Ini adalah posting tamu oleh Mario Namtao Shianti Larcher, Kepala Computer Vision di Enel.
Enel, yang dimulai sebagai entitas listrik nasional Italia, kini menjadi perusahaan multinasional yang hadir di 32 negara dan operator jaringan swasta pertama di dunia dengan 74 juta pengguna. Ia juga diakui sebagai pemain energi terbarukan pertama dengan kapasitas terpasang 55.4 GW. Dalam beberapa tahun terakhir, perusahaan telah banyak berinvestasi di sektor pembelajaran mesin (ML) dengan mengembangkan pengetahuan internal yang kuat yang memungkinkan mereka mewujudkan proyek yang sangat ambisius seperti pemantauan otomatis jaringan distribusi sepanjang 2.3 juta kilometer.
Setiap tahun, Enel memeriksa jaringan distribusi listriknya dengan helikopter, mobil, atau sarana lainnya; mengambil jutaan foto; dan merekonstruksi gambar 3D jaringannya, yaitu a titik awan Rekonstruksi jaringan 3D, diperoleh dengan menggunakan teknologi LiDAR.
Pemeriksaan data ini sangat penting untuk memantau keadaan jaringan listrik, mengidentifikasi anomali infrastruktur, dan memperbarui basis data aset terpasang, dan memungkinkan kontrol granular terhadap infrastruktur hingga material dan status insulator terkecil yang terpasang pada tiang tertentu. Mengingat jumlah data (lebih dari 40 juta gambar setiap tahun hanya di Italia), jumlah item yang akan diidentifikasi, dan kekhususannya, analisis manual sepenuhnya sangat mahal, baik dari segi waktu dan uang, dan rawan kesalahan. Untungnya, berkat kemajuan besar dalam dunia visi komputer dan pembelajaran mendalam serta kematangan dan demokratisasi teknologi ini, proses yang mahal ini dapat diotomatisasi sebagian atau bahkan seluruhnya.
Tentu saja, tugas tersebut tetap sangat menantang, dan, seperti semua aplikasi AI modern, ini membutuhkan daya komputasi dan kemampuan untuk menangani data dalam jumlah besar secara efisien.
Enel membangun platform ML-nya sendiri (secara internal disebut pabrik ML) berdasarkan Amazon SageMaker, dan platform ditetapkan sebagai solusi standar untuk membangun dan melatih model di Enel untuk berbagai kasus penggunaan, di berbagai hub digital (unit bisnis) dengan puluhan proyek ML sedang dikembangkan di Pelatihan Amazon SageMaker, Pemrosesan SageMaker Amazon, dan layanan AWS lainnya seperti Fungsi Langkah AWS.
Enel mengumpulkan citra dan data dari dua sumber berbeda:
- Inspeksi jaringan udara:
- Awan titik LiDAR โ Mereka memiliki keuntungan sebagai rekonstruksi infrastruktur 3D yang sangat akurat dan geo-lokal, dan oleh karena itu sangat berguna untuk menghitung jarak atau melakukan pengukuran dengan akurasi yang tidak dapat diperoleh dari analisis gambar 2D.
- Gambar resolusi tinggi โ Gambar-gambar infrastruktur ini diambil dalam hitungan detik satu sama lain. Ini memungkinkan untuk mendeteksi elemen dan anomali yang terlalu kecil untuk diidentifikasi di awan titik.
- Gambar satelit โ Meskipun ini bisa lebih terjangkau daripada inspeksi saluran listrik (beberapa tersedia gratis atau berbayar), resolusi dan kualitasnya seringkali tidak sebanding dengan gambar yang diambil langsung oleh Enel. Karakteristik gambar ini membuatnya berguna untuk tugas tertentu seperti mengevaluasi kerapatan hutan dan kategori makro atau menemukan bangunan.
Dalam postingan ini, kami membahas detail tentang cara Enel menggunakan ketiga sumber ini, dan membagikan cara Enel mengotomatiskan manajemen penilaian jaringan listrik berskala besar dan proses deteksi anomali menggunakan SageMaker.
Menganalisis foto beresolusi tinggi untuk mengidentifikasi aset dan anomali
Seperti data tidak terstruktur lainnya yang dikumpulkan selama inspeksi, foto yang diambil disimpan Layanan Penyimpanan Sederhana Amazon (Amazon S3). Beberapa di antaranya diberi label secara manual dengan tujuan melatih model pembelajaran mendalam yang berbeda untuk tugas visi komputer yang berbeda.
