Применение нейронных сетей для обнаружения дефектов элементов линий электропередач

Организация заказчика

ООО «Лаборатория будущего»

Контакты представителя заказчика

Лимановская Оксана Викторовна, т -501, +79617704782

Название

Применение нейронных сетей для обнаружения дефектов элементов линий электропередач

Цель

Распознавать дефекты деревянных опор линий электропередач

Описание проекта (Проблема)

Линии электропередач с деревянными опорами являются одними из наиболее старых линий и имеют, как правило, срок эксплуатации более 20 лет, поэтому состояние опор на них не соответствует стандартам, что может привести к падению опор и обрывам в сети.

Пешие осмотры линий, которые используются сейчас для осмотра, дороги и опасны. В ООО  «Лаборатории будущего» разработан комплекс Канатоход на основе БПЛА. В настоящее время видео полученное с комплекса анализируется экспертом на наличие дефектов линии электропередач. Этот процесс также долгий и дорого стоящий, 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.

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 фото съемкой, 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.