Андреа Кропп 7 октября 2024 г. Поделиться:
В стремительно развивающемся мире искусственного интеллекта коммунальные предприятия всё чаще обращаются к технологиям визуального ИИ для оптимизации работы и повышения эффективности. Однако не все приложения ИИ одинаковы: некоторые проще внедрить, а другие требуют более продвинутых ресурсов и опыта. В этой статье « 6 вариантов использования визуального ИИ для коммунальных предприятий: от простого к сложному » мы ранжируем варианты использования по сложности, помогая вам понять, какие проекты предлагают быстрые результаты, а какие могут потребовать более существенных инвестиций. Такой подход позволяет коммунальным предприятиям стратегически внедрять ИИ, начиная с простых решений и постепенно переходя к более сложным вариантам использования аналитики изображений.
1. Распознавание аналогового управления (простое)
Распознавание аналоговых элементов управления — один из самых простых вариантов использования. Оно подразумевает использование ИИ для автоматического считывания показаний аналоговых датчиков, циферблатов и счётчиков, распространённых в старой инфраструктуре. Эти показания могут автоматически считываться и интегрироваться в цифровые системы для мониторинга и анализа.
Изображение из статьи Алексеева А., Кухарева Г., Матвеева Ю., Матвеева А. Высокоэффективное нейросетевое решение для автоматического обнаружения стрелочных измерителей с различными аналоговыми шкалами, работающих в разных условиях. Математика . 2020; 8(7):1104. https://doi.org/10.3390/math8071104
- Сложность получения изображения : низкая. Аналоговые элементы управления стационарны, легкодоступны и, как правило, расположены в хорошо освещённых местах, что упрощает получение высококачественных изображений с помощью стандартных камер или существующих записей видеонаблюдения.
- Сложность моделирования : низкая. Задача распознавания и интерпретации аналоговых дисплеев часто может быть решена с помощью оптического распознавания символов (OCR) или распознавания образов, которые являются хорошо зарекомендовавшими себя технологиями.
- Уровень принятия автоматизированного решения пользователями : высокий. Многие операторы коммунальных услуг уже используют ту или иную форму цифрового мониторинга для аналогового управления, поэтому переход на мониторинг с использованием искусственного интеллекта, как правило, хорошо воспринимается.
Может быть, это вы?
Компания Utility Alpha автоматизировала считывание показаний аналоговых приборов на своих старых подстанциях, внедрив систему распознавания изображений на базе искусственного интеллекта. Были установлены камеры для сбора данных с датчиков в режиме реального времени, а модель искусственного интеллекта преобразовала эти данные в цифровой формат, что позволило сократить количество ручных посещений объектов на 70% и повысить точность данных. Это решение ежегодно экономило тысячи рабочих часов и позволяло быстрее выявлять неисправности оборудования, что привело к повышению эксплуатационной эффективности.
2. Оценка качества изображения (простая)
Оценка качества изображения гарантирует, что полученные изображения соответствуют своему назначению, путем проверки изображений на фокус, наличие препятствий, освещенность, разрешение и контрастность.
Изображение предоставлено Гунтури, Сраваном и Саркаром, Дипу. (2021). Оценка структурного состояния лопасти ветряной турбины гибридным детектором объектов на основе моделей глубокого обучения. Журнал «Окружающий интеллект и гуманизированные вычисления». 12. 10.1007/s12652-020-02587-7. https://link.springer.com/article/10.1007/s12652-020-02587-7
- Сложность получения изображения : низкая. Оценка качества изображения может применяться к изображениям, полученным с помощью существующих камер или дронов, без необходимости использования специального оборудования.
- Сложность моделирования : низкая. Модели, используемые для оценки качества изображений, анализируют простые визуальные характеристики, такие как резкость, яркость и уровень шума, не требуя сложных методов искусственного интеллекта.
- Уровень принятия автоматизированного решения пользователями : высокий. Автоматизированная проверка качества изображений гарантирует, что все изображения соответствуют необходимым стандартам для дальнейшего анализа, пока сотрудник находится на объекте. Это предотвращает необходимость повторных посещений одного и того же объекта для получения более качественных изображений, что делает автоматизацию высоко ценимой операторами.
Может быть, это вы?
Компания Utility Beta автоматизировала обнаружение размытых изображений во время осмотров ветряных турбин с помощью дронов. Камеры дронов снимали данные с лопастей и башен в режиме реального времени, а искусственный интеллект оценивал резкость изображений, отмечая размытые или непригодные фотографии перед их загрузкой для анализа. Это решение сократило необходимость повторного посещения операторов дронов местами осмотра на 80%, значительно сэкономив рабочее время и обеспечив стабильное качество изображений для выявления дефектов.
