这是一篇由Mario Namtao Shianti Larcher撰写的客座文章，他是Enel的计算机视觉负责人。
Enel起初是意大利的国家电力实体，如今是一家跨国公司，在32个国家设有业务，是全球第一家私营网络运营商，拥有7400万用户。它还被认为是全球第一家可再生能源发电商，装机容量达到55.4吉瓦。近年来，该公司在机器学习（ML）领域进行了大量投资，通过发展内部专业知识，实现了一些非常宏大的项目，例如自动监测其230万公里的配电网络。
每年，Enel通过直升机、汽车或其他方式对其电力配电网络进行检查，拍摄数百万张照片，并重建其网络的3D图像，这是使用LiDAR技术获得的网络的点云3D重建。
对这些数据进行分析对于监控电网状态、识别基础设施异常和更新已安装资产的数据库至关重要，并且可以对基础设施进行细粒度的控制，包括杆塔上安装的最小绝缘子的材料和状态。由于数据量很大（仅在意大利每年超过4000万张图片），需要识别的项目数量以及其特异性，完全手动分析非常昂贵，无论是时间还是金钱，而且容易出错。幸运的是，由于计算机视觉和深度学习领域的巨大进步以及这些技术的成熟和普及，部分或完全自动化这个昂贵的过程是可能的。
当然，这个任务仍然非常具有挑战性，就像所有现代AI应用一样，它需要计算能力和有效处理大量数据的能力。
Enel基于Amazon SageMaker构建了自己的ML平台（内部称为ML工厂），该平台已确立为Enel在不同数字中心（业务单元）上构建和训练模型的标准解决方案，使用Amazon SageMaker Training、Amazon SageMaker Processing和其他AWS服务（如AWS Step Functions）开发了数十个ML项目。
Enel从两个不同的来源收集图像和数据：
- 空中网络检查：
- LiDAR点云 – 它们具有极高的精度和地理定位的基础设施的3D重建，因此非常有用于计算距离或使用2D图像分析无法获得的精确度进行测量。
- 高分辨率图像 – 这些基础设施的图像在几秒钟内连续拍摄。这使得可以检测到在点云中无法识别的太小的元素和异常。
- 卫星图像 – 尽管这些图像可能比检查电力线路更便宜（有些免费或需要付费），但它们的分辨率和质量通常不及Enel直接拍摄的图像。这些图像的特性使其在某些任务中非常有用，例如评估森林密度和宏观类别或查找建筑物。
在本文中，我们将讨论Enel如何使用这三个来源，并分享Enel如何使用SageMaker自动化其大规模电网评估管理和异常检测过程的详细信息。
分析高分辨率照片以识别资产和异常
与检查期间收集的其他非结构化数据一样，拍摄的照片存储在Amazon Simple Storage Service（Amazon S3）上。其中一些照片经过手动标记，目的是为了训练不同的深度学习模型，用于不同的计算机视觉任务。
在概念上，处理和推理流程涉及分层方法的多个步骤：首先，识别图像中的感兴趣区域，然后对其进行裁剪，识别其中的资产，最后根据材料或上面的异常进行分类。由于同一个杆塔经常出现在多张图片中，因此还需要能够将其图片分组以避免重复，这个操作称为重新识别。
对于所有这些任务，Enel使用PyTorch框架和用于图像分类和目标检测的最新架构，例如EfficientNet/EfficientDet或用于某些异常的语义分割的其他架构，例如变压器上的油泄漏。对于重新识别任务，如果由于缺乏相机参数而无法几何化处理，他们使用基于SimCLR的自监督方法或使用Transformer-based架构。如果没有大量配备高性能GPU的实例进行训练，将无法训练所有这些模型，因此所有模型都使用带有GPU加速的ML实例并行训练，使用Amazon SageMaker训练作业。推理具有相同的结构，并由Step Functions状态机进行编排，该状态机管理着多个SageMaker处理和训练作业，尽管名称上如此，但在训练和推理中都可以使用。
以下是ML流水线的高层架构及其主要步骤。
该图显示了ODIN图像推理流水线的简化架构，该流水线从数据集图像中提取和分析感兴趣区域（例如电力柱）。流水线进一步深入研究感兴趣区域，提取和分析电气元件（变压器、绝缘子等）。在元件（感兴趣区域和元件）确定后，重新识别流程开始：根据3D元数据将图像和网络地图中的柱子进行匹配。这允许将指向同一根柱子的感兴趣区域进行聚类。之后，最终确定异常并生成报告。
使用LiDAR点云提取精确测量
高分辨率照片非常有用，但由于它们是2D的，无法从中提取精确的测量数据。LiDAR点云在这里起到了救命稻草的作用，因为它们是3D的，并且云中的每个点都有一个位置，其误差小于几厘米。
然而，在许多情况下，原始点云并不有用，因为如果不知道一组点代表树、电线还是房子，就无法对其进行很多操作。因此，Enel使用了KPConv，这是一种语义点云分割算法，用于为每个点分配一个类别。在对点云进行分类之后，就可以确定植被是否过于靠近电力线，而不是测量杆塔的倾斜度。由于SageMaker服务的灵活性，此解决方案的流水线与之前描述的流水线没有太大区别，唯一的区别是在这种情况下，还需要使用GPU实例进行推理。
以下是一些点云图像的示例。
从空间观察电网：通过映射植被来防止服务中断
使用直升机和其他手段检查电网通常非常昂贵，并且无法经常进行。另一方面，拥有一个能够在短时间间隔内监测植被趋势的系统对于优化能源分配商最昂贵的过程之一——修剪树木非常有用。这就是为什么Enel还在其解决方案中包括对卫星图像的分析，通过多任务方法识别出植被的存在位置、密度和被分成宏观类别的植物类型。
对于这个用例，经过尝试不同的分辨率后，Enel得出结论，由Copernicus计划提供的免费Sentinel 2图像具有最佳的成本效益比。除了植被之外，Enel还使用卫星图像识别建筑物，这是有用的信息，可以了解它们的存在与Enel的供电范围是否有差异，以及数据库中的任何非正常连接或问题。对于后一个用例，Sentinel 2的分辨率不足，其中一个像素代表10平方米的区域，因此购买的是分辨率为50平方厘米的付费图像。这个解决方案在使用的服务和流程方面与之前的解决方案没有太大区别。
以下是带有资产（电杆和绝缘子）标识的航拍照片。
Angela Italiano，ENEL Grid的数据科学总监，表示：
“在Enel，我们使用计算机视觉模型通过重建我们的网络的3D图像来检查我们的电力分配网络，使用数千万张高质量图像和LiDAR点云。这些ML模型的训练需要访问大量配备高性能GPU的实例，并能够高效处理大量数据。有了Amazon SageMaker，我们可以快速并行地训练所有模型，而无需管理基础架构，因为Amazon SageMaker训练根据需要扩展计算资源。使用Amazon SageMaker，我们能够构建我们系统的3D图像，监测异常，并有效地为6000万客户提供服务。”
结论
在这篇文章中，我们看到像Enel这样能源界的顶级企业是如何使用计算机视觉模型和SageMaker训练和处理作业来解决管理如此庞大规模基础设施的人们所面临的主要问题之一，即跟踪已安装的资产，并确定异常和对输电线路构成危险的源头，例如过于靠近的植被。
了解更多关于SageMaker的相关功能。