百度飛槳助國網山東省電力公司實現無人巡檢 火災發生瞬時上報!

眾所周知，深度學習技術堪稱人工智慧的「底座」，在各大傳統產業上也有著巨大的潛力尚待挖掘。5月20日，由深度學習技術及應用國家工程實驗室與百度聯合主辦的「WAVE SUMMIT」2020深度學習開發者峰會召開，百度深度學習平臺飛槳攜手國家電網和山東信通，打造的電網智能巡檢方案作為典型案例亮相，向觀眾展示了深度學習如何在工業領域實現落地。

(百度深度學習技術平臺部高級總監馬豔軍分享電網智能巡檢方案)

峰會現場，百度深度學習技術平臺部高級總監馬豔軍詳解該落地案例。百度視覺團隊基於百度飛槳打造的該方案對輸電線路外破隱患的識別分析準確率已超過90%，同時實現秒級報警，可充分保障電力安全。此外，在開發過程中起到關鍵作用的模型壓縮庫PaddleSlim和端側推理引擎Paddle Lite也在當天迎來全新升級發布，進一步提升性能和易用性。

輸電線路人工巡檢耗時費力傳統可視化監拍方案真空期長

提到「電老大」，人們的第一印象是巨大的鐵塔、高聳的電線桿和一眼望不到頭的電線，這些設備不分晝夜地將電力輸送到中國的每一個城市和鄉村。隨著城市化建設推進和生活用電需求不斷增長，有預測稱2020年中國發電量將跳增51%至2073吉瓦，輸電線路總長也將超159萬千米，這為中國電網的安全運維帶來很高的要求，其中一項重要的工作就是輸電線路巡檢工作。

以往，電力巡檢通常依賴人工，這一方式工作量大、勞動強度高，同時工作效率較低，巡視質量不一，且常受惡劣天氣等外界因素影響，常常是事故發生了一段時間之後，才能發現並補救。後來有關企業嘗試部署可視化監拍裝置，再結合人工巡檢，隨著方案的規模化推廣，有效的減少人員工作量和停電跳閘次數，但大多數設備拍照間隔均在半個小時以上，採集真空期依然較長，對於短時隱患的預警及突發情況的追溯不足。

換言之，時效落後、預警缺位等關鍵痛點，未得到根本解決，火災或工業機械造成高壓電網損壞等問題，依然會不可逆地為生活生產用電帶來影響損失，可以說防不勝防。

如果能讓智能分析設備真正「智能」起來，自動識別電網設備周圍的安全隱患並主動上報，這些問題就可以迎刃而解，但如何實現這一需求?山東信通電子股份有限公司是一家致力於提供電力、通信行業物聯網解決方案的高新技術企業，在嘗試了傳統前端分析、硬體加速類前端智能分析、後端智能分析等方案後，發現各類方案均存在一定的技術瓶頸，於是他們將目光放在了前端深度學習技術上。

百度飛槳的優點：高性能、輕量化、多硬體、高拓展

經過多個深度學習框架比對，山東信通最終選擇了百度飛槳，雙方團隊經交流研討之後，一致認為現有智能分析設備的問題在於準確率不足、分析耗時長。於是雙方在百度視覺技術的基礎上，引入飛槳的模型壓縮庫PaddleSlim和端側推理引擎Paddle Lite，最終打造出了這套輸電智能巡檢方案，並在國家電網山東電力公司的輸電線範圍內率先應用。

山東信通的研究人員認為，這套方案的核心在於算法模型，而百度飛槳具備高性能、輕量化、多硬體、高拓展的優點，Paddle Lite可針對輸電隱患模型進行定製優化提升，在低算力低功耗下仍能有較高推理性能。此外，該方案採用了雲邊協同，可以隨著雲端樣本更新和模型訓練的迭代升級，來進一步優化和適配識別算法的適用場景，不斷提升識別精度，降低漏報及誤報。

