Des scientifiques développent un système mobile pour la détection d’objets et l’analyse d’images en cas de catastrophe

Une équipe de chercheurs du laboratoire national d’Oak Ridge du ministère de l’Énergie a créé un système prototype pour détecter et géolocaliser les poteaux électriques endommagés à la suite de catastrophes naturelles telles que des ouragans.

Le système, qui est détaillé dans le journal Ingénierie photogrammétrique et télédétectionest conçu pour fonctionner sur du matériel informatique de pointe monté sur un quadricoptère ou un autre véhicule aérien sans équipage, lui permettant de fonctionner lorsque l’infrastructure locale est endommagée ou détruite.

L’équipe de la division des sciences géospatiales et de la sécurité humaine de l’ORNL a utilisé des algorithmes d’apprentissage automatique et du matériel d’imagerie embarqué pour détecter et évaluer avec précision les dommages aux poteaux électriques tout en téléchargeant les informations de localisation vers un centre de traitement central, appelé l’environnement pour l’analyse des informations énergétiques géolocalisées, ou AIGLE-I. Ces informations peuvent être transmises aux entreprises de services publics, aux premiers intervenants ou à d’autres groupes prenant en charge les infrastructures énergétiques.

La plate-forme informatique de pointe est l’un des nombreux projets conçus pour être intégrés au système EAGLE-I, un outil de connaissance de la situation en temps réel à multiples facettes pour l’infrastructure énergétique du pays. EAGLE-I permet à ses utilisateurs de surveiller les actifs de l’infrastructure énergétique, de signaler les pannes d’énergie, d’afficher les menaces potentielles pour l’infrastructure énergétique et de coordonner les interventions d’urgence et la récupération.

L’efficacité et l’aspect pratique figurent parmi les principales préoccupations de l’équipe d’edge computing.

“L’un des principaux moteurs de notre travail est de créer un système qui peut être financé et géré par les gouvernements locaux et étatiques”, a déclaré David Hughes de l’ORNL, chercheur principal du projet et expert en traitement et analyse d’images aéroportées et satellitaires. “Nous travaillons donc avec des capteurs et des plates-formes abordables.”

Bien que le matériel abordable ait une résolution d’image et un taux de capture limités, Hughes et son équipe ont travaillé dur pour optimiser leur logiciel d’analyse d’apprentissage automatique afin de s’assurer que ces limitations sont gérables.

En plus de gérer les préoccupations concernant le matériel et l’abordabilité, le groupe s’efforce de garantir que le système de détection et d’identification embarqué peut identifier avec précision les poteaux électriques et leur statut dans diverses situations.

“L’un de nos plus grands défis à l’heure actuelle consiste simplement à obtenir suffisamment de données de formation”, a déclaré Jordan Bowman de l’ORNL, spécialiste en ingénierie du projet en apprentissage automatique. “Les projets d’apprentissage en profondeur mettent souvent l’accent sur la collecte de très grandes quantités d’images, mais nous sommes un peu plus limités dans le nombre total de photos que nous pouvons collecter et annoter.”

Pour résoudre ce problème et acquérir des données de formation plus utilisables, le groupe a envoyé des équipes pour collecter des images de dommages suite à des événements météorologiques extrêmes (tels que l’ouragan Ian) et s’est associé à des sociétés d’énergie locales pour collecter encore plus de données de formation à partir desquelles construire un solide système de détection et d’analyse.

“Ce projet de détection de pôles n’est que notre première étape dans” l’IA à la pointe “”, a déclaré Hughes. “Notre intention est de nous étendre à plusieurs observables – les sous-stations, par exemple – et de pouvoir les classer en infrastructures endommagées ou non endommagées.”

Lorsqu’il parle d’IA à la pointe, Hughes ne fait pas seulement référence aux méthodes de pointe que lui et son équipe utilisent pour concevoir leurs outils d’analyse d’images ou la plate-forme UAS sur laquelle ils fonctionneront. Il parle également d’une classe plus large de nouveaux projets informatiques d’IA dans lesquels les applications d’IA sont déployées dans des appareils proches des utilisateurs plutôt que dans une installation de cloud computing ou un centre de données privé. Ces projets dits d’informatique de pointe permettent d’améliorer la sécurité et l’efficacité, ainsi que d’augmenter la disponibilité et de réduire les coûts dans de nombreux cas.

L’IA à la pointe peut être utile dans un large éventail d’applications, et l’équipe interdisciplinaire de l’ORNL envisage déjà plusieurs nouvelles voies de recherche rendues possibles par son projet d’informatique de pointe.

“Les capacités d’analyse d’images des capteurs plus petits et plus abordables que nous fabriquons permettent de faire beaucoup de choses qui étaient auparavant impossibles en raison des limites de prix et de résolution”, a déclaré Lexie Yang, chercheuse à l’ORNL et experte en vision par ordinateur et haute résolution. apprentissage automatique des performances.

Dans le cadre du projet, Yang travaille à l’intégration des composants d’apprentissage automatique et de vision par ordinateur avec le reste du système embarqué. “Nous cherchons à nous étendre à davantage d’observables et à davantage de types de catastrophes. Par exemple, les dommages causés par les incendies de forêt aux infrastructures énergétiques, les inondations, etc.”, a-t-elle déclaré.

Hughes a ajouté : “Nous entamons également des relations avec des organisations gouvernementales qui font de la recherche et du sauvetage, où ce travail sera vraiment utile.”

Le nouveau système informatique de pointe de l’équipe améliorera l’évaluation des dommages et l’allocation des ressources en cas de catastrophe et promet une nouvelle génération de technologie de télédétection pour une préparation et une réponse améliorées à un large éventail de menaces à la sécurité nationale et humaine.