Drones utilitaires: comment l’IA redéfinit les inspections utilitaires

Drones utilitaires: comment l’IA redéfinit les inspections utilitaires

17 juin 2020 Non Par Chris Gratt


drones utilitairesComment l’IA et les algorithmes d’apprentissage automatique redéfinissent les inspections des services publics alors que la société fait face à cette pandémie.

Suivi par un invité de Jaro Uljanovs, l’un des principaux développeurs d’IA et scientifique des données de Sharper Shape, un expert des inspections industrielles automatisées.

L’intelligence artificielle (IA) a un large éventail d’applications potentielles dans presque tous les secteurs imaginables – soins de santé, automobile, vente au détail, et même restauration rapide. Mais c’est une industrie de services publics où l’IA et l’apprentissage automatique (ML) commencent à démontrer certains de leurs effets les plus influents sur de nombreux aspects de l’entreprise. Les entreprises électriques comptent de plus en plus sur l’IA pour améliorer l’approvisionnement en électricité – dans des endroits comme l’Amazonie et la Californie – afin de prévenir les incendies potentiels à l’aide de logiciels de gestion des drones et de gestion de la végétation. Dans le monde post-COVID, où la réduction des effectifs sur site devient rapidement la norme, l’IA améliore en fait les affaires humaines.

De la collecte et de l’analyse des données à l’affichage d’informations pertinentes, les algorithmes d’IA et de ML redéfinissent rapidement la façon dont les services publics gèrent leur infrastructure électrique.

Consolidation et classification des données

Les services publics surveillent un vaste réseau d’infrastructures contenant des poteaux, des conducteurs et des sous-stations. La ligne de transmission et de distribution contenant ces composants clés s’étend sur des milliers de kilomètres. La gestion de la végétation autour de cette infrastructure critique doit également être surveillée car elle présente un risque d’incendie ou de pourriture.

Prendre un instantané complet de cette propriété signifie utiliser une variété de capteurs pour les inspections de puissance. Ces capteurs incluent la détection et la plage de lumière (LiDAR), la couleur (RVB), l’imagerie hyperspectrale et thermique.

Cela permet au logiciel de cartographie des drones d’enregistrer tout, de la proximité de la végétation aux infrastructures, aux composants individuels (tels que les isolateurs sur les transformateurs) et leur intégrité opérationnelle, aux points chauds qui indiquent des risques d’incendie potentiels.

C’est beaucoup de données à collecter, cataloguer et traiter. Et il y a beaucoup d’éléments individuels au sein de ces données – même dans une seule image – qui identifieront et classifieront, et encore moins le feront avec précision. Il est impossible de classer manuellement des milliards de points de données sur tous ces capteurs pendant longtemps.

Les outils AI et ML peuvent faire le même travail – numériser des milliers d’images collectées sur des milliers de kilomètres d’infrastructure utilitaire – en une seconde. La segmentation des nuages ​​de points LDAR peut détecter des guides (un type de segmentation de composants assez lourd) avec une précision supérieure à 95% pour chaque point individuel, tandis que la segmentation d’image hyperspectrale peut identifier les espèces de végétation avec une précision allant jusqu’à 99%.

En outre, ces algorithmes peuvent également améliorer la collecte de données de premier plan en combinaison avec des capteurs de drones. Les outils AI et ML aident à ajuster la position des systèmes de capteurs en temps réel. Dans le cas où le signal est perdu ou que la chaîne du drone s’écarte légèrement de la trajectoire de vol d’inspection, l’algorithme EDGE AI fonctionnant sur un matériel de drone ou de pilote professionnel peut aider le drone à ajuster sa mise au point en détectant des objets ou en évitant une collision en évitant les collisions à bord du véhicule

En aidant à ajuster les roulements des capteurs pendant le vol, l’IA assure non seulement une collecte de données plus précise, mais garantit que le vol n’a pas besoin d’être répété ou interrompu prématurément en raison d’une collecte de données inexacte, économisant ainsi un temps et des ressources précieux. Les techniques ML peuvent détecter toute erreur dans les capteurs ou les trajectoires de vol des drones dans les airs, en recalibrant et en reconnaissant les éléments individuels dans les données à mesure qu’elles transitent par le flux vidéo du capteur.