Secara konseptual, alur pemrosesan dan inferensi melibatkan pendekatan hierarkis dengan beberapa langkah: pertama, wilayah yang diminati dalam gambar diidentifikasi, kemudian dipotong, aset diidentifikasi di dalamnya, dan terakhir ini diklasifikasikan menurut materi atau adanya anomali pada mereka. Karena tiang yang sama sering muncul di lebih dari satu gambar, penting juga untuk mengelompokkan gambarnya untuk menghindari duplikasi, sebuah operasi yang disebut identifikasi ulang.
Untuk semua tugas ini, Enel menggunakan framework PyTorch dan arsitektur terbaru untuk klasifikasi gambar dan deteksi objek, seperti EfisienNet/EfisienDet atau lainnya untuk segmentasi semantik anomali tertentu, seperti kebocoran oli pada trafo. Untuk tugas identifikasi ulang, jika mereka tidak dapat melakukannya secara geometris karena kekurangan parameter kamera, mereka menggunakannya SimCLRmetode pengawasan mandiri berbasis atau arsitektur berbasis Transformer digunakan. Tidak mungkin untuk melatih semua model ini tanpa memiliki akses ke sejumlah besar instans yang dilengkapi dengan GPU performa tinggi, sehingga semua model dilatih secara paralel menggunakan Pelatihan Amazon SageMaker pekerjaan dengan instans ML yang dipercepat GPU. Inferensi memiliki struktur yang sama dan diatur oleh mesin status Step Functions yang mengatur beberapa tugas pemrosesan dan pelatihan SageMaker yang, terlepas dari namanya, dapat digunakan dalam pelatihan maupun dalam inferensi.
Berikut ini adalah arsitektur tingkat tinggi dari pipeline ML dengan langkah-langkah utamanya.
Diagram ini menunjukkan arsitektur yang disederhanakan dari pipa inferensi gambar ODIN, yang mengekstraksi dan menganalisis ROI (seperti tiang listrik) dari gambar kumpulan data. Pipeline selanjutnya menelusuri ROI, mengekstraksi dan menganalisis elemen listrik (transformator, isolator, dan sebagainya). Setelah komponen (ROI dan elemen) diselesaikan, proses identifikasi ulang dimulai: gambar dan tiang di peta jaringan dicocokkan berdasarkan metadata 3D. Hal ini memungkinkan pengelompokan ROI yang mengacu pada kutub yang sama. Setelah itu, anomali diselesaikan dan laporan dibuat.
Mengekstrak pengukuran yang akurat menggunakan point cloud LiDAR
Foto beresolusi tinggi sangat berguna, tetapi karena 2D, tidak mungkin mengekstrak pengukuran yang tepat darinya. Awan titik LiDAR datang untuk menyelamatkan di sini, karena mereka adalah 3D dan setiap titik di awan memiliki posisi dengan kesalahan terkait kurang dari beberapa sentimeter.
Namun, dalam banyak kasus, point cloud mentah tidak berguna, karena Anda tidak dapat berbuat banyak dengannya jika Anda tidak mengetahui apakah sekumpulan titik mewakili pohon, saluran listrik, atau rumah. Untuk alasan ini, Enel menggunakan Konv.KP, algoritma segmentasi awan titik semantik, untuk menetapkan kelas ke setiap titik. Setelah awan diklasifikasikan, dimungkinkan untuk mengetahui apakah vegetasi terlalu dekat dengan saluran listrik daripada mengukur kemiringan kutub. Karena fleksibilitas layanan SageMaker, alur solusi ini tidak jauh berbeda dari yang telah dijelaskan, dengan satu-satunya perbedaan adalah bahwa dalam kasus ini perlu menggunakan instans GPU untuk inferensi juga.
Berikut ini adalah beberapa contoh gambar point cloud.
Melihat jaringan listrik dari luar angkasa: Memetakan vegetasi untuk mencegah gangguan layanan
Memeriksa jaringan listrik dengan helikopter dan sarana lainnya umumnya sangat mahal dan tidak dapat dilakukan terlalu sering. Di sisi lain, memiliki sistem untuk memantau tren vegetasi dalam interval waktu singkat sangat berguna untuk mengoptimalkan salah satu proses penyalur energi yang paling mahal: pemangkasan pohon. Inilah sebabnya Enel juga memasukkan dalam solusinya analisis citra satelit, yang darinya dengan pendekatan multitugas diidentifikasi di mana ada vegetasi, kerapatannya, dan jenis tumbuhan yang dibagi ke dalam kelas makro.
