东方时讯网能源部橡树岭国家实验室的一组研究人员创建了一个原型系统，用于在飓风等自然灾害发生后检测和定位受损的电线杆。
该系统在《摄影测量工程与遥感》杂志上有详细介绍，旨在在安装在四轴飞行器或其他无人驾驶飞行器上的边缘计算硬件上运行，使其能够在当地基础设施受损或被毁时运行。
来自ORNL地理空间科学和人类安全部门的团队使用机器学习算法和机载成像硬件来准确检测和评估电线杆的损坏，同时将位置信息上传到中央处理中心，称为地理定位能源信息分析环境，或老鹰-I。这些信息可以传递给公用事业公司、急救人员或支持能源基础设施的其他团体。
边缘计算平台是为纳入EAGLE-I系统而设计的几个项目之一，EAGLE-I系统是一种用于国家能源基础设施的多方面实时态势感知工具。EAGLE-I允许其用户监控能源基础设施资产、报告能源中断、显示对能源基础设施的潜在威胁并协调应急响应和恢复。
边缘计算团队最关心的问题是效率和实用性。
“我们工作的主要驱动力之一是建立一个可以由地方和州政府负担和运行的系统，”ORNL的项目首席研究员兼机载和卫星图像处理和分析专家大卫休斯说。“所以我们使用负担得起的传感器和平台。”
虽然负担得起的硬件确实存在图像分辨率和捕获速率有限的问题，但Hughes和他的团队一直在努力优化他们的机器学习分析软件，以确保这些限制是可控的。
除了解决对硬件和负担能力的担忧外，该小组还致力于确保车载检测和识别系统能够在各种情况下准确识别电线杆及其状态。
“我们目前最大的挑战之一就是获得足够的训练数据，”ORNL的机器学习工程专家JordanBowman说。“深度学习项目通常非常重视收集大量图像，但我们可以收集和注释的照片总数有点有限。”
为了解决这个问题并获得更多可用的训练数据，该小组已派出团队收集极端天气事件(例如飓风伊恩)后的破坏图像，并与当地能源公司合作收集更多训练数据，以建立强大的检测分析系统。
“这个极点检测项目只是我们迈向‘边缘人工智能’的第一步，”休斯说。“我们的目的是扩展到多个可观察对象——例如变电站——并能够将它们分类为损坏或未损坏的基础设施。”
在讨论边缘AI时，Hughes不仅指他和他的团队用来设计图像分析工具或运行它们的UAS平台的前沿方法。他还谈到了更广泛的新AI计算项目，其中AI应用程序部署在靠近用户的设备中，而不是云计算设施或私有数据中心。这些所谓的边缘计算项目可以提高安全性和效率，并在许多情况下增加正常运行时间并降低成本。
边缘人工智能可用于广泛的应用，跨学科的ORNL团队已经在考虑通过其边缘计算项目启用的几种新研究途径。
“我们正在制造的更小、更实惠的传感器的图像分析功能可以实现许多以前由于价格和分辨率限制而无法实现的事情，”ORNL研究员兼计算机视觉和高分辨率专家LexieYang说。性能机器学习。
在该项目中，Yang致力于将机器学习和计算机视觉组件与机载系统的其余部分集成在一起。“我们正在寻求扩展到更多的可观测和更多类型的灾难。例如，野火对能源基础设施的破坏、洪水等，”她说。
休斯补充说：“我们还开始与从事搜索和救援的政府组织建立关系，这项工作将非常有帮助。”
该团队的新边缘计算系统将改进灾害响应中的损害评估和资源分配，并有望通过新一代遥感技术改进对国家和人类安全面临的各种威胁的准备和响应。