准确率超90%、1秒发出报警：百度飞桨让电力巡检更快更准更轻松

众所周知，深度学习技术可以称之为人工智能的“基础”，在各种传统产业中有着巨大的潜力有待挖掘。5月20日，由深度学习技术与应用国家工程实验室和百度联合主办的“WAVE SUMMIT”2020深度学习开发者峰会召开。百度深度学习平台闫飞与国家电网和山东新通联手打造的智能电网检查方案作为一个典型案例亮相，向观众展示深度学习如何在工业领域得以实现。

(百度深度学习技术平台部高级总监马分享电网智能巡检计划)

在峰会现场，百度深度学习技术平台部高级总监马严俊详细讲解了登陆案例。根据峰会信息和相关新闻报道，百度视觉团队根据百度飞桨创建的计划，在识别和分析电网设备附近的安全隐患和输电线路外部损坏隐患方面，准确率达到90%以上。同时，实现了二级报警，可以充分保证电力安全。此外，在开发过程中发挥了关键作用的模型压缩库PaddleSlim和端侧推理引擎Paddle Lite也在同一天迎来了新的升级和发布，进一步提高了性能和易用性。

传统的输电线路人工巡检可视化监控方案费时费力，只能在事实空周期长后才能报警

说到“电力老板”，人们的第一印象是巨大的铁塔、高耸的电线杆和无形的电线，它们日夜为中国的每个城市和村庄输送电力。随着城市化的发展和国内电力需求的增加，预计2020年中国发电量将跃升51%，达到2073千兆瓦，输电线路总长度将超过159万公里，这对中国电网的安全运行和维护提出了更高的要求。其中一项重要任务是检查电网设备输电线路，并对其周围的安全隐患进行预警。

过去，电力巡检通常依靠人工进行。这种方法工作量大，劳动强度大。同时，工作效率低，巡逻质量参差不齐。它经常受到外部因素的影响，如恶劣的天气。通常只有在事故发生一段时间后才能被发现和补救。后来，相关企业尝试部署视觉监控设备，结合人工巡检。随着该方案的大规模推广，虽然可以相对有效地减少人员工作量和停电、跳闸次数，但大部分设备间隔半小时以上拍照，true 空的采集周期仍然很长，短期隐患预警和突发事件追踪不足。

换句话说，高成本、落后的时限和缺乏预警等关键痛点仍无法从根本上解决。火灾或工业机械造成的高压电网损坏等问题，仍然会给生活和生产用电带来不可逆转的冲击损失，可以说是无法避免的。

如果智能分析设备能够真正做到“智能”，自动识别电网设备周围的安全隐患并主动报告，这些问题就可以解决，但如何实现这一要求呢？山东新通电子有限公司是一家致力于为通信、电力和通信行业提供物联网解决方案的高科技企业。在尝试了传统的前端分析、硬件加速前端智能分析、后端智能分析等解决方案后，效果并不理想。研究发现，各种解决方案都存在一定的技术瓶颈，因此它们都侧重于前端深度学习技术。

百度飞板的优势:高性能、轻量级、多硬件、高扩展性

在比较了几种深度学习框架后，山东新通最终选择了百度闫飞。经过沟通和讨论，两个团队一致认为，现有智能分析设备的问题在于准确性不足和分析时间长。因此，在百度视觉技术的基础上，双方引入了飞桨模型压缩库PaddleSlim和端侧推理机PaddlesLite，最终创建了这种电网输电智能巡检方案，并首次应用于山东省电力公司输电线路——国家电网。

山东新通的研究人员认为，该方案的核心在于算法模型，而百度闫飞具有高性能、轻量级、多硬件和高扩展性的优势。桨式精简可以定制和优化以改进传输隐患模型，并且在低计算功率和低功耗下仍具有高推理性能。此外，该方案采用云边缘协调，通过云样本的更新和模型训练的迭代升级，可以进一步优化和适应识别算法的适用场景，从而不断提高识别精度，减少误报和漏报。