Untuk kasus penggunaan ini, setelah bereksperimen dengan berbagai resolusi, Enel menyimpulkan bahwa gratis Sentinel 2 gambar disediakan oleh program Copernicus memiliki rasio biaya-manfaat terbaik. Selain vegetasi, Enel juga menggunakan citra satelit untuk mengidentifikasi bangunan, yang merupakan informasi berguna untuk memahami jika ada ketidaksesuaian antara keberadaannya dan di mana Enel mengalirkan daya dan oleh karena itu ada koneksi atau masalah yang tidak teratur di database. Untuk kasus penggunaan terakhir, resolusi Sentinel 2, di mana satu piksel mewakili area seluas 10 meter persegi, tidak cukup, sehingga gambar berbayar dengan resolusi 50 sentimeter persegi dibeli. Solusi ini juga tidak berbeda jauh dari yang sebelumnya dalam hal layanan yang digunakan dan alurnya.
Berikut adalah foto udara dengan identifikasi aset (tiang dan isolator).
Angela Italiano, Direktur Ilmu Data di ENEL Grid, berkata,
โDi Enel, kami menggunakan model computer vision untuk memeriksa jaringan distribusi listrik kami dengan merekonstruksi gambar 3D jaringan kami menggunakan puluhan juta gambar berkualitas tinggi dan cloud titik LiDAR. Pelatihan model ML ini memerlukan akses ke sejumlah besar instans yang dilengkapi dengan GPU performa tinggi dan kemampuan untuk menangani volume data yang besar secara efisien. Dengan Amazon SageMaker, kami dapat dengan cepat melatih semua model kami secara paralel tanpa perlu mengelola infrastruktur karena pelatihan Amazon SageMaker meningkatkan dan menurunkan sumber daya komputasi sesuai kebutuhan. Dengan menggunakan Amazon SageMaker, kami dapat membuat gambar 3D dari sistem kami, memantau anomali, dan melayani lebih dari 60 juta pelanggan secara efisien.โ
Kesimpulan
Dalam postingan ini, kita melihat bagaimana pemain top di dunia energi seperti Enel menggunakan model computer vision dan pelatihan SageMaker serta pekerjaan pemrosesan untuk memecahkan salah satu masalah utama bagi mereka yang harus mengelola infrastruktur sebesar ini, melacak aset terpasang, dan mengidentifikasi anomali dan sumber bahaya untuk saluran listrik seperti vegetasi yang terlalu dekat dengannya.
Pelajari lebih lanjut tentang fitur terkait dari SageMaker.
Tentang Penulis
Mario Namtao Shianti Larcher adalah Kepala Visi Komputer di Enel. Dia memiliki latar belakang matematika, statistik, dan keahlian mendalam dalam pembelajaran mesin dan visi komputer, dia memimpin tim yang terdiri lebih dari sepuluh profesional. Peran Mario memerlukan penerapan solusi canggih yang secara efektif memanfaatkan kekuatan AI dan visi komputer untuk memanfaatkan sumber daya data Enel yang luas. Selain upaya profesionalnya, ia memupuk hasrat pribadi untuk seni tradisional dan seni yang dihasilkan AI.
Cristian Gavazzeni adalah Arsitek Solusi Senior di Amazon Web Services. Dia memiliki lebih dari 20 tahun pengalaman sebagai konsultan pra-penjualan yang berfokus pada Manajemen Data, Infrastruktur, dan Keamanan. Selama waktu luangnya ia suka bermain golf dengan teman dan bepergian ke luar negeri hanya dengan pemesanan terbang dan berkendara.
Giuseppe Angelo Porcelli adalah Arsitek Solusi Spesialis Pembelajaran Mesin Utama untuk Amazon Web Services. Dengan latar belakang ML selama beberapa tahun sebagai rekayasa perangkat lunak, ia bekerja dengan pelanggan dari berbagai ukuran untuk memahami secara mendalam kebutuhan bisnis dan teknis mereka serta merancang solusi AI dan Pembelajaran Mesin yang memanfaatkan AWS Cloud dan tumpukan Amazon Machine Learning dengan sebaik-baiknya. Dia telah mengerjakan proyek di berbagai domain, termasuk MLOps, Computer Vision, NLP, dan melibatkan serangkaian luas layanan AWS. Di waktu luangnya, Giuseppe menikmati bermain sepak bola.
