Solución de Deep Learning para la inspección de redes eléctricas 

¿Qué tienen en común las redes eléctricas y las botellas de vidrio?

Las redes eléctricas son la columna vertebral de nuestra sociedad y suministran energía a instalaciones esenciales como hospitales, fábricas y escuelas. También son responsables de mantener Internet en funcionamiento y permitir actividades cotidianas que de otro modo serían imposibles. Estas redes constan de una variedad de dispositivos e infraestructura, que requieren inspecciones periódicas para garantizar su correcto funcionamiento.

Las empresas propietarias de estas redes invierten una cantidad significativa de tiempo y dinero para garantizar su fiabilidad y eficacia. Las inspecciones son cruciales, ya que en caso de que la red experimente algún fallo podría provocar incendios y representar una amenaza para las personas, los animales y los equipos.

Históricamente, la inspección de subestaciones, torres eléctricas y conductores ha sido una tarea que requiere un considerable esfuerzo por parte de la mano de obra y que a menudo tarda meses en completarse. Este enfoque manual tiene capacidades limitadas para predecir problemas potenciales y no permite un monitoreo rápido y eficiente del estado de la red. Los equipos de inspección han dependido de drones o helicópteros para capturar millones de imágenes, que posteriormente inspeccionan manualmente con el fin de generar informes.

Otras industrias afrontan desafíos similares. Podemos tomar como ejemplo el de una empresa de alimentación que incurría en pérdidas significativas al remunerar a los clientes por devoluciones de envases de vidrio, incluso cuando la cantidad real de botellas en palés era menor que la indicada en la orden de devolución. Realizar inspecciones visuales a cargo del personal resultó ser inviable y costoso, dado que había que examinar a diario cientos de palés.

Dificultades con la visión por ordenador y cautela con la IA

En Capgemini hemos dedicado una cantidad significativa de tiempo a generar ideas e implementar técnicas y algoritmos avanzados de visión por computador e IA para abordar diversos y heterogéneos problemas de la red eléctrica. Estos incluyen desde la detección de anomalías como la corrosión en torres de energía, hasta el crecimiento de vegetación y aisladores rotos. En algunos casos utilizando aprendizaje automático, pero rápidamente nos dábamos cuenta de que el ajuste fino de estas soluciones podría llevar meses o incluso años. Además, estas soluciones no se adaptaban a entornos cambiantes y carecían de flexibilidad y escalabilidad.

Sin embargo, nuestro optimismo se renovó cuando surgió el Deep Learning, podíamos aplicar el aprendizaje profundo para analizar cientos de imágenes e identificar anomalías en torres eléctricas y conductores.

Diseñar e implementar el modelo correcto es una tarea desafiante, que requiere la experiencia de especialistas en varios dominios. Es preciso enseñar a la inteligencia artificial (IA) a detectar anomalías, entrenándola, para lo que se precisa entre miles y millones de imágenes con defectos; por suerte, las redes eléctricas nos proveen de suficientes datos para ello, aunque en cantidades más reducidas, lo que afectaba al rendimiento de la IA.

Sin embargo, en la vida real, para una solución en producción, la métrica clave para el desempeño de la IA no es el cumplir con un determinado valor de un indicador de exactitud en sí, sino cómo se ajusta eficazmente a nuestro objetivo final. Esto incluye factores como la velocidad, la confiabilidad en la detección de anomalías de la red y la eficiencia en comparación con el análisis humano. Además, es fundamental que aquéllos que no sean expertos en aprendizaje automático puedan interpretar y comprender cómo funciona la IA.

El panorama de los datos cambia constantemente, con diferentes regiones y nuevos tipos de activos de red entrando en juego. Para seguir siendo útil, la IA debe adaptarse rápidamente a estos cambios y mejorar continuamente su capacidad para identificar diferentes tipos de anomalías en las redes.

Cómo estamos mejorando las inspecciones de las redes

La plataforma LandingLens, de LandingAI, ofrece múltiples beneficios que pueden potenciar significativamente nuestro logro en este campo. En primer lugar, nos permite entrenar modelos “fundacionales” de manera más eficiente, consiguiendo una precisión inigualable en menos tiempo. Además, implementar estos modelos es un proceso sencillo. También nos beneficiamos del hecho de que esta plataforma requiere menos imágenes para el entrenamiento, lo que nos ahorra recursos valiosos. Por otro lado, LandingLens proporciona un entorno óptimo para tareas como la manipulación y la comprensión de imágenes, la reducción de sesgos, la organización de conjuntos de datos y la afinación de resultados. Con todas estas ventajas, podemos mejorar enormemente nuestros procesos de tratamiento y gestión de las imágenes como datos.

Nuestro objetivo es algo más que desarrollar modelos de Deep Learning para detectar anomalías en líneas eléctricas. Al contrario, es integrar a la perfección estos modelos en una solución integral que funcione a la perfección con otros componentes y sistemas dentro de la empresa. EngiLens, la solución de Capgemini, no solo aloja estos modelos, sino que también orquesta y coordina estos modelos para producir los resultados finales. Incorpora todos los algoritmos, middleware y aplicaciones front-end necesarios para hacer accionable y usable la IA.

Una destacada distribuidora eléctrica, nos solicitó una prueba de concepto rápida para evaluar LandingLens y engiLens. Recibimos una serie de 200 imágenes que mostraban torres eléctrica con defectos en los aisladores y falta de señales de peligro. Captadas desde helicópteros, muchas de estas imágenes adolecían de la calidad suficiente. Los resultados fueron impresionantes para las señales de peligro y se mostraron prometedores para identificar problemas con los aisladores. Basándonos en este logro, lanzamos la segunda fase para detectar una variedad de anomalías, incluidas deficiencias en los elementos de protección, corrosión, conductores o crecimiento de vegetación. Para lograr esto, utilizamos un conjunto de dos mil imágenes. Durante este proceso, nos dimos cuenta de que era necesario realizar varias tareas de preprocesamiento de imágenes (tamaños, resolución, estrategias de zonificación…). Además, el empleo de múltiples modelos de IA especializados en diferentes tipos de defectos, resultó ser más eficaz. Ahí es donde destaca engiLens: preprocesamiento, desplegando e integrando los modelos IA, gestionando los conjuntos de imágenes, ejecutando los análisis mediante los modelos y generando resultados accionables, gracias a su integración con otras soluciones corporativas. Para poner a prueba engiLens, utilizamos un nuevo conjunto de imágenes captadas por helicóptero, que nuestra IA no había visto nunca antes. Los resultados fueron excepcionales, al lograr sistemáticamente rendimientos superiores al 85 % en situaciones reales.

El resultado es una solución capaz de recibir imágenes y devolver informes de anomalías de las líneas eléctricas para una serie de defectos.

La inspección de la infraestructura puede ser una tarea que requiere de una considerable cantidad de tiempo, especialmente cuando se depende de las personas para analizar grandes conjuntos de imágenes. Sin embargo, la solución a este problema radica en el uso de tecnología de inteligencia artificial. Hemos realizado avances importantes en este ámbito y, con el reciente desarrollo de un Large Vision Model específico de este dominio, esperamos mejorar la precisión y acelerar el desarrollo de tareas de visión posteriores. Nuestro objetivo es contar con un sistema de IA para mediados de 2024, que se encargue de manera autónoma de una parte de las inspecciones de esta compañía. Otra parte la seguirán realizando personas, para así poder comparar los resultados. La mayoría de las mejoras de la solución ahora se encuentran en el aspecto de ingeniería, más que en el campo de la IA. Por suerte, con la ayuda de LandingAI, podemos liberarnos y enfocarnos justo en ese aspecto.