首页 > 人工智能 > 人工智能 > AI 识别中台全解 算法能力是怎么炼成的
两架无人机飞同一片场站,挂同样的载荷,拍回同样数量的影像。
第二天早上,一套系统交出两百多条缺陷记录,每条带组件编号、带缺陷等级、带置信度、带原图位置;
另一套只交出了一堆按日期命名的视频文件夹,对飞行记录的影响没有经过任何处理和分析。
而这,就是 无人机 AI 识别中台存在的意义。
飞机决定你能看到什么,而识别引擎则能帮你率先完成对体量庞大的影像分析。
所以, 这篇文章,我们将会详细向您描述,光伏 12 类、电力 18 类缺陷,算法到底认的是什么;以及这套识别能力,是怎么一步步炼出来的。
很多方案把 AI 说成是一个神秘的黑盒,似乎只需要把它放进系统,它就能识别出所有问题。
但实际上,在这个技术背后,有着一套复杂且精密的体系。
亥时科技无人机 AI 识别中台是一套覆盖样本管理、模型训练、推理部署、结果复核与数据回流的算法生产系统,由四层构成:
样本层——影像按行业、场景、机型、光照条件归档,标注数据可追溯;
训练层——基于 YOLO 5+ 体系构建,支持模型上传、版本控制、自动评测;
推理层——模型导出标准 ONNX 格式,可云端推理,也可 边缘推送到机巢或边缘盒子就地推理;
复核层——识别结果进入人工复核台,确认后才生成工单,复核结论反馈样本库。
四层闭合,算法才会"越用越准"。
在算法包层面,平台内置 6 大行业能力: 光伏 12+、电力 18+、城管 33+、应急 30+、水利 15+、交通 25+。下面重点讲前两个,也是被问得最多的两个。
光伏缺陷识别算法不是 12 个孤立的模型,而是按缺陷成因组织起来的一组能力。按"病灶"分,是三族。
热斑、旁路二极管故障、接线盒故障、连接器脱落。
这一族的共同点是 可见光里看不出来。热斑的本质是被遮挡的电池片从电源变成负载,把本该发出的电变成热,局部温度可以比正常区域高出十几度;二极管失效、接线盒接触不良、连接器接触电阻升高,表现同样只是"那一点在发热"。
所以 光伏板热斑怎么检测,答案不在可见光相机,而在红外热像。AI 在热像上按色阶与相对温差定位异常区域,再叠加组件坐标,把"某一串大概有问题"缩小到具体第几排第几列。
隐裂、 蜗牛纹。
隐裂是电池片在运输、安装、风载、踩踏中产生的微裂纹,肉眼几乎不可见,却会让功率持续衰减,也让热斑更容易发生。蜗牛纹是隐裂的"后遗症"——裂纹处遇湿气氧化,析出蜿蜒的暗色纹路,它一出现,基本可以判定裂纹已经存在。
光伏组件隐裂怎么发现,靠的是高分辨率可见光捕捉细纹,加上红外抓它伴生的发热。这一类不致命,但持续放血:一组带隐裂的组件,可能让整串发电量悄悄低几个百分点。
脏污、鸟粪污染、积雪覆盖、组件遮挡、杂草、玻璃破损。
这一族 AI 用可见光就能识别,技术难度不高,价值在 规模。一座 100MW 电站的组件数量在二十万块量级,人工逐块看一遍,脏污和初生杂草必然大量漏检,而鸟粪形成的局部遮挡正是热斑的温床。AI 是全场逐张过筛,一块不落。
无人机光伏巡检能发现哪些缺陷?把三族合起来就是答案:会热的 4 类、内伤的 2 类、外表的 6 类,合计 12 类以上,并持续扩展。
电力缺陷识别算法的组织方式不同。线路上的缺陷不是按设备分的,是按"它接下来会干什么"分的。
会掉的
数量:8 类
典型缺陷:销钉缺失、销钉锈蚀、金具变形、间隔棒脱落、跳线断裂、防振锤位移、均压环倾斜、导线断股
本质:连接正在失效
会热的
数量:3 类
典型缺陷:引流板故障、避雷器故障、绝缘子破损
本质:温度先于事故到达
会长的
数量:5 类
典型缺陷:树障隐患、异物悬挂、导线异物、防鸟害、线路覆冰
本质:环境每天都在变
会歪的
数量:2 类
典型缺陷:杆塔倾斜、线路弧垂过大
本质:毫米级变化,人眼记不住
四族里最难的是"会掉的"。
无人机能发现销钉缺失吗?能,但这不是算法单方面能解决的事。一枚开口销在整塔全景图里不到十个像素,任何模型都无法从十个像素里稳定判断"它还在不在"。
工程上的解法是前端配合:按塔型定制拍摄点位、控制拍摄距离与变焦倍率,让销钉在画面里占够像素,算法才有判断的基础。 航线决定上限,算法决定效率,这两件事不能互相替代。
