Vision-based AI for infrastructure inspection support

Moderne samfunn er fundamentalt avhengige av elektrisitet. Dette stiller strenge krav for å opprettholde påliteligheten og tilgjengeligheten av strømforsyningen. For å forhindre driftsstans og for å opprettholde sikker og pålitelig forsyning, må elektriske verktøy utføre regelmessige inspeksjoner på nettene sine. Disse inspeksjonene har vanligvis blitt utført ved hjelp av luftbårne undersøkelser via lavflygende helikoptre og feltundersøkelser via fotpatruljer. Noen verktøy dokumenterer bare potensielle mangler og avvik, mens andre tar bilder av hele nettet, inkludert bilder av ledere, ledningskomponenter og omkringliggende gjenstander (f.eks. Vegetasjon). De innsamlede bildene blir deretter inspisert manuelt for å identifisere feil. Nylig har gjennombrudd innen kunstig intelligens (AI) og mer spesifikt i Deep Learning (DL) med Convolutional Neural Networks (CNNs) revolusjonert feltet visjon og åpnet for nye muligheter for automatisering av dataanalyse i visjonsbaserte inspeksjoner. eSmart Systems har vært i forkant av utviklingen og anvendelsen av CNN-baserte løsninger for inspeksjonsstøtte. Inspirert av disse prestasjonene, i dette prosjektet, ønsker vi å skyve teknologien videre og forsøke å løse noen av hovedbegrensningene for nåværende CNN-baserte løsninger for gjenkjenning av bilder, bildeklassifisering, anomalideteksjon, osv. Hovedmålet med prosjektet er å forbedre anvendelsen av visjonsbasert AI (først og fremst CNN) i tilfeller der mengden opplæringsdata er begrenset. Dette er ofte tilfelle når AI trenger å gjenkjenne sjeldne gjenstander eller mangler. CNN krever vanligvis tusenvis av eksempler på hver objekttype eller klasse for å trene riktig og ikke klarer å utføre tilstrekkelig i mange infrastrukturinspeksjonsoppgaver.

Modern-day societies are fundamentally dependent on electricity. This poses severe requirements on maintaining the reliability and availability of electricity supply. To prevent outages and to maintain secure and reliable supply, electric utilities are required to perform regular inspections on their grids. These inspections have been typically carried out using a airborne surveys via low-flying helicopters and field surveys via foot patrols. Some utilities document only potential defects and anomalies, while others take pictures of the whole grid including pictures of conductors, power line components and surrounding objects (e.g. vegetation). The collected images are then manually inspected to identify defects. Recently, breakthroughs in Artificial Intelligence (AI) and more specifically in Deep Learning (DL) with Convolutional Neural Networks (CNNs), have revolutionized the field of computer vision and opened up new opportunities for automating the data analysis in vision-based inspections. eSmart Systems has been at the forefront of the development and application of CNN-based solutions for inspection support. Inspired by these achievements, in this project, we wish to push the technology further and attempt to solve some of the main limitations of current CNN-based solutions for object detection and image classification. The primary objective of the project is to improve the applicability of vision-based AI (primarily CNNs) to cases where the amount of training data is limited. This is often the case when AI needs to recognize rare objects or defects. CNNs typically require thousands of examples of each object type or class to train properly and fail to perform adequately in many infrastructure inspection tasks.