Применение нейронных сетей для обнаружения дефектов стеклянных изоляторов линий электропередачи

Организация заказчика

ООО «Лаборатория будущего»

Контакты представителя заказчика

Лимановская Оксана Викторовна, т -501, +79617704782

Название

Применение нейронных сетей для обнаружения дефектов стеклянных изоляторов линий электропередачи

Цель

Распознавать дефекты стеклянных изоляторов линий электропередачи

Описание проекта (Проблема)

В ООО  «Лаборатории будущего» разработан диагностический комплекс Канатоход на основе БПЛА. Видео, полученное с комплекса анализируется экспертом на наличие дефектов линии электропередачи. Этот процесс долгий и дорогостоящий, поэтому сейчас идет разработка диагностической автоматической системы, которая будет распознавать дефекты элементов ЛЭП. Большинство таких систем используют в своей основе технологии нейронных сетей, поэтому проект предполагает использование нейронных сетей и методов машинного зрения.

В соответствии с требованиями п.4.11.3. Типовой инструкции по эксплуатации воздушных линий электропередачи напряжением 35-800 кВ (РД 34.504-94) стеклянные изоляторы должны браковаться и подлежать замене при:

- разрушении стекла;
- появлении на поверхности стекла волосяных трещин;
- стойком загрязнении поверхности стекла.

Размер команды

2-3 человека

Роли и компетенции

2- роль data mining. Сбор и подготовка данных к анализу. Компетенции – владение графическими пакетами программ, видео и фотосъемкой, основы работы в Python и в облачных серверах

1 – роль data scientist. Построение алгоритмов анализа данных. Компетенции – владение алгоритмами, оценка эффективности алгоритма, машинное обучение, нейронные сети, машинное зрение.

Результат /
Продукт

Оценка проекта. Качественная – идентифицировать заданный тип дефекта по видео или / и фотоматериалам. Количественная – количество найденных дефектов по алгоритму относительно количеству дефектов, найденных экспертом.

Предлагаемые подходы к решению проблемы

Использование составного алгоритма, который на первом этапе выделяет элементы линий электропередач из изображений, а на втором этапе анализирует фрагмент изображения для определения дефекта элемента.