Questo è un guest post di Mario Namtao Shianti Larcher, Head of Computer Vision di Enel.
Enel, nata come Ente nazionale per l'energia elettrica, è oggi una multinazionale presente in 32 Paesi e il primo operatore di rete privato al mondo con 74 milioni di utenti. È inoltre riconosciuto come il primo player nelle rinnovabili con 55.4 GW di capacità installata. Negli ultimi anni l'azienda ha investito molto nel settore del machine learning (ML) sviluppando un forte know-how interno che le ha permesso di realizzare progetti molto ambiziosi come il monitoraggio automatico dei suoi 2.3 milioni di chilometri di rete di distribuzione.
Ogni anno Enel ispeziona la propria rete di distribuzione elettrica con elicotteri, auto o altri mezzi; prende milioni di fotografie; e ricostruisce l'immagine 3D della sua rete, che è a nuvola di punti Ricostruzione 3D della rete, ottenuta con tecnologia LiDAR.
L'esame di questi dati è fondamentale per il monitoraggio dello stato della rete elettrica, l'identificazione delle anomalie infrastrutturali e l'aggiornamento dei database degli asset installati e consente un controllo granulare dell'infrastruttura fino al materiale e allo stato del più piccolo isolante installato su un determinato palo. Data la quantità di dati (più di 40 milioni di immagini ogni anno solo in Italia), il numero di elementi da identificare e la loro specificità, un'analisi completamente manuale è molto costosa, sia in termini di tempo che di denaro, e soggetta a errori. Fortunatamente, grazie agli enormi progressi nel mondo della visione artificiale e del deep learning e alla maturità e democratizzazione di queste tecnologie, è possibile automatizzare parzialmente o addirittura completamente questo costoso processo.
Naturalmente, il compito rimane molto impegnativo e, come tutte le moderne applicazioni di intelligenza artificiale, richiede potenza di calcolo e capacità di gestire grandi volumi di dati in modo efficiente.
Enel ha costruito la propria piattaforma ML (chiamata internamente ML factory) basata su Amazon Sage Maker, e la piattaforma si afferma come la soluzione standard per costruire e addestrare modelli in Enel per diversi casi d'uso, attraverso diversi hub digitali (business unit) con decine di progetti ML in fase di sviluppo su Formazione su Amazon SageMaker, Elaborazione di Amazon SageMakere altri servizi AWS come Funzioni AWS Step.
Enel raccoglie immagini e dati da due diverse fonti:
- Ispezioni della rete aerea:
- Nuvole di punti LiDAR – Hanno il vantaggio di essere una ricostruzione 3D estremamente accurata e geolocalizzata dell'infrastruttura, e quindi sono molto utili per calcolare distanze o effettuare misurazioni con una precisione non ottenibile dall'analisi di immagini 2D.
- Immagini ad alta risoluzione – Queste immagini dell'infrastruttura vengono scattate a pochi secondi l'una dall'altra. Ciò consente di rilevare elementi e anomalie troppo piccoli per essere identificati nella nuvola di punti.
- Immagini satellitari – Sebbene questi possano essere più convenienti di un'ispezione della linea elettrica (alcuni sono disponibili gratuitamente oa pagamento), la loro risoluzione e qualità spesso non è all'altezza delle immagini scattate direttamente da Enel. Le caratteristiche di queste immagini le rendono utili per determinati compiti come la valutazione della densità forestale e della macrocategoria o la ricerca di edifici.
In questo post, discutiamo i dettagli di come Enel utilizza queste tre fonti e condividiamo come Enel automatizza la gestione della valutazione della rete elettrica su larga scala e il processo di rilevamento delle anomalie utilizzando SageMaker.
Analisi di fotografie ad alta risoluzione per identificare cespiti e anomalie
Come con altri dati non strutturati raccolti durante le ispezioni, le fotografie scattate vengono memorizzate su Servizio di archiviazione semplice Amazon (Amazon S3). Alcuni di questi sono etichettati manualmente con l'obiettivo di addestrare diversi modelli di deep learning per diverse attività di visione artificiale.