3. Обнаружение объектов (среднее)
Обнаружение объектов включает в себя идентификацию объектов на изображениях, таких как оборудование, транспортные средства или персонал на объектах коммунального обслуживания. Обнаружение объектов может применяться для мониторинга критически важной инфраструктуры или обеспечения соблюдения протоколов безопасности.
Изображение предоставлено Хан Г., Ван Р., Юань Цюань, Ли С., Чжао Л., Хе М., Ян С., Цинь Л. «Обнаружение птичьих гнёзд на опорах линий электропередачи на аэрофотоснимках с использованием улучшенных технологий YOLOv5». Машины . 2023; 11(2):257. https://doi.org/10.3390/machines11020257
Сложность получения изображений : средняя. Получение изображений может варьироваться в зависимости от условий окружающей среды. Стационарные камеры, например, используемые для наблюдения за безопасностью, обычно не создают особых проблем. Изображения, полученные во время наземных проверок, могут иметь значительные препятствия или сложные ракурсы. Для получения изображений с воздуха требуются дроны или вертолеты, а также обученные операторы.
Сложность моделирования : средняя. Модели ИИ должны быть обучены распознавать конкретные объекты в различных условиях. Это включает в себя учёт различий в размере, форме, ориентации и фоне, что делает процесс моделирования более сложным, чем более простые задачи обработки изображений, такие как оценка качества.
Уровень принятия автоматизированного решения пользователями : от среднего до высокого. Пользователи уже знакомы с функцией обнаружения объектов через повседневные приложения, которые распознают такие распространённые объекты, как домашние животные или достопримечательности на фотографиях. Широкое использование в личных целях создаёт условия для более лёгкого внедрения решения в отраслевых задачах.
Может быть, это вы?
Компания Delta автоматизировала идентификацию птичьих гнёзд на опорах линий электропередачи. Дроны сделали десятки тысяч снимков, а модель искусственного интеллекта отметила изображения с высокой вероятностью наличия птичьих гнёзд для анализа человеком. Отфильтровывая изображения с низкой вероятностью обнаружения, компания сэкономила сотни рабочих часов, позволив специалистам сосредоточиться только на вероятных положительных случаях.
4. Обнаружение дефектов (среднее/сложное)
Обнаружение дефектов направлено на выявление таких проблем, как трещины, коррозия и другие признаки износа оборудования. Его также можно использовать для проверки наличия необходимых деталей.
Изображение предоставлено Мадуако, И., Игве, К.Ф., Абах, Дж.Э. и др. Глубокое обучение для обнаружения неисправностей компонентов линий электропередачи. J Big Data 9, 81 (2022). https://doi.org/10.1186/s40537-022-00630-2
- Сложность получения изображений : средняя/высокая. Получение изображений для выявления дефектов может быть сложной задачей, особенно при осмотре труднодоступного оборудования, такого как линии электропередачи, трансформаторы или ветряные турбины. Для таких осмотров часто требуются дроны или специализированные камеры для получения изображений крупным планом с высоким разрешением, на которые могут влиять такие факторы окружающей среды, как освещение, погода или препятствия.
- Сложность моделирования : средняя. Для обнаружения дефектов модели ИИ должны точно определять едва заметные признаки износа или повреждения поверхностей оборудования. Модели должны различать нормальные отклонения (например, лёгкую ржавчину или грязь) и критические дефекты, такие как трещины или значительная коррозия, что делает эту задачу более сложной, чем простое обнаружение объектов.
- Уровень принятия автоматизированного решения пользователями : средний. Профессиональные инспекторы опасаются полностью полагаться на ИИ для выявления критических проблем. Основная проблема — ложные срабатывания, то есть пропуск существенных дефектов. Подход с участием человека, когда инспекторы просматривают отмеченные изображения и принимают окончательное решение о ремонте, позволяет им быть уверенными в способности ИИ выявлять дефекты.
Может быть, это вы?
Компания «Гамма» автоматизировала обнаружение отсутствующих дисков в изоляторах на своих высоковольтных линиях электропередачи, используя систему обнаружения дефектов на базе искусственного интеллекта. Для получения детальных изображений гирлянд изоляторов были задействованы дроны, а модель искусственного интеллекта отмечала любые потенциальные дефекты, такие как отсутствующие или поврежденные диски, для проверки инспекторами-людьми. Благодаря использованию подхода с участием человека, компания позволила своим профессиональным инспекторам сосредоточиться на вероятных дефектах, одновременно повышая точность ИИ. Это решение значительно сэкономило рабочее время и сократило время реагирования на техническое обслуживание, что в конечном итоге повысило надежность сети.
5. Оценка расстояния (умеренная/сложная)
Оценка расстояния позволяет определить, находятся ли деревья, растительность или другие объекты слишком близко к критически важной электротехнической инфраструктуре, такой как линии электропередачи, подстанции или трансформаторы, с точки зрения безопасности или регулирования.