Briser les silos pour créer une approche holistique des données

La clé de tout cela est la suppression des silos qui se construisent naturellement entre les différents segments de données. Dans l’espace pour la surveillance des services publics, la gestion des actifs et la gestion de la végétation, différents capteurs, etc. produisent leurs propres ensembles de données différents et exigus.

Lorsque les données sont étiquetées de cette manière, il devient inutilement difficile pour les équipes de tirer des informations ou des conclusions à l’échelle de l’entreprise à partir des données collectées. Et à quoi servent toutes ces données si elles ne peuvent pas être utilisées pour compliquer d’autres ensembles de données?

Une bonne gestion des données ne peut exister individuellement. Il doit être holistique et l’IA incite à ce que cela se produise. L’IA fournit une ressource centrale pour regrouper toutes ces sources de données, ce qui facilite l’analyse des données pour les problèmes potentiels – tels que la végétation sujette aux incendies de forêt ou les composants endommagés. Lorsque ces problèmes sont collectés dans un seul système, il devient beaucoup plus facile d’identifier les erreurs et de les résoudre – et bien plus rapidement qu’il ne le serait de passer en revue manuellement d’innombrables images de piliers ou de cartes de végétation.

Malgré tous les problèmes courants liés à la suppression de l’IA chez l’homme, dans les utilitaires, l’IA renforce en fait le rôle que les humains doivent jouer dans le processus d’inspection du réseau et de l’électricité. Parce que l’IA est un outil qui effectue l’analyse des données, ce n’est pas quelque chose qui dépend de l’expertise potentiellement biaisée d’un inspecteur humain professionnel, ni sujet à la fatigue et aux résultats anormaux qui peuvent en résulter, mais plutôt un logiciel de test de drone. Mais en même temps, l’IA ne peut pas tout faire seule. C’est une méthode pour présenter des informations plus claires, plus précises et plus efficaces sur lesquelles les gens agiront ensuite avec leurs propres jugements.

Il existe de nombreuses hypothèses qui peuvent être facilement formulées, bonnes ou mauvaises, sur l’IA. Alors que les communautés commencent à émerger des fermetures et des distanciations sociales qui annoncent un changement important dans la vie quotidienne, ce que l’IA signifie vraiment pour l’industrie des services publics est moins de recours aux inspections manuelles et un outil plus efficace et plus efficace pour fournir des données réelles sur l’entreprise d’infrastructure électrique – sa transmission et sa distribution voies navigables, piliers et végétation à proximité – sont entre les mains des principaux décideurs.

Jaro Uljanovs est un expert en apprentissage automatique et un expert en données avec une expérience dans divers domaines. Il est titulaire d’une maîtrise en physique de l’Université York, où il a appliqué des techniques de prévision des machines aux réacteurs à fusion nucléaire. Travaillant avec le Joint-European Torus (JET) dans l’Oxfordshire en collaboration avec l’Université Aalto, il n’est pas étranger à l’analyse des mégadonnées, aux efforts conjoints et à la résolution de problèmes à grande échelle. Il se concentre actuellement sur l’intelligence artificielle et ses applications pour l’analyse automatisée des données. Ses principaux intérêts sont l’application non standard Neural Networks; Réseaux de neurones graphiques, apprentissage peu enregistré, virages spatio-spectraux. Ce sont ces domaines qui ont aidé SharperShape à exceller dans des domaines d’application clés de l’IA tels que la segmentation LiDAR automatisée, la détection et l’évaluation automatisées des composants et l’analyse approfondie des données hyperpectrales.