Concettualmente, la pipeline di elaborazione e inferenza prevede un approccio gerarchico con più passaggi: prima vengono identificate le regioni di interesse nell'immagine, poi queste vengono ritagliate, gli asset vengono identificati al loro interno e infine questi vengono classificati in base al materiale o alla presenza di anomalie su di essi. Poiché lo stesso palo appare spesso in più di un'immagine, è necessario anche poter raggruppare le sue immagini per evitare duplicati, operazione chiamata reidentificazione.
Per tutte queste attività, Enel utilizza il framework PyTorch e le ultime architetture per la classificazione delle immagini e il rilevamento degli oggetti, come ad esempio EfficientNet/EfficientDet o altri per la segmentazione semantica di alcune anomalie, come le perdite d'olio sui trasformatori. Per l'attività di reidentificazione, se non possono farlo geometricamente perché mancano i parametri della fotocamera, usano SimCLRvengono utilizzati metodi auto-supervisionati o architetture basate su Transformer. Sarebbe impossibile addestrare tutti questi modelli senza avere accesso a un gran numero di istanze dotate di GPU ad alte prestazioni, quindi tutti i modelli sono stati addestrati in parallelo utilizzando Formazione su Amazon SageMaker job con istanze ML con accelerazione GPU. L'inferenza ha la stessa struttura ed è orchestrata da una macchina a stati Step Functions che governa diversi processi di elaborazione e addestramento di SageMaker che, nonostante il nome, sono utilizzabili sia nell'addestramento che nell'inferenza.
Quella che segue è un'architettura di alto livello della pipeline ML con i suoi passaggi principali.
Questo diagramma mostra l'architettura semplificata della pipeline di inferenza delle immagini ODIN, che estrae e analizza i ROI (come i post dell'elettricità) dalle immagini del set di dati. La pipeline approfondisce ulteriormente le ROI, estraendo e analizzando gli elementi elettrici (trasformatori, isolatori e così via). Dopo che i componenti (ROI ed elementi) sono stati finalizzati, inizia il processo di reidentificazione: immagini e poli nella mappa della rete vengono abbinati in base a metadati 3D. Ciò consente il raggruppamento di ROI riferite allo stesso polo. Successivamente, le anomalie vengono finalizzate e vengono generati i rapporti.
Estrazione di misurazioni precise utilizzando nuvole di punti LiDAR
Le fotografie ad alta risoluzione sono molto utili, ma poiché sono in 2D, è impossibile estrarne misurazioni precise. Le nuvole di punti LiDAR vengono in soccorso qui, perché sono 3D e hanno ogni punto nella nuvola una posizione con un errore associato inferiore a una manciata di centimetri.
Tuttavia, in molti casi, una nuvola di punti non elaborata non è utile, perché non è possibile utilizzarla se non si sa se un insieme di punti rappresenta un albero, una linea elettrica o una casa. Per questo Enel utilizza KPConv, un algoritmo di segmentazione della nuvola di punti semantica, per assegnare una classe a ciascun punto. Dopo che la nuvola è stata classificata, è possibile capire se la vegetazione è troppo vicina alla linea elettrica piuttosto che misurare l'inclinazione dei pali. Grazie alla flessibilità dei servizi SageMaker, la pipeline di questa soluzione non è molto diversa da quella già descritta, con l'unica differenza che in questo caso è necessario utilizzare anche le istanze GPU per l'inferenza.
Di seguito sono riportati alcuni esempi di immagini di nuvole di punti.
Osservare la rete elettrica dallo spazio: mappare la vegetazione per prevenire interruzioni del servizio
L'ispezione della rete elettrica con elicotteri e altri mezzi è generalmente molto costosa e non può essere eseguita troppo frequentemente. Disporre invece di un sistema per monitorare l'andamento della vegetazione in tempi brevi è estremamente utile per ottimizzare uno dei processi più costosi di un distributore di energia: la potatura degli alberi. Per questo Enel ha inserito nella sua soluzione anche l'analisi delle immagini satellitari, dalle quali con un approccio multitask si individua dove è presente la vegetazione, la sua densità, e la tipologia delle piante suddivise in macro classi.