Paddle Lite极大地提高了识别精度。以起重机、塔式起重机等大型工程机械的识别为例，百度浆轻版识别准确率达到96%，而传统的前端智能分析只有80%。一般来说，硬件加速人工智能加速模块的成本需要几千元，另外，使用Paddle Lite的方案可以降低到几百元，功耗只有0.4W。

深入研究实现无人巡检实时报警，实战巡检确保生产和生活用电。

与老版本的智能分析设备相比，在新方案下，视觉监控装置的拍摄间隔从半小时缩短到5分钟，实现了图像端的边缘智能分析。在5秒钟内，可以识别起重机、电线异物、烟花、塔式起重机、各种施工机械等安全隐患，分析准确率达到90%以上，模型尺寸减少60%，综合功耗减少30%。最重要的是，从发现到报警的速度从几个小时缩短到20秒，这样电力工人就能及时做出反应，避免生产和生活中的损失。

这一计划很快迎来了一场“实际考验”。今年3月8日，位于国家电网高压线下的山东省淄博市郊区发生火灾。该视觉监控装置首次拍照并判断为安全隐患，同时向国家电网淄博供电公司输电工区运输检查室值班人员发出报警信息。值班人员立即申请线路紧急救援，并协调运输和检查人员赶赴现场立即处理。一个多小时后，大火被及时扑灭，避免了一场灾难，居民和工厂的用电没有受到影响。

研究人员认为，飞行桨模型的压缩库PaddleSlim和末端推理引擎PaddlesLite解决了模型在小型存储设备中运行困难的问题，应用识别效果良好。在行业主流厂商提供的解决方案下，分析单个镜头的最快时间是3秒，而百度飞板提供的解决方案是1秒，特别是对于工程机械的识别。目前，已有6.5万多台设备接入输电线路隐患可视化智能管控平台，覆盖山东省17个城市的5800多条输电线路。它每天可以处理超过200万张实时图片，并发送超过10万张预警图片。

PaddleSlim和Paddle Lite欢迎新升级发布飞桨降低深度学习的着陆门槛

飞桨在电力巡检方向的应用是对登陆行业深入研究的一个缩影。由此，我们也可以看到人工智能登陆产业所面临的困难:技术壁垒、复杂的模型选择、对计算力的高要求、低于预期的结果以及软硬件适应的困难。只有解决了这些问题，才能实现真正的工业智能。

值得注意的是，在这种情况下闪亮的两个工具:模型压缩库PaddleSlim和终端推理引擎Paddle Lite也在峰会上欢迎了一个全新的升级版本。据了解，PaddleSlim已升级到1.0，功能更加完整，更接近实际的工业硬件环境。它为企业提供了一种小型化方案，特别是在图像分类、目标检测、语义分割、自然语言处理语义理解等方面得到了广泛验证。Paddle Lite升级并发布2.6版以进一步提高易用性，并完全支持主流通用处理器和图形处理器，在主流机型性能方面处于行业领先地位。

然而，这只是峰会亮点的一部分。同一天，飞旋开源深度学习平台发布了7个新版本和23个主要升级，并展示了最新的成绩单:累计开发者人数超过190万。服务企业达到8.4万家。它拥有超过23万个已发布的模型，是中国最先进的开源和深度学习平台，拥有最大规模的服务开发人员和最完整的功能。

然而，飞桨最大的成就在于先进的深度学习技术，它为更多的企业进行智能转型提供了有用的工具和助推力。正如百度首席技术官王海峰在峰会上所言，飞舟的新发布和重要升级，着眼于满足行业智能的旺盛需求和快速增长的人工智能生产规模，从而大大提高飞舟的易用性，方便开发者高效快速地实现人工智能应用，进行业务创新。未来，更多像山东新通这样的企业和开发商将利用飞桨等人工智能平台，实现行业智能的新转折。

本文由 在线网速测试 整理编辑，转载请注明出处，原文链接：https://www.wangsu123.cn/news/7208.html。