1/2019
GTR已经开发了一种自动图像处理算法，用于从无人机捕获的检查图像中识别和分类涡轮损坏和磨损。利用卷积神经网络和GPU云处理的最新进展，DNV GL证明了直接将基于机器学习的人工智能应用于可再生能源检测过程的有效性。乐动体育登录
我们只能看到前方很短的距离，但我们可以看到那里有很多需要做的事情。
阿兰·图灵
计算机器与智能
乐动体育登录DNV GL预测太阳能光伏发电容量将增加65倍(至19太瓦)，风能发电容量将增加15倍(至7.2太瓦)。
随着可再生资产的增加，需要改进监测，以确保电力配电系统的持续可靠性和安全性。业主和运营商越来越多地采用无人机来检查资产，收集视觉、性能和状态信息。大量的数据与DNV GL可再生能源的专业知识相结合，为将计算机视觉机器学习算法应用于审查和注释检查信息的任务提供了乐动体育登录独特的机会。
传统的风力发电机检查由绳索进入现场人员进行，每台涡轮机大约需要3个小时，并产生几kB的数据。收集到的图像仅限于可疑的损坏和技术人员的注释，熟练的工程师需要花费数周的劳动密集型办公桌处理时间来识别和标记损坏。另一方面，一次典型的无人机飞行持续15分钟，每次风力涡轮机检查，记录可视视频片段，可选的整个资产的高光谱或热图像，以及计量(气象?)条件和飞行信息，生成许多GB的数据进行分析。现有的分析工具不足以容纳这些额外的信息。为了获取丰富数据提供的额外见解，DNV GL使用计算机视觉最新LDsports幸运28进展中的机器学习技术，改进了损坏检测的自动化。乐动体育登录通过利用卷积神经网络的模式识别功能，开发了一种只需几秒钟就能运行的工具。人工智能工具可以预测受损区域，供工程师检查。整个资产的完整性可以快速记录，并记录损坏历史的额外可追溯性。
人工智能可以是人类洞察力的补充，而不是替代品。
Abhijit Naskar
GTR Power and Renewables开发了一种循环u型卷积神经网络(rUNet)，该网络在内部风力涡轮机检查图像上训练，可以检测视觉图像中的损坏。通过叠加多个CNN，这种有监督的机器学习技术利用了来自高分辨率图像的丰富数据，计算机视觉研究的最新成果，并在Veracity上推进了基于云的GPU处理。DNV GL PVEL实验室最初在太阳能光伏电池电致发光图像上开发的方法，现在已经在风力涡轮机叶片图像上进行了改进和验证。乐动体育登录这一成就是在受控实验室环境下拍摄的图像上开发的算法，并将其应用于不同环境条件下拍摄的风力涡轮机现场检查数据，是使机器学习研究成为可再生能源行业可用工具的重要一步。结合热成像和高光谱成像的持续改进意味着将应用扩展到已安装的太阳能生产项目的检查和增强的条件监测。正如2017年DNV GL立场文件中所述，各种模乐动体育登录型和机器学习技术将为风能和太阳能领域的人工智能工具提供支持。这项AI计算机视觉研究为DNV GL和我们的客户提供了在数字时代脱颖而出的工具。乐动体育登录