我们大多数人都不太关注电网，这些电网让我们的家保持凉爽，我们的企业运转起来——直到灯熄灭或冰箱安静下来。但在加利福尼亚州和西海岸，以及澳大利亚和世界其他受干旱影响的地区，能源公司正在检查其基础设施是否存在变质食品以外的风险，包括野火。随着火灾越来越大，并且越来越多地发生在我们所认为的火灾季节之外，能够在设备故障发生之前发现并解决问题变得更加重要。大约两年前，这既是圣地亚哥天然气和电力公司 （SDG&E） 向其维护和数字创新团队提出的挑战也是机遇。他们与埃森哲的一个团队共同构建的解决方案（一个不断发展的解决方案）巧妙地结合了 SDG&E 合格电气工人的长期经验、无人机机队捕获的公用事业设备的鸟瞰图以及在 Amazon Web Services （AWS） 中运行的强大机器学习模型 2019 Cloud.In 年，SDG&E 考虑的最初想法是使用无人机飞越公用事业公司 240,000 架中的约 75,000 架电线杆（野火风险最高的地区的电线杆）用于拍摄图像并识别可能需要维修的设备。当负责监督大型输电、配电和变电站项目的 SDG&E 项目经理詹妮弗·卡明斯基 （Jennifer Kaminsky） 听说飞行无人机的想法时，她对这种可能性很感兴趣。我想确保它不仅仅是一本可爱的电线杆相册，“卡明斯基说。它必须超越一种巧妙的图像收集方式。无人机计划必须帮助避免野火的风险。为此，卡明斯基和她的团队需要一种机制，该机制不仅可以拍摄图像，还可以识别需要立即关注的高优先级问题。韩国农民通过机器学习种植更多紫苏叶基于亚马逊云科技构建的智能农场解决方案可帮助小规模农户提高该国最受欢迎的烹饪食材之一的产量。Kaminsky 是通过加州众多监管机构以及公共和私人利益相关者指导公用事业项目的专家。她驾驶无人机不是为了好玩（“我有人这样做，”她开玩笑说），但她非常清楚地知道她希望无人机收集什么样的数据，在什么程度上，以及可以用这些数据做什么。Kaminsky 聘请了一位专家盟友在技术方面提供帮助——SDG&E 的数字战略与创新负责人 Gabe Mika。当米卡听说无人机被放到空中作为概念验证时，他和卡明斯基有同样的直觉：他们怎么能用这些图像做更多的事情？我知道他们正在收集图像，所以问题是，'我们能否应用计算机视觉模型来帮助我们在维护和防火工作中提高长期效率？“我们能否使用无人机镜头来构建机器学习模型，并使这种无人机程序不仅真实，而且对我们的客户有真正的好处？”对于卡明斯基来说，真正的客户利益可以通过一个简单的想法来定义。你在东西坏掉之前就把它们修好，“她说。公用事业业务通常是非常手动的。按照设定的时间表，高技能的工作人员通过停下卡车、抬头、做笔记并将它们记录到系统中，检查数英里的输配电线路——就 SDG&E 而言，还有数以万计的电线杆。维护人员首先优先修复系统最关键和最脆弱的部分，然后继续列出不太紧急的修复。然后他们重新开始，同时解决天气事件和各种其他不可预测的情况不可避免地出现的紧急修复。在合格的无人机飞行员、Mika 的团队以及埃森哲、Kaminsky 和 SDG&E 的机器学习顾问的帮助下，将无人机升空，并开始拍摄难以到达且风险最大的区域的照片：高火灾威胁地区。SDG&E 为圣地亚哥县和奥兰治县南部的 360 万人提供服务，所以想象一下圣地亚哥市中心东部和北部的所有山坡和山脉。这里是崎岖、干燥、偏远的地形;换句话说，非常适合驾驶无人机。卡明斯基想要的不仅仅是图片，这预示着手头的下一个任务：开发图像识别算法——机器学习模型——不仅可以识别他们正在查看的变压器、绝缘子、避雷器、横臂和电线杆，还可以确定设备的状况并给它打分。