Ultralytics YOLOモデルを同社のプラットフォームGrid Vision®に統合することで、eSmart Systemsは検査時間を50%短縮し、障害の検出を迅速化するとともに、プロアクティブなメンテナンスへ移行しました。
eSmart Systemsはノルウェーを拠点とする企業で、コンピュータービジョンと分析を活用し、電力網や変電所などの大規模アセットの検査・管理を電力事業者に支援しています。特に、同社の主力プラットフォームであるGrid Vision®は、コンピュータービジョン、地理空間分析、時系列データを活用して航空画像を分析し、送電線全体から設備や欠陥を検出して予測的なインサイトを提供します。
eSmart Systemsは、検査効率をさらに高めるため、Ultralytics YOLOモデルをGrid Vision®に統合しました。これにより欠陥検出の速度が向上し、電力事業者は事後対応型の修理から、より効率的な状態基準保全へ移行できるようになりました。
AIとコンピュータービジョンで送電線検査を変革#
ノルウェーのハルデンに本社を置くeSmart Systemsは、重要インフラの監視・保守に向けた革新的なソリューションを電力・公益事業分野に提供することに注力しています。例えば、同社の主力プラットフォームであるGrid Vision®は、電力網や変電所などの大規模アセットを検査・管理するための包括的なソリューションを提供します。
世界中の70社を超える電力事業者から信頼されているeSmart Systemsは、10万キロメートルを超える送電線を検査し、電力事業者がより優れたデータに基づく意思決定を行えるよう支援してきました。Grid Vision®は保守の効率を高め、リスクを低減するとともに、よりレジリエントで持続可能なエネルギーインフラへの移行を支援します。
eSmart Systemsは、AIソリューションがデータプライバシーと規制遵守に関する高い基準を満たすことも保証しています。同社は情報セキュリティマネジメントについてISO 27001認証を取得しており、欧州の電力網運用における安全なデータ交換を規定するNetcode第7.8条に準拠しています。
電力網検査の複雑さ#
電力網は広大な地域に広がり、遠隔地やアクセスが困難な場所を通ることも少なくありません。これらのシステムの多くは老朽化しており、安全性と信頼性を確保するために定期的な検査が必要です。送電塔や送電線などの設備を検査するには時間とコストがかかり、作業員にとって危険が伴う場合もあります。
eSmart Systemsは、ドローンやヘリコプターを使って航空画像を取得し、コンピュータービジョンを適用して設備を検出し、欠陥を特定することを目指しました。しかし、電力事業者ごとに設備が異なり、さまざまな条件で画像が撮影されるため、一貫した検査ワークフローを維持することは困難でした。
図1. 電力網の保守は困難な場合があります。
これらの画像を手作業で確認する作業も遅く、多くのリソースを必要としたため、障害検出のスケールアップは困難でした。検査を自動化し、プロアクティブなメンテナンスを支援するため、eSmart Systemsには、アセットの種類、地域、気象条件を問わず安定して動作できる、高速で適応性の高いVision AIモデルが必要でした。
電力網検査における物体検出とYOLOの役割#
eSmart Systemsは、電力網検査に自動化とインテリジェンスをもたらすため、コンピュータービジョンモデルであるUltralytics YOLOをGrid Vision®プラットフォームに統合しました。Ultralytics YOLOモデルは、さまざまなコンピュータービジョンタスクに対応しており、物体検出によって航空画像内の塔、クロスアーム、碍子、導体などの主要設備をプラットフォームで識別できます。
これらのモデルは、植生の接近、損傷、摩耗など、電力網の性能に影響を及ぼす可能性のある欠陥の検出にも使用されています。設備と欠陥が検出されると、その情報はGrid Vision®を通じて処理されます。Grid Vision®はクラウドベースの処理を使用し、検査プロセスを迅速かつ正確に自動化・スケールします。
図2. Grid Vision®はYOLOを使用して電気設備を検出します。