Per questo caso d'uso, dopo aver sperimentato diverse risoluzioni, Enel ha concluso che il free Immagini di Sentinella 2 forniti dal programma Copernicus presentavano il miglior rapporto costi-benefici. Oltre alla vegetazione, Enel utilizza anche le immagini satellitari per identificare gli edifici, informazioni utili per capire se ci sono discrepanze tra la loro presenza e dove Enel eroga energia e quindi eventuali collegamenti irregolari o problemi nei database. Per quest'ultimo caso d'uso, la risoluzione di Sentinel 2, dove un pixel rappresenta un'area di 10 metri quadrati, non è sufficiente, quindi vengono acquistate immagini a pagamento con una risoluzione di 50 centimetri quadrati. Anche questa soluzione non si discosta molto dalle precedenti in termini di servizi utilizzati e flusso.
Di seguito una foto aerea con l'identificazione degli asset (palo e isolatori).
Angela Italiano, Direttore Data Science di ENEL Grid, afferma:
“In Enel, utilizziamo modelli di visione artificiale per ispezionare la nostra rete di distribuzione elettrica ricostruendo immagini 3D della nostra rete utilizzando decine di milioni di immagini di alta qualità e nuvole di punti LiDAR. L'addestramento di questi modelli ML richiede l'accesso a un gran numero di istanze dotate di GPU ad alte prestazioni e la capacità di gestire grandi volumi di dati in modo efficiente. Con Amazon SageMaker, possiamo addestrare rapidamente tutti i nostri modelli in parallelo senza dover gestire l'infrastruttura poiché il training di Amazon SageMaker ridimensiona le risorse di calcolo in base alle esigenze. Utilizzando Amazon SageMaker, siamo in grado di creare immagini 3D dei nostri sistemi, monitorare eventuali anomalie e servire oltre 60 milioni di clienti in modo efficiente".
Conclusione
In questo post abbiamo visto come un top player del mondo dell'energia come Enel ha utilizzato modelli di visione artificiale e lavori di formazione ed elaborazione SageMaker per risolvere uno dei principali problemi di chi deve gestire un'infrastruttura di queste dimensioni colossali, tenere traccia degli asset installati e identificare anomalie e fonti di pericolo per un elettrodotto come la vegetazione troppo vicina.
Ulteriori informazioni sulle funzionalità correlate di SageMaker.
Informazioni sugli autori
Mario Namtao Shianti Larcher è il Responsabile della Computer Vision di Enel. Ha un background in matematica, statistica e una profonda competenza in machine learning e computer vision, guida un team di oltre dieci professionisti. Il ruolo di Mario prevede l'implementazione di soluzioni avanzate che utilizzino efficacemente la potenza dell'intelligenza artificiale e della visione artificiale per sfruttare le ampie risorse di dati di Enel. Oltre ai suoi sforzi professionali, nutre una passione personale per l'arte sia tradizionale che generata dall'intelligenza artificiale.
Cristian Gavazzeni è Senior Solution Architect presso Amazon Web Services. Ha più di 20 anni di esperienza come consulente pre-vendita incentrato su gestione dei dati, infrastruttura e sicurezza. Nel tempo libero gli piace giocare a golf con gli amici e viaggiare all'estero prenotando solo voli e auto.
Giuseppe Angelo Porcelli è un Principal Machine Learning Specialist Solutions Architect per Amazon Web Services. Con diversi anni di ingegneria del software e background ML, lavora con clienti di qualsiasi dimensione per comprendere a fondo le loro esigenze aziendali e tecniche e progettare soluzioni di intelligenza artificiale e machine learning che sfruttino al meglio il cloud AWS e lo stack Amazon Machine Learning. Ha lavorato a progetti in diversi domini, tra cui MLOps, Computer Vision, NLP e coinvolgendo un'ampia serie di servizi AWS. Nel tempo libero Giuseppe si diverte a giocare a calcio.
- Distribuzione di contenuti basati su SEO e PR. Ricevi amplificazione oggi.
- PlatoData.Network Generativo verticale Ai. Potenzia te stesso. Accedi qui.
- PlatoAiStream. Intelligenza Web3. Conoscenza amplificata. Accedi qui.
