Científicos desarrollan sistema móvil para detección de objetos y análisis de imágenes en respuesta a desastres

Un equipo de investigadores del Laboratorio Nacional Oak Ridge del Departamento de Energía ha creado un sistema prototipo para detectar y geolocalizar postes de servicios públicos dañados después de desastres naturales como huracanes.

El sistema, que se detalla en el diario Ingeniería Fotogramétrica y Teledetecciónestá diseñado para ejecutarse en hardware informático de borde montado en un cuadricóptero u otro vehículo aéreo no tripulado, lo que le permite funcionar cuando la infraestructura local está dañada o destruida.

El equipo de la División de Ciencias Geoespaciales y Seguridad Humana de ORNL utilizó algoritmos de aprendizaje automático y hardware de imágenes integrado para detectar y evaluar con precisión los daños en los postes de servicios públicos mientras cargaba la información de ubicación en un centro de procesamiento central, llamado Entorno para el Análisis de Información de Energía Geolocalizada, o ÁGUILA-I. Esta información se puede transmitir a las empresas de servicios públicos, los socorristas u otros grupos que respaldan la infraestructura energética.

La plataforma informática perimetral es uno de varios proyectos diseñados para incorporarse al sistema EAGLE-I, una herramienta multifacética de conocimiento de la situación en tiempo real para la infraestructura energética de la nación. EAGLE-I permite a sus usuarios monitorear los activos de infraestructura energética, informar cortes de energía, mostrar amenazas potenciales a la infraestructura energética y coordinar la respuesta y recuperación ante emergencias.

Entre las principales preocupaciones del equipo de computación perimetral se encuentran la eficiencia y la practicidad.

«Uno de los principales impulsores de nuestro trabajo es crear un sistema que los gobiernos locales y estatales puedan pagar y administrar», dijo David Hughes de ORNL, investigador principal del proyecto y experto en procesamiento y análisis de imágenes aéreas y satelitales. «Así que trabajamos con sensores y plataformas asequibles».

Si bien el hardware asequible tiene una resolución de imagen y una tasa de captura limitadas, Hughes y su equipo han trabajado arduamente para optimizar su software de análisis de aprendizaje automático para garantizar que estas limitaciones sean manejables.

Además de abordar las preocupaciones sobre el hardware y la asequibilidad, el grupo está trabajando para garantizar que el sistema de detección e identificación a bordo pueda identificar con precisión los postes de servicios públicos y su estado en una variedad de situaciones.

«Uno de nuestros mayores desafíos en este momento es obtener suficientes datos de capacitación», dijo Jordan Bowman de ORNL, especialista en ingeniería del proyecto en aprendizaje automático. «Los proyectos de aprendizaje profundo a menudo ponen mucho énfasis en recopilar grandes cantidades de imágenes, pero estamos un poco más limitados en la cantidad total de fotos que podemos recopilar y anotar».

Para abordar este problema y adquirir más datos de capacitación utilizables, el grupo ha enviado equipos para recolectar imágenes de daños luego de eventos climáticos extremos (como el huracán Ian) y se ha asociado con compañías de energía locales para recopilar aún más datos de capacitación a partir de los cuales construir un sistema sólido. sistema de detección y análisis.

«Este proyecto de detección de postes es solo nuestro primer paso hacia la ‘IA en el borde'», dijo Hughes. «Nuestra intención es expandirnos a múltiples observables (subestaciones, por ejemplo) y poder clasificarlos como infraestructura dañada o no dañada».

Cuando habla de IA en el borde, Hughes no solo se refiere a los métodos de vanguardia que él y su equipo están utilizando para diseñar sus herramientas de análisis de imágenes o la plataforma UAS en la que se ejecutarán. También habla de una clase más amplia de nuevos proyectos informáticos de IA en los que las aplicaciones de IA se implementan en dispositivos cercanos a los usuarios en lugar de en una instalación de computación en la nube o un centro de datos privado. Estos llamados proyectos de computación perimetral permiten mejorar la seguridad y la eficiencia, así como aumentar el tiempo de actividad y reducir los costos en muchos casos.

La IA en el borde puede ser útil en una amplia gama de aplicaciones, y el equipo interdisciplinario de ORNL ya está considerando varias vías de investigación nuevas habilitadas por su proyecto de computación en el borde.

«Las capacidades de análisis de imágenes de los sensores más pequeños y asequibles que estamos fabricando permiten muchas cosas que antes eran imposibles debido a las limitaciones de precio y resolución», dijo Lexie Yang, investigadora de ORNL y experta en visión por computadora y alta resolución. aprendizaje automático de rendimiento.

Dentro del proyecto, Yang trabaja para integrar los componentes de aprendizaje automático y visión por computadora con el resto del sistema a bordo. “Buscamos expandirnos a más observables y más tipos de desastres. Por ejemplo, daños por incendios forestales a la infraestructura energética, inundaciones, etc.”, dijo.

Hughes agregó: «También estamos iniciando relaciones con organizaciones gubernamentales que realizan búsquedas y rescates, donde este trabajo será realmente útil».

El nuevo sistema informático de punta del equipo mejorará la evaluación de daños y la asignación de recursos en respuesta a desastres y promete una nueva generación de tecnología de detección remota para mejorar la preparación y respuesta a una amplia gama de amenazas a la seguridad nacional y humana.