eSmart Systems 利用 Ultralytics YOLO 实现公用事业检查自动化

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供应商检查和管理电网和变电站等大型资产。特别是他们的旗舰平台 Grid Vision®，利用计算机视觉、地理空间分析和时间序列数据分析航空图像、检测组件和缺陷，并对输电线路提供预测性洞察。

为了进一步提高检测效率，eSmart Systems 将Ultralytics YOLO 模型集成到 Grid Vision® 中。这提高了缺陷检测速度，使公用事业公司能够从被动维修转变为更高效的基于状态的维护。

利用人工智能和计算机视觉技术改造电力线检查工作

eSmart Systems 公司总部位于挪威哈尔登，致力于为公用事业部门提供创新解决方案，以监控和维护关键基础设施。例如，他们的旗舰平台 Grid Vision® 为电网和变电站等大型资产的检测和管理提供了全面的解决方案。

eSmart Systems 受到全球 70 多家电力公司的信赖，已经检测了超过 100,000 公里的电力线路，使电力公司能够做出更好的数据驱动决策。Grid Vision® 可提高维护效率，降低风险，并支持向更具弹性和可持续性的能源基础设施过渡。

eSmart Systems 还确保其人工智能解决方案符合数据隐私和监管合规方面的高标准。它们通过了 ISO 27001 信息安全管理认证，并符合 Netcode 第 7.8 条的规定，该条对欧洲电网运行中的安全数据交换进行了规范。

电网检查的复杂性 

电网横跨广袤的地区，经常穿过偏远或难以到达的地点。其中许多系统已经老化，需要定期检查以确保安全性和可靠性。检查输电塔和输电线等组件既费时又费钱，对工人来说还可能存在风险。 

eSmart Systems 的目标是使用无人机和直升机捕捉空中图像，应用计算机视觉检测组件并识别缺陷。然而，由于公用事业公司的组件各不相同，拍摄图像的条件也不尽相同，因此保持一致的检测工作流程非常具有挑战性。

‍

手动查看这些图像既慢又耗费资源，因此很难扩大故障检测范围。为了实现自动检测并支持主动维护，eSmart Systems 需要一个快速、适应性强的视觉人工智能模型，能够在不同类型的资产、地区和天气条件下可靠地执行任务。

目标检测和 YOLO 在网格检测中的作用 

为了实现电网巡检的自动化和智能化，eSmart Systems 将计算机视觉模型 Ultralytics YOLO 集成到其 Grid Vision® 平台中。Ultralytics YOLO 模型支持各种计算机视觉任务，包括物体检测，使该平台能够识别航空图像中的铁塔、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占、损坏和磨损等可能影响电网性能的缺陷。一旦检测到组件和缺陷，就会通过 Grid Vision® 对这些信息进行处理，Grid Vision® 采用基于云的处理方式，能够快速、准确地实现检测过程的自动化和规模化。

‍

该平台可标记潜在缺陷、评估相关风险水平，并帮助电力公司根据资产状况制定维护计划。这种实时检测和分析相结合的方法使电力公司能够从被动维护转变为更加积极主动的方法，帮助他们在潜在问题导致代价高昂的故障之前保持领先。

通过将这些见解与元数据和时间序列数据相结合，Grid Vision® 使电力公司能够优化其维护策略，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 采用 Ultralytics YOLO 模型的原因在于其速度、准确性以及与人工智能管道的无缝集成。Ultralytics YOLO 模型在分析大型高分辨率航空图像时能提供一致的结果，因此非常适合网格检测。

此外，Ultralytics Python 软件包还提供多种集成选项，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。他们在生产中使用 PyTorch 等格式进行训练，使用 ONNX 等格式进行优化的 CPU 推理，尤其是在云基础设施中 GPU 资源有限的情况下。

凭借已投入生产的 30 多个 Ultralytics YOLO 模型，eSmart Systems 可以有效地扩大检查范围。这使他们能够专注于提高数据质量和应对公用事业的具体挑战。

使用 Ultralytics YOLO 将检测时间缩短 50

由 Ultralytics YOLO 模型支持的 Grid Vision® 在加强公用事业检查方面产生了重大影响。通过自动化资产检查和改进缺陷检测，Grid Vision® 减少了人工工作量，提高了安全性，并促进了更积极主动的维护策略。

例如，在瑞士，一家大型能源公司在山区管理着数千个铁塔（支撑电力线的高大结构），将检查时间缩短了 50%。从人工登山检查过渡到无人机检查，加快了故障检测速度，提高了工人的安全性，并节省了时间。

同样，在美国，一家大型公用事业供应商利用 Grid Vision® 在短短三个月内对 1,400 个输电结构进行了数字化。这种人工智能驱动的图像分析取代了人工照片审查，实现了远程验证，并做出了更好的、数据驱动的资本规划决策。

同样，在芬兰，一家输电系统运营商通过从地面检查转为无人机辅助评估，减少了实地考察次数，最大限度地减少了停电时间。有了 Grid Vision® 和 YOLO 驱动的缺陷检测，巡检的准确性得到了提高，熟练工人也能够专注于更重要的任务。

‍

为下一代公用事业检查提供动力

展望未来，随着 eSmart Systems 的全球扩张，他们正在应对各种挑战，如不同的基础设施、不同的图像采集方法以及跨地区的数据漂移。为了克服这些问题，公司正致力于提高 Grid Vision® 的可扩展性和适应性。 

他们在 MLOps 管道方面取得的进展非常关键，简化了模型再训练并实现了数据集扩展自动化。这些改进不断提高其人工智能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，确保为未来全球能源转型做好准备。

对计算机视觉感兴趣？探索我们的GitHub 存储库，了解 Ultralytics YOLO 模型如何推动自动驾驶汽车中的人工智能 和农业中的计算机视觉等领域的创新。立即了解有关我们的 YOLO 模型和许可选项的更多信息！