
- de
- by
- kiszámítása
- hívott
- szoba
- TUD
- Kapacitás
- autók
- eset
- esetek
- bizonyos
- kihívást
- jellemzők
- osztály
- osztályok
- besorolás
- osztályozott
- közel
- felhő
- csoportosítás
- hogyan
- vállalat
- teljesen
- alkatrészek
- Kiszámít
- számítógép
- Számítógépes látás
- számítástechnika
- számítási teljesítmény
- megkötött
- kapcsolatok
- szaktanácsadó
- ellenőrzés
- drága
- országok
- Tanfolyam
- kritikai
- Ügyfelek
- VESZÉLY
- dátum
- adatkezelés
- adat-tudomány
- adatbázisok
- mély
- mély tanulás
- szállít
- demokratizálás
- leírt
- Design
- Ellenére
- részletek
- kimutatására
- Érzékelés
- fejlett
- fejlesztése
- különbözik
- különbség
- különböző
- digitális
- közvetlenül
- Igazgató
- megvitatni
- terjesztés
- megosztott
- do
- Nem
- domainek
- csinált
- ne
- le-
- hajtás
- két
- ismétlődések
- alatt
- minden
- hatékonyan
- eredményesen
- villamos energia
- elemek
- engedélyezve
- törekvéseket
- energia
- Mérnöki
- hatalmas
- egység
- felszerelt
- hiba
- megalapozott
- értékelő
- Még
- példák
- drága
- tapasztalat
- szakvélemény
- kiterjedt
- kivonat
- kivonatok
- rendkívüli módon
- gyár
- Jellemzők
- díj
- Ábra
- véglegesített
- Végül
- megtalálása
- vezetéknév
- Rugalmasság
- áramlási
- összpontosítás
- következő
- Futball
- A
- erdő
- szerencsére
- Keretrendszer
- Ingyenes
- gyakran
- barátok
- ból ből
- funkciók
- további
- általában
- generált
- kap
- adott
- cél
- golf
- irányelv szabályozza
- GPU
- GPU
- Rács
- Csoport
- Vendég
- Vendég bejegyzés
- kellett
- kéz
- maréknyi
- fogantyú
- Legyen
- tekintettel
- he
- fej
- súlyosan
- itt
- magas szinten
- nagy teljesítményű
- jó minőségű
- nagy felbontású
- övé
- Ház
- Hogyan
- HTML
- http
- HTTPS
- Azonosítás
- azonosított
- azonosítani
- azonosító
- if
- kép
- Képosztályozás
- képek
- végrehajtási
- lehetetlen
- in
- beleértve
- Beleértve
- információ
- Infrastruktúra
- telepítve
- kamat
- belsőleg
- bele
- befektetett
- bevonásával
- IT
- Olaszország
- tételek
- ITS
- Állások
- jpg
- éppen
- Tart
- Ismer
- hiány
- nagy
- nagyarányú
- legutolsó
- vezetékek
- Szivárgás
- tanulás
- kevesebb
- Tőkeáttétel
- mint
- Kedvencek
- vonal
- gép
- gépi tanulás
- Macro
- Fő
- csinál
- KÉSZÍT
- kezelése
- vezetés
- kézikönyv
- kézzel
- sok
- térkép
- térképészet
- Mario
- párosított
- anyag
- matematika
- érettség
- eszközök
- mérések
- mérő
- Metaadatok
- mód
- millió
- Több millió
- ML
- MLOps
- modellek
- modern
- pénz
- monitor
- ellenőrzés
- több
- a legtöbb
- sok
- többnemzetiségű
- többszörös
- név
- nemzeti
- elengedhetetlen
- szükséges
- igénylő
- igények
- hálózat
- NLP
- szám
- tárgy
- Objektumfelismerés
- kapott
- of
- gyakran
- Olaj
- on
- ONE
- azok
- csak
- működés
- operátor
- optimalizálása
- or
- hangszerelt
- Más
- Egyéb
- mi
- ki
- felett
- saját
- Párhuzamos
- paraméterek
- szenvedély
- személyes
- fényképek
- kép
- csővezeték
- pixel
- Telephelyek (Plants)
- emelvény
- Plató
- Platón adatintelligencia
- PlatoData
- játékos
- játék
- pont
- pont
- pozíció
- lehetséges
- állás
- Hozzászólások
- hatalom
- Elektromos hálózat
- pontos
- jelenlét
- be
- megakadályozása
- előző
- Fő
- magán
- problémák
- folyamat
- Folyamatok
- feldolgozás
- szakmai
- tehetséges alkalmazottal
- mélységes
- Program
- projektek
- feltéve,
- vásárolt
- pytorch
- világítás
- gyorsan
- Inkább
- hányados
- Nyers
- észre
- ok
- új
- elismert
- régiók
- összefüggő
- maradványok
- A megújuló energiaforrások
- Jelentések
- jelentése
- megköveteli,
- mentés
- Felbontás
- Tudástár
- Szerep
- sagemaker
- azonos
- műhold
- látta
- azt mondja,
- Mérleg
- Tudomány
- másodperc
- szektor
- biztonság
- szegmentáció
- idősebb
- szolgál
- szolgáltatás
- Szolgáltatások
- készlet
- számos
- Megosztás
- rövid
- Műsorok
- Egyszerű
- egyszerűsített
- Méret
- kicsi
- So
- szoftver
- szoftverfejlesztés
- megoldások
- Megoldások
- SOLVE
- néhány
- Források
- Hely
- szakember
- sajátosság
- négyzet
- verem
- standard
- kezdődött
- Állami
- statisztika
- Állapot
- Lépés
- Lépései
- tárolás
- memorizált
- erős
- struktúra
- ilyen
- elegendő
- rendszer
- Systems
- meghozott
- tart
- bevétel
- Feladat
- feladatok
- csapat
- Műszaki
- Technologies
- Technológia
- tíz
- tíz
- feltételek
- mint
- Kösz
- hogy
- A
- Az állam
- a világ
- azok
- Őket
- akkor
- Ott.
- ebből adódóan
- Ezek
- ők
- ezt
- azok
- három
- idő
- nak nek
- Ma
- is
- felső
- vágány
- hagyományos
- Vonat
- kiképzett
- Képzések
- transzformerek
- fa
- Trends
- kettő
- típus
- megért
- egységek
- frissítése
- használható
- használ
- használati eset
- használt
- Felhasználók
- használ
- segítségével
- hasznosít
- nagyon
- látomás
- kötetek
- we
- háló
- webes szolgáltatások
- JÓL
- voltak
- vajon
- ami
- WHO
- miért
- Wikipedia
- val vel
- belül
- nélkül
- dolgozott
- művek
- világ
- lenne
- év
- év
- te
- zephyrnet