Northpower利用AWS计算机视觉自动化安全检查

主要要点

Northpower与技术合作伙伴Sculpt合作，利用计算机视觉和人工智能AI技术简化安全风险评估流程。使用Amazon SageMaker对资产进行分析，识别和优先处理涉及公共安全的潜在风险。通过数据处理，Northpower发现141根电杆需要处理，显著减少了人工检查的成本和碳排放。

北电Northpower为新西兰北部地区的客户提供可靠且经济的电力和光纤互联网服务。作为电力分销商，北电致力于通过基础设施投资、开发新产品和服务来提高社区的接入、机会和繁荣，并积极回馈股东。此外，北电还是新西兰最大的基础设施承包商之一，为电力传输、配电、发电和电信客户提供服务。北电目前拥有1400名员工，分布在14个地点，为维持关键服务发挥着重要作用，以连接社区和建设北部未来为目标。

能源行业正处于关键的转型时期。政策制定者和公众强烈推动减碳，同时平衡能源韧性与健康、安全和环境风险。近年来发生的热带气旋加布里埃尔Tropical Cyclone Gabrielle突显了电网在极端天气条件下的脆弱性，也强调了建立气候适应性和韧性基础设施的必要性。随着分布式能源资源如屋顶太阳能和太阳能、风能等大型可再生能源项目的整合，电力分销企业EDB也面临新的挑战。这一变化呼唤创新解决方案，以确保运营效率和持续韧性。

在本文中，我们将分享北电如何与Sculpt合作，减少识别和纠正公共安全风险所需的工作量和碳排放。我们将具体讨论利用计算机视觉和人工智能技术将数据集整合为现场团队调查和缓解的优先任务列表的过程。最终的仪表板显示，在57230根电杆中，有141根需要采取措施。

面临的挑战

电杆通常配有固定线，以增强其稳定性。此类固定线应配备内置绝缘体，以避免因固定线带电而对周边人或动物造成安全风险。

北电在如何确定其57230根电杆中有多少根固定线没有绝缘体方面面临重大挑战。没有可靠的历史数据，人工检查如此庞大且主要位于农村的网络既耗时又昂贵。采用直升机检查或派遣现场技术人员进行安全检查不仅需要进入私人房产，成本也相当高。此外，工作人员需要走访大型网络中的每根电杆，这本身也构成了一项相当大的后勤挑战，需求更高效的解决方案。

所幸，一些资产数据集以数字形式存在，而20年前的纸质检查报告也已扫描提供。这些存档以及765933张不同质量的检查照片其中一些超过15年历史，呈现出重大的数据处理挑战。处理这些图片和扫描文档并不是人力能够高效完成的任务，需要具备高性能的基础设施来缩短价值实现的时间。

解决方案概述

Amazon SageMaker 是一项全托管服务，帮助开发人员和数据科学家构建、训练和部署机器学习ML模型。在这个方案中，团队利用Amazon SageMaker Studio 启动了一种基于PyTorch框架的目标检测模型，该模型来自于Amazon SageMaker JumpStart

以下图示展示了高层次的工作流程。

北电选择SageMaker的原因包括：

SageMaker Studio是一个托管服务，提供即用的开发环境，节省了手动设置环境所需的时间。SageMaker JumpStart负责设置并以最小配置部署项目中的机器学习作业，进一步节省了开发时间。与Amazon SageMaker Ground Truth的集成标注解决方案，适合大规模图片标注，并简化了与北电标注工作人员的协作。

在以下部分，我们将讨论解决方案的关键组成部分。

数据准备

SageMaker Ground Truth利用北电志愿者的人力对10000张图像进行标注。标注团队在固定线和绝缘体周围创建了一个边界框，然后将标注结果用于训练机器学习模型。

模型训练、验证和存储

该组件使用以下服务：

SageMaker Studio用于访问和部署预训练的目标检测模型，并在托管的Jupyter笔记本上开发代码。通过数据准备阶段的训练数据微调模型。有关如何设置SageMaker Studio的详细指南，请参阅 Amazon SageMaker简化了个人用户的Amazon SageMaker Studio设置。SageMaker Studio运行自定义Python代码以增强训练数据，并将SageMaker Ground Truth的元数据输出转换为支持计算机视觉模型训练作业的格式。然后在全托管基础设施上训练模型、验证模型，并将模型发布到Amazon SageMaker模型注册表。Amazon Simple Storage ServiceAmazon S3存储模型工件，并创建数据湖，以承载推理输出、文档分析输出和其他CSV格式的数据集。

模型部署和推理

在此步骤中，SageMaker在端点上托管机器学习模型，以执行推理。

推理后，我们再次使用SageMaker Studio笔记本运行自定义Python代码，以简化数据集并根据标准在对象上渲染边界框。此步骤还应用了一个自定义评分系统，并在最终图像上进行呈现，从而为低置信度图像提供额外的人力质量检查步骤。

数据分析和可视化

该组件包括以下服务：

使用AWS Glue爬虫了解存储在数据湖中的数据集结构，以便通过Amazon Athena进行查询。Athena允许使用SQL将推理输出和资产数据组合在一起，以查找最高风险项目。Amazon QuickSight被用作人力质量检查流程和确定需要派遣现场技术人员进行物理检查的资产工具。

文档理解

在最后一步中，Amazon Textract对历史纸质资产评估进行数字化，并以CSV格式存储输出。

cyberghost官网

结果

训练好的PyTorch目标检测模型能够检测电杆上的固定线和绝缘体，SageMaker后处理作业使用一台m524xlarge的Amazon Elastic Compute CloudEC2实例并利用200个并发Python线程计算风险分数。该实例还负责将分数信息及对象边界框渲染到输出图像上，如下例所示。

将置信度分数写入S3数据湖并与历史检查结果一起存储，允许北电利用Athena进行分析，以了解每个图像的分类。下图是这种分类的可视化效果。

北电将1853根电杆分类为高优先级风险，3922根为中优先级，36260根为低优先级，15195根为最低优先级。在QuickSight仪表板上可查看这些分类，并作为人力审核最高风险资产的输入。

在分析结束时，北电发现31根电杆需要安装固定线绝缘体，另有110根电杆需在现场进行调查。这大幅度降低了人工检查每个资产的成本和碳排放。

结论

远程资产检查对区域电力分销商EDB而言仍然是一个挑战，但利用计算机视觉和AI从以前未使用的数据中挖掘新的价值是北电在该项目成功的关键。SageMaker JumpStart提供了可部署的模型，能够为目标检测用例进行训练，而无需过多的数据科学知识和开销。

您可以发现SageMaker JumpStart提供的公开基础模型，通过以下步骤指南快速启动自己的ML项目。

作者介绍

Scott Patterson是AWS的高级解决方案架构师。

Andreas Astrom是北电的技术与创新负责人。

阅读评论