160 часов. Столько времени тратит инспектор РЭС, чтобы вручную отсмотреть 4K-исходники с одного облета ветки на 500 км. 80% кадров — здоровые опоры. Авария случается во вторник, а сколотый фарфор находят на записи к вечеру пятницы. Когда мы проектируем дрон-инспектор ЛЭП на edge: ловим бой изоляторов и обрыв вязки в полете, а не на разборе видео неделю спустя, мы устраняем именно этот разрыв. По данным МЭА, до 30% аварий упреждаемы аналитикой, но классическая схема «снял-привез-посмотрел» превращает профилактику в посмертный учет.
Тайга, КИИ и смерть облачного инференса
Отправлять 4K-стрим по 3G из глухого леса — техническая шизофрения. Связи на отдаленных линиях нет. Точка. Добавьте сюда 152-ФЗ, статус КИИ и отвалившиеся западные облака, куда кадры критической инфраструктуры сливать тупо незаконно.
Любое компьютерное зрение для осмотра ЛЭП дроном обязано отрабатывать на борту. Либо Jetson Orin Nano, либо отечественные NPU в изолированном edge-боксе. В MoranaLabs мы окончательно похоронили идею гонять сырые пиксели на сервер, когда уперлись в отказы канала при околонулевых температурах. Модель живет на коптере. Она весит условные 60 МБ, квантизуется в INT8 и делает инференс за 12-15 мс на кадр.
Диагностика опор и изоляторов нейросетью: честный recall
Вендоры любят продавать 98% точности. Эта цифра получается на рафинированном датасете, снятом в полдень. В бою у вас контровый свет, смаз от вибрации подвеса и птичий помет, который детектор радостно обводит как скол бетона.
Вот как выглядит реальный recall по классам на продольных облетах:
- Трещины и коррозия бетона: 88-92%.
- Бой и перекрытие фарфоровых изоляторов: 90-95%.
- Гниль деревянной опоры, провисание и набросы: ~85-90%.
- Обрыв вязки: 60-70%.
Обрыв вязки — это боль. На 4K-кадре он занимает квадрат 30x30 пикселей. Спасает только направленный зум и сумасшедший кроп. Кроме того, 99% инфраструктуры целы. Разметка дефектов и дисбаланс редких классов требуют генерации синтетики, иначе алгоритм выучит фон. Модель жестко дообучается под каждый регион и тип опор (СВ, ПБ).
Тепловизионный осмотр линий ИИ и энергобюджет
Обычная оптика пасует перед микротрещинами. Тепловизионный осмотр линий ИИ в связке с RGB (фьюжн) ловит нагрев контактных соединений, но бьет по железу. Тяжелая модель жрет ток. Лишние 15 Вт на инференс минус 10 минут полетного времени.
def process_frame(rgb_frame, ir_frame, tracker):
# Троттлинг: дропаем кадры при перегреве NPU
if system.thermal_status() == "THROTTLING":
return None
# Фьюжн только для ROI (Region of Interest)
boxes = det_model.predict(rgb_frame, conf=0.6)
if not boxes:
return None
anomalies = ir_model.analyze_hotspots(ir_frame, boxes)
return anomaliesОбход ЛЭП беспилотником: дефекты сразу в наряд
Пайплайн без человека в петле работает там, где нужно бить наверняка. Дрон фиксирует провисание провода. Диагностика опор и изоляторов нейросетью выдает confidence выше 85%. Скрипт дергает координаты с RTK-модуля, формирует JSON и при появлении первой соты связи пушит алерт в ERP-систему заказчика. Начальник РЭС получает готовый наряд бригаде с координатами и кропом дефекта.
Сравните это с ручным просмотром терабайтов мусора.
Пилот видеоаналитики ЛЭП на нашем edge-боксе с замером FPS и латентности на вашем парке дронов расставит все по местам.