このプラットフォームは潜在的な欠陥にフラグを付け、関連するリスクレベルを評価し、アセットの状態に基づいた保守計画の策定を電力事業者に支援します。リアルタイムの検出と分析を組み合わせることで、電力事業者は事後対応型の保守から、よりプロアクティブなアプローチへ移行できます。これにより、高コストの障害につながる前に潜在的な問題へ対処できるようになります。
これらのインサイトをメタデータや時系列データと統合することで、Grid Vision®は電力事業者による保守戦略の最適化を可能にし、効率を向上させるとともに、予期しない停電のリスクを低減します。
なぜUltralytics YOLOモデルを選ぶのか#
eSmart Systemsは、速度、精度、AIパイプラインへのシームレスな統合を理由に、Ultralytics YOLOモデルを採用しました。Ultralytics YOLOモデルは、大規模で高解像度の航空画像を分析する際にも一貫した結果を提供するため、電力網検査に適しています。
さらに、Ultralytics Pythonパッケージは、15種類のエクスポート形式を含む多様な統合オプションを提供します。この柔軟性により、eSmart Systemsはさまざまな環境にモデルをデプロイできます。同社はトレーニングにPyTorch、本番環境での最適化されたCPU推論にONNXなどの形式を使用しています。特に、クラウドインフラでGPUリソースが限られている場合に有効です。
すでに30を超えるUltralytics YOLOモデルを本番環境で運用しているeSmart Systemsは、検査を効率的にスケールできます。これにより、データ品質の向上や電力事業者固有の課題への対応に注力できます。
Ultralytics YOLOで検査時間を50%短縮#
Ultralytics YOLOモデルを搭載したGrid Vision®は、電力事業者の検査を大幅に強化しました。アセット検査を自動化し、欠陥検出を改善することで、Grid Vision®は手作業の負担を軽減し、安全性を高め、よりプロアクティブな保守戦略を可能にしました。
例えばスイスでは、山岳地帯にある数千基の鉄塔（送電線を支える背の高い構造物）を管理する大手エネルギー企業が、検査時間を50%短縮しました。人が登る手作業の検査からドローンベースの検査へ移行したことで、障害検出が迅速化し、作業員の安全性が向上するとともに、時間を節約できました。
同様に米国では、大手電力事業者がGrid Vision®を使用し、わずか3か月で1,400基の送電構造物をデジタル化しました。AIを活用した画像分析により手作業での写真確認が置き換えられ、遠隔検証が可能になるとともに、より優れたデータに基づく設備投資計画の意思決定が実現しました。
同様にフィンランドでは、送電系統運用者が地上ベースの検査からドローン支援の評価へ切り替えることで、現地訪問を減らし、停電を最小限に抑えました。Grid Vision®とYOLOを活用した欠陥検出により検査精度が向上し、熟練作業員はより重要な業務に集中できるようになりました。
図3. Grid Vision®とYOLOを使用して監視された、フィンランドの電力網の送電線の様子。
次世代の電力事業者向け検査を支える#
今後、eSmart Systemsはグローバル展開を進める中で、インフラの違い、画像取得方法の違い、地域ごとのデータドリフトなどの課題に対応していきます。こうした課題を克服するため、同社はGrid Vision®のさらなるスケーラビリティと適応性の向上に注力しています。
同社のMLOpsパイプラインの進展は、モデルの再トレーニングを簡素化し、データセットの拡張を自動化するうえで重要な役割を果たしています。これらの改善により、AIソリューションの精度と性能が継続的に向上しています。eSmart Systemsは、より効率的で信頼性の高い電力網管理への道を切り開き、グローバルなエネルギー移行に向けた将来対応型のアプローチを実現しています。
コンピュータービジョンに関心がありますか？GitHubリポジトリで、Ultralytics YOLOモデルが自動運転車におけるAIや農業におけるコンピュータービジョンなどの分野でイノベーションを推進している方法をご覧ください。YOLOモデルとライセンスオプションについて、今すぐ詳しくご確認ください。