Paddle Lite帶來的識別精度提升非常大，以吊車、塔吊等大型施工機械的識別為例，百度Paddle Lite可以達到96%的識別準確率，而傳統前端智能分析僅有80%。另外，應用Paddle Lite的該方案功耗僅有0.4W。

　深度學習實現無人巡檢即時報警，實戰檢驗保障生產生活用電

相比舊版的智能分析設備，新方案下可視化監拍裝置拍照間隔從半小時縮短到5分鐘，且實現圖像端側的邊緣智能分析，五秒內就可以識別出吊車、導線異物、煙火、塔吊、各類施工機械等安全隱患，分析準確率超過90%，同時模型大小縮小60%，綜合功耗也降低了30%，最關鍵的是，從發現到報警的速度從幾小時縮短至20秒，電力工作人員得以及時反應，避免造成生產生活的損失。

這一方案很快迎來了一次「實戰檢驗」。今年3月8日，山東淄博某郊區發生火情，正位於國家電網高壓線路下方，可視化監拍裝置第一時間拍攝畫面並判斷為安全隱患，並同步向國網淄博供電公司輸電工區運檢室的值班人員發出告警信息，值班人員立刻申請線路緊急避險，同時協調運檢人員即刻趕往現場處理，一個多小時後，火情被及時撲滅，避免了一場災難的發生，居民和工廠的用電也未受到影響。

研發人員認為，飛槳模型壓縮庫PaddleSlim和端側推理引擎Paddle Lite很好地解決了模型難以在小內存設備中運行的問題，而且應用識別效果良好，「業內主流廠商提供的解決方案下，對單張拍攝畫面的分析最快是3秒，而百度飛槳提供的方案是1秒，尤其對施工機械識別非常優秀。」目前，輸電線路隱患可視化智能管控平臺已接入6.5萬餘臺裝置，覆蓋山東省內17地市5800餘條輸電線路，每天可處理實時圖片200萬餘張，並發出10萬餘張的預/告警圖片。

PaddleSlim和Paddle Lite迎來全新升級發布飛槳降低深度學習落地門檻

飛槳在電力巡檢方向上的應用，是深度學習落地工業的一個縮影，從中也可以看到人工智慧落地產業所面臨的難題：技術門檻攔路、模型選型複雜、算力需求過高、效果未達預期、軟硬體適配難度大等，只有解決了這些問題，才能實現真正的產業智能化。

值得注意的是，在該案例中大放異彩的兩大工具：模型壓縮庫PaddleSlim和端側推理引擎Paddle Lite在峰會上也迎來了全新的升級發布。據了解，PaddleSlim升級至1.0，功能更加完備，也更貼近實際工業的硬體環境，為企業提供模型的小型化方案，尤其在圖像分類、目標檢測、語義分割、NLP語義理解等方面得到廣泛驗證;Paddle Lite則升級發布2.6版本，進一步提升易用性，並全面支持主流通用CPU和GPU，主流模型性能領先業內。

而這是僅是飛槳在峰會現場展現出來的一部分亮點，當天，飛槳開源深度學習平臺公布了7項全新發布和23項重大升級，並展現了最新成績單：累計開發者數量超過190萬;服務企業數量達到8萬4千家;發布模型數量超過23萬個，是國內最領先、服務開發者規模最大、功能最完備的開源開放深度學習平臺。

但飛槳最大的成就在於，以領先的深度學習技術為更多企業的智能化轉型提供了趁手的工具和助推力，正如百度CTO王海峰在峰會上所表示，飛槳的全新發布和重要升級，聚焦於滿足旺盛的產業智能化需求和快速增長的AI生產規模，以大幅提升飛槳的易用性，方便開發者高效快速實現AI應用，進行業務創新。未來也會有更多像山東信通這樣的企業和開發者，借力飛槳等人工智慧平臺實現產業智能化的全新轉身。

免責聲明：市場有風險，選擇需謹慎！此文僅供參考，不作買賣依據。