通过将 Ultralytics YOLO 模型集成到其 Grid Vision® 平台中，eSmart Systems 将巡检时间缩短了 50%，实现了更快的故障检测，并转向主动式维护。
eSmart Systems 是一家总部位于挪威的公司，利用计算机视觉和分析技术，帮助公用事业提供商巡检和管理电网、变电站等大型资产。其旗舰平台 Grid Vision® 尤其充分利用计算机视觉、地理空间分析和时间序列数据，分析航空影像、检测组件和缺陷，并为输电线路提供预测性洞察。
为进一步提升巡检效率，eSmart Systems 将 Ultralytics YOLO 模型集成到 Grid Vision® 中。这提升了缺陷检测速度，使公用事业能够从被动维修转向更高效的基于状态的维护。
利用 AI 和计算机视觉变革电力线巡检#
eSmart Systems 总部位于挪威哈尔登，专注于为公用事业领域提供创新解决方案，以监控和维护关键基础设施。例如，其旗舰平台 Grid Vision® 为巡检和管理电网、变电站等大型资产提供了全面解决方案。
eSmart Systems 获得全球 70 多家公用事业公司的信任，已巡检超过 100,000 千米的电力线，帮助公用事业做出更优的数据驱动决策。Grid Vision® 让维护更高效、降低风险，并支持向更具韧性和可持续的能源基础设施转型。
eSmart Systems 还确保其 AI 解决方案符合高标准的数据隐私和法规合规要求。该公司通过了 ISO 27001 信息安全管理认证，并遵守 Netcode 第 7.8 条，该条款规范欧洲电网运营中的安全数据交换。
电网巡检的复杂性#
电网覆盖广阔区域，通常延伸至偏远或难以到达的地点。其中许多系统正在老化，需要定期巡检以确保安全性和可靠性。巡检输电塔、电力线等组件耗时且成本高，还可能给工作人员带来风险。
eSmart Systems 旨在使用无人机和直升机采集航空影像，并应用计算机视觉来检测组件和识别缺陷。然而，由于不同公用事业使用的组件各不相同，且图像采集条件多样，因此很难保持一致的巡检工作流。
图 1. 电网可能难以维护。
手动查看这些图像同样缓慢且耗费大量资源，使故障检测难以扩展。为了实现巡检自动化并支持主动式维护，eSmart Systems 需要一种快速且适应性强的 Vision AI 模型，能够在不同资产类型、地区和天气条件下稳定运行。
目标检测和 YOLO 在电网巡检中的作用#
为了将自动化和智能引入电网巡检，eSmart Systems 将计算机视觉模型 Ultralytics YOLO 集成到其 Grid Vision® 平台中。Ultralytics YOLO 模型支持多种计算机视觉任务，包括目标检测，使平台能够在航空影像中识别塔架、横担、绝缘子和导线等关键组件。
这些模型还用于检测植被侵入、损坏和磨损等缺陷，这些问题可能影响电网的性能。组件和缺陷检测完成后，相关信息会通过 Grid Vision® 处理；该平台采用云端处理，能够快速、准确地实现巡检流程的自动化和规模化。
图 2. Grid Vision® 使用 YOLO 检测电气组件。
该平台会标记潜在缺陷、评估相关风险等级，并帮助公用事业根据资产状态规划维护。这种实时检测与分析相结合的方式，使公用事业能够从被动式维护转向更主动的方法，帮助其在潜在问题导致高成本故障之前提前应对。
通过将这些洞察与元数据和时间序列数据相结合，Grid Vision® 让公用事业能够优化维护策略，提高效率并降低意外停电的风险。
为什么选择 Ultralytics YOLO 模型？#
eSmart Systems 因 Ultralytics YOLO 模型的速度、准确性以及与其 AI 流水线的无缝集成能力而采用了这些模型。Ultralytics YOLO 模型在分析大型高分辨率航空影像时能够提供稳定一致的结果，因此非常适合电网巡检。
此外，Ultralytics Python 包提供了多种集成选项，包括 15 种导出格式。这种灵活性使 eSmart Systems 能够在不同环境中部署模型。他们使用 PyTorch 等格式进行训练，并在生产环境中使用 ONNX 进行优化的 CPU 推理，尤其是在其云基础设施中的 GPU 资源有限时。
eSmart Systems 已有超过 30 个 Ultralytics YOLO 模型投入生产，因此能够高效扩展巡检规模。这使其可以专注于提升数据质量和应对公用事业特有的挑战。
借助 Ultralytics YOLO 将巡检时间缩短 50%#
由 Ultralytics YOLO 模型驱动的 Grid Vision® 在提升公用事业巡检能力方面成效显著。通过自动化资产巡检并改进缺陷检测，Grid Vision® 减少了人工工作量，提高了安全性，并推动了更主动的维护策略。
例如，在瑞士，一家负责管理山区数千座杆塔（支撑电力线的高大结构）的能源公司将巡检时间缩短了 50%。从人工攀爬转向基于无人机的巡检后，故障检测速度更快，工作人员安全性得到提升，同时节省了时间。
同样在美国，一家大型公用事业提供商使用 Grid Vision® 仅用三个月就完成了 1,400 座输电结构的数字化。这种 AI 驱动的图像分析取代了人工照片审核，实现了远程验证，并支持更优的数据驱动资本规划决策。
同样在芬兰，一家输电系统运营商从地面巡检切换到无人机辅助评估，减少了现场访问次数并最大限度地减少停电。借助 Grid Vision® 和 YOLO 驱动的缺陷检测，巡检准确性得到提升，熟练工作人员也能专注于更重要的任务。
图 3. 通过 Grid Vision® 和 YOLO 监控的芬兰电网线路一览。
推动下一代公用事业巡检#
展望未来，随着 eSmart Systems 在全球范围内扩展业务，公司正在应对基础设施差异、图像采集方法不同以及各地区数据漂移等挑战。为解决这些问题，公司正致力于让 Grid Vision® 更具可扩展性和适应性。
其在 MLOps 流水线方面的进展发挥了关键作用，简化了模型再训练并实现了数据集扩展自动化。这些改进持续提升其 AI 解决方案的准确性和性能。eSmart Systems 正在为更高效、更可靠的电网管理铺平道路，确保以面向未来的方式推进全球能源转型。
对计算机视觉感兴趣？访问我们的 GitHub 代码库，了解 Ultralytics YOLO 模型如何推动自动驾驶汽车中的 AI和农业中的计算机视觉等领域的创新。立即进一步了解我们的 YOLO 模型和许可选项！