- PlatoneESG. Automobilistico/VE, Carbonio, Tecnologia pulita, Energia, Ambiente, Solare, Gestione dei rifiuti. Accedi qui.
- BlockOffset. Modernizzare la proprietà della compensazione ambientale. Accedi qui.
- Fonte: https://aws.amazon.com/blogs/machine-learning/enel-automates-large-scale-power-grid-asset-management-and-anomaly-detection-using-amazon-sagemaker/
- :ha
- :È
- :non
- :Dove
- $ SU
- 1
- 10
- 100
- 13
- 20
- 20 anni
- 2D
- 32
- 3d
- 40
- 50
- 60
- 7
- a
- capacità
- capace
- WRI
- accelerata
- accesso
- Secondo
- precisione
- preciso
- operanti in
- aggiunta
- Avanzate
- avanzamenti
- Vantaggio
- conveniente
- Dopo shavasana, sedersi in silenzio; saluti;
- AI
- algoritmo
- Tutti
- consente
- già
- anche
- Sebbene il
- Amazon
- Apprendimento automatico di Amazon
- Amazon Sage Maker
- Amazon Web Services
- ambizioso
- quantità
- an
- .
- analisi
- l'analisi
- ed
- rilevamento anomalie
- in qualsiasi
- appare
- applicazioni
- approccio
- architettonico
- architettura
- SONO
- RISERVATA
- Arte
- AS
- valutazione
- attività
- gestione delle risorse
- Attività
- associato
- At
- automatizzare
- automatizza
- Automatico
- disponibile
- evitare
- AWS
- sfondo
- basato
- BE
- perché
- essendo
- MIGLIORE
- fra
- réservations
- entrambi
- ampio
- costruire
- costruito
- affari
- ma
- by
- calcolo
- detto
- stanza
- Materiale
- Ultra-Grande
- auto
- Custodie
- casi
- certo
- impegnativo
- caratteristiche
- classe
- classi
- classificazione
- classificato
- Chiudi
- Cloud
- il clustering
- Venire
- azienda
- completamente
- componenti
- Calcolare
- computer
- Visione computerizzata
- informatica
- potenza di calcolo
- concluso
- Connessioni
- consulente
- di controllo
- costoso
- paesi
- Portata
- critico
- Clienti
- PERICOLO
- dati
- gestione dei dati
- scienza dei dati
- banche dati
- deep
- apprendimento profondo
- fornisce un monitoraggio
- democratizzazione
- descritta
- Design
- Nonostante
- dettagli
- individuare
- rivelazione
- sviluppato
- in via di sviluppo
- differire
- differenza
- diverso
- digitale
- direttamente
- Direttore
- discutere
- distribuzione
- Diviso
- do
- non
- domini
- fatto
- Dont
- giù
- guidare
- dovuto
- duplicati
- durante
- ogni
- in maniera efficace
- in modo efficiente
- elettricità
- elementi
- abilitato
- sforzi
- energia
- Ingegneria
- enorme
- entità
- attrezzato
- errore
- sviluppate
- la valutazione
- Anche
- Esempi
- costoso
- esperienza
- competenza
- estensivo
- estratto
- estratti
- estremamente
- fabbrica
- Caratteristiche
- tassa
- figura
- finalizzato
- Infine
- ricerca
- Nome
- Flessibilità
- flusso
- messa a fuoco
- i seguenti
- Calcio
- Nel
- foresta
- per fortuna
- Contesto
- Gratis
- frequentemente
- amici
- da
- funzioni
- ulteriormente
- generalmente
- generato
- ottenere
- dato
- scopo
- golf
- governa
- GPU
- GPU
- Griglia
- Gruppo
- GUEST
- Ospite Messaggio
- ha avuto
- cura
- manciata
- maniglia
- Avere
- avendo
- he
- capo
- pesantemente
- qui
- alto livello
- Alte prestazioni
- alta qualità
- ad alta risoluzione
- il suo
- Casa
- Come
- HTML
- http
- HTTPS
- Identificazione
- identificato
- identificare
- identificazione
- if
- Immagine
- Classificazione delle immagini
- immagini
- Implementazione