Изображение из фильма «Между полюсами»
- Сложность получения изображений : сложная. Получение изображений, точно передающих расстояние между растительностью и объектами электроснабжения, может быть сложной задачей, особенно в обширных, удалённых или густо заросших лесом районах. Часто используются дроны, вертолёты или спутниковые снимки.
- Сложность моделирования : высокая. Модели ИИ должны точно оценивать расстояния по двумерным изображениям, что включает в себя оценку глубины и понимание масштаба в различных условиях. Это особенно сложно при работе со сложными узорами растительности или препятствиями, которые могут затенять части изображения. Модели также должны учитывать различные типы растительности и особенности её роста.
- Принятие автоматизированного решения пользователями : среднее. Коммунальные службы всё чаще предлагают автоматизацию управления растительностью, особенно в простых случаях. При чётком виде сверху на пересекающиеся с линиями электропередачи ветви деревьев легко согласуются как с моделью ИИ, так и с людьми, что повышает доверие пользователей к системе. Кроме того, способность ИИ выдавать «невозможно определить» для более сложных или нечётких изображений, а не делать предположения, играет решающую роль в укреплении доверия.
Может быть, это вы?
Компания Epsilon автоматизировала оценку наступления растительности на землю вблизи своих линий электропередачи. Дроны делали снимки линий электропередачи с воздуха, а модель ИИ оценивала, растут ли деревья или кустарники слишком близко к инфраструктуре в соответствии с нормами безопасности. Анализируя скорость роста на снимках с временными метками, ИИ мог предсказать, когда растительность, вероятно, наступит на линии электропередачи, что позволяло компании планировать обрезку и техническое обслуживание до того, как это станет угрозой безопасности.
6. Оценка ориентации (сложная)
Оценка ориентации включает определение точного положения и выравнивания объектов, что имеет решающее значение для обеспечения правильной установки или обнаружения несоосности в инфраструктуре.
Изображение предоставлено Аламом М.М., Чжу З., Эреном Токгозом Б. и др. Автоматическая оценка и прогнозирование устойчивости опор линий электропередачи с использованием беспилотных летательных аппаратов и методов компьютерного зрения. Int J Disaster Risk Sci 11 , 119–132 (2020). https://doi.org/10.1007/s13753-020-00254-1
- Сложность получения изображений : сложная. Получение необходимых изображений требует точности, часто с разных ракурсов, а также может потребовать специального оборудования или строго контролируемых условий.
- Сложность моделирования : очень высокая. Модели ориентации должны интерпретировать трёхмерное пространство и угловое положение объектов, что делает их одними из самых сложных визуальных моделей ИИ.
- Уровень принятия автоматизированных решений пользователями : от низкого до среднего. Из-за сложности задач ориентации пользователи могут не доверять полностью автоматизированным решениям, особенно если несоответствие может привести к дорогостоящим или опасным последствиям.
Может быть, это вы?
Компания Utility Zeta сотрудничала с организациями, регулярно курсирующими по улицам города, такими как полицейские машины и городские автобусы, для автоматизации обнаружения наклонных опор линий электропередачи с помощью оценки ориентации на основе искусственного интеллекта. Используя уличные камеры, установленные на этих автомобилях, компания получала непрерывные изображения опор в режиме реального времени с разных ракурсов. Модель искусственного интеллекта обрабатывала эти изображения, оценивая ориентацию каждой опоры и отмечая те, которые, по всей видимости, наклонялись за пределы допустимых значений. Это партнерство сократило потребность в специальной съемке изображений и позволило компании устранять потенциальные опасности до того, как они станут критическими в городской части зоны обслуживания.
С чего начать
При выборе варианта внедрения визуального ИИ крайне важно учитывать текущие возможности, ресурсы и цели вашей организации. Для коммунальных предприятий, только начинающих внедрять ИИ, начало с простых вариантов использования, таких как распознавание аналоговых элементов управления или оценка качества изображений, может обеспечить быстрые результаты и помочь укрепить доверие к технологии. Такие проекты, как правило, менее сложные и требуют меньше ресурсов, что позволяет командам приобретать ценный опыт. По мере того, как ваша команда будет лучше знакомиться с инструментами и рабочими процессами ИИ, вы сможете переходить к средним или сложным вариантам использования аналитики изображений, таким как обнаружение дефектов или оценка ориентации, где потенциальный эффект от эксплуатации выше, но и достичь его сложнее. Начните с того, где окупаемость инвестиций наиболее очевидна, и масштабируйте по мере роста вашего опыта.
LandingAI может стать вашим партнером на всех этапах вашего пути: от новичка до эксперта.
Протестируйте LandingLens бесплатно на app.landing.ai или запишитесь на бесплатную консультацию: sales@landing.ai
Содержание
Источник: landing.ai