该分数将建议哪些图像需要进一步审查，并确定可能需要修复的设备。这就是埃森哲团队在计算机视觉、数据科学和开发应用程序方面的丰富经验发挥作用的地方。他们着手构建一个智能系统，该系统引入了一个更关键的组成部分：专家的人类经验。系统必须完成的最后一部分——测量设备的状况——需要专家的眼光和经验。幸运的是，这正是 SDG&E 的巡线工（正式名称为合格电气工人）所拥有的，它使一切变得不同。正如 SDG&E 的智能图像处理项目团队所描述的那样：计算机视觉代表了未来资产检查的人机合作。在教图像识别模型通过标记准确识别设备，并确认 230 万张照片中每一张照片的内容（用机器学习术语标记图像数据）后，SDG&E 的团队将自己的经验应用于设备状况分级。“那杆子有声音吗？”或“那个避雷器是否被烧毁或损坏了”并不总是容易回答的问题，正确的答案只能通过经验来获得。通过在标记阶段添加资深 SDG&E 团队成员的见解，数据集和模型在分析图像时变得更加准确。如果存在任何歧义，机器学习模型会将其交给人类专家进行进一步审查和采取行动。这可能意味着后续的物理检查，或者直接进行维修。拥有云确实改变了游戏规则，“卡明斯基说。“能够存储所有这些数据并让多个用户能够快速访问它，我们有可能非常快速地从评估到现场修复。”她是认真的。作为 Mika 领导的创新计划的一部分，SDG&E 使用了他们称之为“学习、证明、扩展”的框架。整个想法是确定和试用新的解决方案，在解决公用事业公司最棘手的问题时，这些解决方案在速度和成本方面产生重大影响。应用他们的框架，他们通过无人机和机器学习辅助图像识别开始了“学习”阶段。他们很快发现，卡明斯基所寻求的速度是真实的，并且在计算人们进入现场并进行类似检查所需的相应时间时，可以转化为真正的节省。使用 Amazon Rekognition 和 Amazon Lookout for Vision，SDG&E 的机器学习模型每小时可以评估近 16000 张图像的损坏情况。在短期内，SDG&E 计划为三辆专用车辆和驾驶员配备在云边缘运行的移动设备和 AWS 机器学习模型，以便在 90 天内在高火灾威胁地区捕获图像。使用无人机捕获相同电线杆的图像需要更长的时间。我们的想法是将此解决方案扩展到其 1,500 辆车队中的更多车辆，以便更频繁地在大部分服务区域捕获图像。两年后，SDG&E 团队和他们的合作伙伴埃森哲正在努力实现该方法在整个组织中的转型潜力，并制作了 230 万张变压器、绝缘子、连接器和电线杆的照片。这开始了对“规模”阶段的思考。他们如何不仅将其应用于降低野火风险，还应用于资产管理、植被管理和气候变化中的总体可靠性？我们获得的数据越多样化，我们就越能更好地训练我们的模型来做各种事情，“米卡说。“希望它能达到我们可以与行业分享这些的地步，因为我们有相同的问题，并且有很多相同类型的基础设施。野火不再是加利福尼亚的事情，而是西海岸的事情，也是全球的事情。气候变化正在推动世界各地社区和景观发生变革的规模和强度，需要新的思维方式和新的方法来解决新问题。SDG&E 的努力是朝着这一目标迈出的一步。这不是一个开始和结束的火灾季节;它通过跟踪天气模式、测量我们得到的降雨量以及监测植被的水分含量来准备和预防它，“卡明斯基说。“消防科学和气候适应全年都在我们的脑海中，我们对这种数据收集和分析的研究越多，我们就越相信它不仅可以对公用事业行业产生变革，而且适用于其他各种行业。”安全是我们的首要任务，通过将人类专业知识与机器学习和这些模型相结合，我们可以开始揭示我们以前没有看到的东西，“她继续说道。“帮助我们防止火灾并为我们的客户保持灯亮着的东西。”