- Konten Bertenaga SEO & Distribusi PR. Dapatkan Amplifikasi Hari Ini.
- PlatoData.Jaringan Vertikal Generatif Ai. Berdayakan Diri Anda. Akses Di Sini.
- PlatoAiStream. Intelijen Web3. Pengetahuan Diperkuat. Akses Di Sini.
- PlatoESG. Otomotif / EV, Karbon, teknologi bersih, energi, Lingkungan Hidup, Tenaga surya, Penanganan limbah. Akses Di Sini.
- BlockOffset. Modernisasi Kepemilikan Offset Lingkungan. Akses Di Sini.
- Sumber: https://aws.amazon.com/blogs/machine-learning/enel-automates-large-scale-power-grid-asset-management-and-anomaly-detection-using-amazon-sagemaker/
- :memiliki
- :adalah
- :bukan
- :Di mana
- $NAIK
- 1
- 10
- 100
- 13
- 20
- 20 tahun
- 2D
- 32
- 3d
- 40
- 50
- 60
- 7
- a
- kemampuan
- Sanggup
- Tentang Kami
- dipercepat
- mengakses
- Menurut
- ketepatan
- tepat
- di seluruh
- tambahan
- maju
- uang muka
- Keuntungan
- terjangkau
- Setelah
- AI
- algoritma
- Semua
- memungkinkan
- sudah
- juga
- Meskipun
- Amazon
- Pembelajaran Mesin Amazon
- Amazon SageMaker
- Amazon Web Services
- ambisius
- jumlah
- an
- analisis
- analisis
- menganalisis
- dan
- deteksi anomali
- Apa pun
- muncul
- aplikasi
- pendekatan
- arsitektur
- arsitektur
- ADALAH
- DAERAH
- Seni
- AS
- penilaian
- aset
- manajemen aset
- Aktiva
- terkait
- At
- mengotomatisasikan
- mengotomatiskan
- secara otomatis
- tersedia
- menghindari
- AWS
- latar belakang
- berdasarkan
- BE
- karena
- makhluk
- TERBAIK
- antara
- pemesanan
- kedua
- luas
- membangun
- dibangun di
- bisnis
- tapi
- by
- menghitung
- bernama
- kamar
- CAN
- Kapasitas
- mobil
- kasus
- kasus
- tertentu
- menantang
- karakteristik
- kelas
- kelas-kelas
- klasifikasi
- tergolong
- Penyelesaian
- awan
- kekelompokan
- bagaimana
- perusahaan
- sama sekali
- komponen
- menghitung
- komputer
- Visi Komputer
- komputasi
- daya komputasi
- Disimpulkan
- Koneksi
- konsultan
- kontrol
- mahal
- negara
- Kelas
- kritis
- pelanggan
- BAHAYA
- data
- manajemen data
- ilmu data
- database
- mendalam
- belajar mendalam
- memberikan
- demokratisasi
- dijelaskan
- Mendesain
- Meskipun
- rincian
- menemukan
- Deteksi
- dikembangkan
- berkembang
- berbeda
- perbedaan
- berbeda
- digital
- langsung
- Kepala
- membahas
- distribusi
- Terbagi
- do
- Tidak
- domain
- dilakukan
- Dont
- turun
- mendorong
- dua
- duplikat
- selama
- setiap
- efektif
- efisien
- listrik
- elemen
- diaktifkan
- usaha keras
- energi
- Teknik
- besar sekali
- entitas
- lengkap
- kesalahan
- mapan
- mengevaluasi
- Bahkan
- contoh
- mahal
- pengalaman
- keahlian
- luas
- ekstrak
- Ekstrak
- sangat
- pabrik
- Fitur
- biaya
- Angka
- selesai
- Akhirnya
- temuan
- Pertama
- keluwesan
- aliran
- berfokus
- berikut
- sepak bola
- Untuk
- hutan
- Untung
- Kerangka
- Gratis
- sering
- teman
- dari
- fungsi
- lebih lanjut
- umumnya
- dihasilkan
- mendapatkan
- diberikan
- tujuan
- golf
- mengatur
- GPU
- GPU
- kisi
- Kelompok
- Tamu
- tamu Post
- memiliki
- tangan
- segenggam
- menangani
- Memiliki
- memiliki
- he
- kepala
- berat
- di sini
- tingkat tinggi
- kinerja tinggi
- berkualitas tinggi
- resolusi tinggi
- -nya
- Rumah
- Seterpercayaapakah Olymp Trade? Kesimpulan