"会热的"依赖红外与相对温差判读;"会长的"依赖多期影像比对;"会歪的"依赖固定机位复拍,两次影像一叠加,倾斜量才有数值。
多数人以为算法是"买来的模型"。
真实的算法能力是一条产线,五道工序。
第一道,样本入库。客户场站的影像按行业、场景、机型、季节、光照归档。这一步最枯燥,也最决定上限,样本里没有的情况,模型永远学不会。
第二道,标注。分类、检测框、 多边形分割、关键点,不同缺陷用不同标注方式。销钉用关键点,树障用多边形,热斑用分割掩膜。标注规范不统一,后面全是噪声。
第三道,训练。基于 YOLO 5+ 体系,按场景分模型而不是做一个"模型"。西北戈壁的组件成像、东南沿海的盐雾环境、山区线路的逆光条件,分开训练的效果远好于混在一起。
第四道,评测。不看一个总的准确率,而是分场景、分光照、分机型看漏检与误检。一个总体 95% 的模型,在逆光样本上可能只有 70%,而逆光恰恰是线路巡检的常态。
第五道,部署与回流。模型导出 ONNX,可推到边缘设备就地推理,减少回传带宽;上线后每一次人工复核的结论都回流成新样本,进入下一轮训练。
这条产线最实际的价值是: 客户可以用自己的数据训练自己的模型。你的电站有特定鸟类、有季节性积灰、有固定的遮挡物;你的线路穿越覆冰区、盐雾区、采空区——这些都不是通用模型的强项。把数据喂进 AI 训练中台,模型越用越懂你的场站。
这一段是这篇文章真正想说的部分。算法演示都很好看,落到现场是三道坎。
第一道,小目标。销钉、螺栓、锁紧销、防振锤的位移量,在影像里都是几十甚至十几个像素。业界的做法是提高输入分辨率、切图推理、多尺度融合,但真正的解法在采集端:让目标在原始影像里占够像素。 算法不能凭空造出信息。
第二道,样本不平衡。一个场站一年可能只出现几十处真实缺陷,却会产生几万张正常影像。正负样本比例悬殊,模型很容易学成"全部判正常"——准确率 99%,漏掉的全是要紧的。工程上用 难例挖掘、定向合成、迁移学习来缓解,但这类问题没有一劳永逸的解,只能持续迭代。
第三道,误检与漏检的取舍。这两个指标天然对立,阈值调宽,漏检少、误检多;调窄,反过来。电力与光伏场景里, 漏检的代价远大于误检:漏一处引流板过热,可能是一次跳闸;多报十处可疑点,无非是复核员多看十分钟。所以阈值整体偏"宽",再用人工复核把误报收敛掉。
这也解释了为什么 算法不能直接开单。如果识别结果直接生成工单派到班组,运维人员一天之内就会被误报淹没,然后开始不信任系统——这是很多 AI 项目死掉的方式,不是算法不准,是流程设计错了。
平台的做法是固定三步。
第一步,AI 初筛。几千张影像先过一遍模型,把可疑帧挑出来,附上坐标、类别、置信度。
第二步,三视图复核。审核员在同一屏上看原图、红外图、GIS 地图三个视图:在红外上发现一处热点,可以一键切到同机位的可见光图,确认是哪个部件、哪一颗螺栓;再切到地图,确认是哪一基塔、哪一相。
第三步,定级与派单。复核员打标签、定等级(危急、严重、一般),确认后才生成工单,派到对应区域运维人员的手机上。处置完成拍照回传,系统复核归档。
这条链路的意义不只是准确率,而是 责任边界清晰:算法负责"找",人负责"判",系统负责"记"。出了问题是哪一环的问题,台账上写得清楚。
识别结果不进闭环,就只是一堆标注图。
平台内置 事件告警中心:AI 识别 → 告警推送 → 任务派发 → 处理反馈,四个环节在同一条链路上。告警可按区域、按等级、按设备类型分发给不同角色,超时未处理会自动升级。
对外输出支持 文件、HTTP、MQTT、视频推流四种方式,可直接对接既有 PMS、GIS 或业务系统;平台兼容大疆机场 2/3 及 M350、M400、M30、H30T、FC30 等主流机型与载荷,也支持纵横、复亚等品牌机巢接入,并提供私有化与政企定制部署。
换句话说: 不必为了上 AI,换掉手里的飞机。
来自 “ ITPUB博客 ” ,链接:https://blog.itpub.net/70042901/viewspace-3188329/ ,如需转载,请注明出处,否则将追究法律责任。