eSmart Systems 将 Ultralytics YOLO 模型集成到其 Grid Vision® 平台后，将检测时间缩短了 50%，加快了故障检测，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检查和管理电网、变电站等大型资产。其旗舰平台 Grid Vision® 尤其结合了计算机视觉、地理空间分析和时间序列数据，用于分析航空影像、检测部件和缺陷，并为输电线路提供预测性洞察。
为进一步提高检查效率，eSmart Systems 将Ultralytics YOLO 模型集成到 Grid Vision® 中。此举提升了缺陷检测速度，让公用事业企业能够从故障发生后的被动维修转向效率更高、基于设备状态的维护。
利用 AI 和计算机视觉变革电力线路巡检#
eSmart Systems 总部位于挪威哈尔登，专注于为公用事业行业提供创新解决方案，以监测和维护关键基础设施。例如，其旗舰平台 Grid Vision® 为检查和管理电网、变电站等大型资产提供全面解决方案。
eSmart Systems 服务于全球 70 多家公用事业企业，已检查超过 100,000 公里的电力线路，帮助企业做出更好的数据驱动决策。Grid Vision® 让维护工作更高效、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要求。该公司通过了信息安全管理 ISO 27001 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。
电网巡检的复杂之处#
电网绵延广阔，往往途经偏远或难以到达的地区。许多电力系统日渐老化，需要定期检查以确保安全可靠。检查输电塔和电力线路等部件既耗时又昂贵，还可能给工作人员带来风险。
eSmart Systems 希望利用无人机和直升机采集航空影像，并应用计算机视觉检测部件和识别缺陷。然而，由于各家公用事业企业使用的部件不同，影像采集条件也各不相同，因此很难保持一致的巡检工作流。
图 1. 电网的维护工作可能很困难。
人工审查这些图像同样缓慢且耗费资源，难以扩大故障检测规模。为实现巡检自动化并支持主动式维护，eSmart Systems 需要一种快速、灵活的视觉 AI 模型，能够在不同资产类型、地区和天气条件下可靠运行。
目标检测和 YOLO 在电网巡检中的作用#
为了让电网巡检实现自动化和智能化，eSmart Systems 将计算机视觉模型 Ultralytics YOLO 集成到 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铁塔、横担、绝缘子和导线等关键部件。
这些模型还用于检测植被侵入、损坏和磨损等可能影响电网性能的缺陷。检测到部件和缺陷后，相关信息会通过 Grid Vision® 进行处理。该平台利用云端处理，快速、准确地实现巡检流程的自动化并扩大其规模。
图 2. Grid Vision® 使用 YOLO 检测电气部件。
该平台会标记潜在缺陷、评估相关风险等级，并帮助公用事业企业根据资产状况制定维护计划。实时检测与分析相结合，让企业能够从被动维护转向更加主动的方式，在潜在问题导致高昂故障成本之前提前应对。
Grid Vision® 将这些洞察与元数据和时间序列数据相结合，帮助公用事业企业优化维护策略、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 选择 Ultralytics YOLO 模型，是因为这些模型速度快、准确率高，并且能够无缝集成到其 AI 流程中。Ultralytics YOLO 模型分析大型高分辨率航空影像时表现稳定，非常适合电网巡检。
此外，Ultralytics Python 软件包提供多种集成选项，包括 22 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，并使用 ONNX 在生产环境中进行优化的 CPU 推理，尤其是在其云基础设施的 GPU 资源有限时。
eSmart Systems 已在生产环境中使用 30 多个 Ultralytics YOLO 模型，因此能够高效扩大巡检规模。这样，他们便能专注于提高数据质量并解决公用事业企业特有的挑战。
借助 Ultralytics YOLO 将巡检时间缩短 50%#
由 Ultralytics YOLO 模型驱动的 Grid Vision® 显著提升了公用事业巡检能力。通过自动检查资产并改进缺陷检测，Grid Vision® 减少了人工工作量、提高了安全性，并助力制定更主动的维护策略。
例如，在瑞士，一家管理山区数千座电力线支撑塔架的大型能源公司将巡检时间缩短了 50%。从人工攀爬转向无人机巡检，加快了故障检测、提高了工作人员的安全性并节省了时间。
同样，在美国，一家大型公用事业供应商仅用三个月就通过 Grid Vision® 完成了 1,400 座输电设施的数字化。这种 AI 驱动的图像分析取代了人工审查照片的做法，使远程验证成为可能，并帮助企业做出更好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转为无人机辅助评估，从而减少了现场巡检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，熟练工人也能专注于更重要的任务。
图 3：使用 Grid Vision® 和 YOLO 监测芬兰电网线路。
为下一代公用事业巡检赋能#
展望未来，随着 eSmart Systems 向全球扩张，他们正在应对各地区基础设施各异、图像采集方法不同以及数据漂移等挑战。为解决这些问题，该公司正致力于提升 Grid Vision® 的可扩展性和适应能力。
他们在 MLOps 流水线方面取得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充自动化。这些改进持续提升其 AI 解决方案的准确性和性能。eSmart Systems 正在推动电网管理变得更加高效可靠，并确保采用面向未来的方式推进全球能源转型。
对计算机视觉感兴趣？探索我们的 GitHub 仓库，了解 Ultralytics YOLO 模型如何推动航拍图像计算机视觉和农业计算机视觉等领域的创新。立即深入了解我们的 YOLO 模型和许可选项！