- HTML
- http
- HTTPS
- Identifikasi
- diidentifikasi
- mengenali
- mengidentifikasi
- if
- gambar
- Klasifikasi gambar
- gambar
- mengimplementasikan
- mustahil
- in
- termasuk
- Termasuk
- informasi
- Infrastruktur
- diinstal
- bunga
- internal
- ke
- diinvestasikan
- melibatkan
- IT
- Italia
- item
- NYA
- Jobs
- jpg
- hanya
- Menjaga
- Tahu
- Kekurangan
- besar
- besar-besaran
- Terbaru
- Memimpin
- kebocoran
- pengetahuan
- kurang
- Leverage
- 'like'
- 'like
- baris
- mesin
- Mesin belajar
- Makro
- Utama
- membuat
- MEMBUAT
- mengelola
- pengelolaan
- panduan
- manual
- banyak
- peta
- pemetaan
- mario
- cocok
- bahan
- matematika
- kematangan
- cara
- pengukuran
- ukur
- Metadata
- metode
- juta
- jutaan
- ML
- MLOps
- model
- modern
- uang
- Memantau
- pemantauan
- lebih
- paling
- banyak
- multinasional
- beberapa
- nama
- nasional
- perlu
- dibutuhkan
- membutuhkan
- kebutuhan
- jaringan
- nLP
- jumlah
- obyek
- Deteksi Objek
- diperoleh
- of
- sering
- Minyak
- on
- ONE
- yang
- hanya
- operasi
- operator
- mengoptimalkan
- or
- diatur
- Lainnya
- Lainnya
- kami
- di luar
- lebih
- sendiri
- Paralel
- parameter
- gairah
- pribadi
- foto
- gambar
- pipa saluran
- pixel
- tanaman
- Platform
- plato
- Kecerdasan Data Plato
- Data Plato
- pemain
- bermain
- Titik
- poin
- posisi
- mungkin
- Pos
- Posts
- kekuasaan
- Jaringan listrik
- perlu
- kehadiran
- menyajikan
- mencegah
- sebelumnya
- Utama
- swasta
- masalah
- proses
- proses
- pengolahan
- profesional
- profesional
- mendalam
- program
- memprojeksikan
- disediakan
- dibeli
- pytorch
- kualitas
- segera
- agak
- perbandingan
- Mentah
- menyadari
- alasan
- baru
- diakui
- daerah
- terkait
- sisa
- Renewables
- laporan
- merupakan
- membutuhkan
- menyelamatkan
- Resolusi
- Sumber
- Peran
- pembuat bijak
- sama
- satelit
- melihat
- mengatakan
- sisik
- Ilmu
- detik
- sektor
- keamanan
- segmentasi
- senior
- melayani
- layanan
- Layanan
- set
- beberapa
- Share
- Pendek
- Pertunjukkan
- Sederhana
- disederhanakan
- Ukuran
- kecil
- So
- Perangkat lunak
- rekayasa Perangkat Lunak
- larutan
- Solusi
- MEMECAHKAN
- beberapa
- sumber
- Space
- spesialis
- kekhususan
- kotak
- tumpukan
- standar
- mulai
- Negara
- statistika
- Status
- Langkah
- Tangga
- penyimpanan
- tersimpan
- kuat
- struktur
- seperti itu
- cukup
- sistem
- sistem
- diambil
- Dibutuhkan
- pengambilan
- tugas
- tugas
- tim
- Teknis
- Teknologi
- Teknologi
- sepuluh
- memiliki
- istilah
- dari
- Terima kasih
- bahwa
- Grafik
- Negara
- Dunia
- mereka
- Mereka
- kemudian
- Sana.
- karena itu
- Ini
- mereka
- ini
- itu
- tiga
- waktu
- untuk
- hari ini
- terlalu
- puncak
- jalur
- tradisional
- Pelatihan VE
- terlatih
- Pelatihan
- transformer
- pohon
- Tren
- dua
- mengetik
- memahami
- unit
- memperbarui
- dapat digunakan
- menggunakan
- gunakan case
- bekas
- Pengguna
- kegunaan
- menggunakan
- Penggunaan
- sangat
- penglihatan
- volume
- we
- jaringan
- layanan web
- BAIK
- adalah
- apakah
- yang
- SIAPA
- mengapa
- Wikipedia
- dengan
- dalam
- tanpa
- bekerja
- bekerja
- dunia
- akan
- tahun
- tahun
- Kamu
- zephyrnet.dll