- impossibile
- in
- incluso
- Compreso
- informazioni
- Infrastruttura
- installato
- interesse
- internamente
- ai miglioramenti
- investito
- coinvolgendo
- IT
- Italia
- elementi
- SUO
- Offerte di lavoro
- jpg
- ad appena
- mantenere
- Sapere
- Dipingere
- grandi
- larga scala
- con i più recenti
- Leads
- Perdite
- apprendimento
- meno
- Leva
- piace
- piace
- linea
- macchina
- machine learning
- Macro
- Principale
- make
- FA
- gestire
- gestione
- Manuale
- manualmente
- molti
- carta geografica
- mappatura
- mario
- abbinato
- materiale
- matematica
- maturità
- si intende
- misurazioni
- di misura
- Metadati
- metodi
- milione
- milioni
- ML
- MLOp
- modelli
- moderno
- soldi
- Monitorare
- monitoraggio
- Scopri di più
- maggior parte
- molti
- multinazionale
- multiplo
- Nome
- il
- necessaria
- di applicazione
- che necessitano di
- esigenze
- Rete
- nlp
- numero
- oggetto
- Rilevazione dell'oggetto
- ottenuto
- of
- di frequente
- Olio
- on
- ONE
- quelli
- esclusivamente
- operazione
- operatore
- ottimizzazione
- or
- orchestrato
- Altro
- Altri
- nostro
- su
- ancora
- proprio
- Parallel
- parametri
- passione
- cronologia
- fotografie
- immagine
- conduttura
- pixel
- piante
- piattaforma
- Platone
- Platone Data Intelligence
- PlatoneDati
- giocatore
- gioco
- punto
- punti
- posizione
- possibile
- Post
- Post
- energia
- Rete elettrica
- bisogno
- presenza
- presenti
- prevenire
- precedente
- Direttore
- un bagno
- problemi
- processi
- i processi
- lavorazione
- professionale
- Scelto dai professionisti
- profonda
- Programma
- progetti
- purché
- acquistati
- pytorch
- qualità
- rapidamente
- piuttosto
- rapporto
- Crudo
- rendersi conto
- ragione
- recente
- riconosciuto
- regioni
- relazionato
- resti
- Rinnovabili
- Report
- rappresenta
- richiede
- salvataggio
- Risoluzione
- Risorse
- Ruolo
- sagemaker
- stesso
- satellitare
- sega
- dice
- bilancia
- Scienze
- secondo
- settore
- problemi di
- segmentazione
- anziano
- servire
- servizio
- Servizi
- set
- alcuni
- Condividi
- Corti
- Spettacoli
- Un'espansione
- semplificata
- Taglia
- piccole
- So
- Software
- Ingegneria del software
- soluzione
- Soluzioni
- RISOLVERE
- alcuni
- fonti
- lo spazio
- specialista
- specificità
- quadrato
- pila
- Standard
- iniziato
- Regione / Stato
- statistica
- Stato dei servizi
- step
- Passi
- conservazione
- memorizzati
- forte
- La struttura
- tale
- sufficiente
- sistema
- SISTEMI DI TRATTAMENTO
- preso
- prende
- presa
- Task
- task
- team
- Consulenza
- Tecnologie
- Tecnologia
- carnagione
- decine
- condizioni
- di
- Grazie
- che
- Il
- Lo Stato
- il mondo
- loro
- Li
- poi
- Là.
- perciò
- Strumenti Bowman per analizzare le seguenti finiture:
- di
- questo
- quelli
- tre
- tempo
- a
- oggi
- pure
- top
- pista
- tradizionale
- Treni
- allenato
- Training
- trasformatori
- albero
- tendenze
- seconda
- Digitare
- capire
- unità
- aggiornamento
- utilizzabile
- uso
- caso d'uso
- utilizzato
- utenti
- usa
- utilizzando
- utilizzare
- molto
- visione
- volumi
- we
- sito web
- servizi web
- WELL
- sono stati
- se
- quale
- OMS
- perché
- wikipedia
- con
- entro
- senza
- lavorato
- lavori
- mondo
- sarebbe
- anno
- anni
- Tu
- zefiro