Cientistas desenvolvem sistema móvel para detecção de objetos e análise de imagens em resposta a desastres

Uma equipe de pesquisadores do Laboratório Nacional Oak Ridge do Departamento de Energia criou um protótipo de sistema para detectar e geolocalizar postes danificados após desastres naturais, como furacões.

O sistema, detalhado na revista Engenharia Fotogramétrica e Sensoriamento Remotoé projetado para rodar em hardware de computação de borda montado em um quadricóptero ou outro veículo aéreo não tripulado, permitindo que funcione quando a infraestrutura local for danificada ou destruída.

A equipe da Divisão de Ciência Geoespacial e Segurança Humana do ORNL usou algoritmos de aprendizado de máquina e hardware de imagem a bordo para detectar e avaliar com precisão os danos aos postes enquanto carregava informações de localização para um hub de processamento central, chamado Ambiente para Análise de Informações de Energia Geolocalizadas, ou EAGLE-I. Essas informações podem ser retransmitidas para empresas de serviços públicos, socorristas ou outros grupos de suporte à infraestrutura de energia.

A plataforma de computação de borda é um dos vários projetos projetados para incorporação ao sistema EAGLE-I, uma ferramenta multifacetada de percepção situacional em tempo real para a infraestrutura de energia do país. O EAGLE-I permite que seus usuários monitorem ativos de infraestrutura de energia, relatem interrupções de energia, exibam ameaças potenciais à infraestrutura de energia e coordenem resposta e recuperação de emergência.

Entre as principais preocupações da equipe de edge computing estão eficiência e praticidade.

“Um dos principais impulsionadores do nosso trabalho é criar um sistema que possa ser financiado e administrado pelos governos locais e estaduais”, disse David Hughes, do ORNL, principal investigador do projeto e especialista em processamento e análise de imagens aéreas e baseadas em satélites. “Portanto, trabalhamos com sensores e plataformas acessíveis.”

Embora o hardware acessível tenha resolução de imagem e taxa de captura limitadas, Hughes e sua equipe trabalharam duro para otimizar seu software de análise de aprendizado de máquina para garantir que essas limitações sejam gerenciáveis.

Além de navegar pelas preocupações sobre hardware e acessibilidade, o grupo está trabalhando para garantir que o sistema de detecção e identificação a bordo possa identificar com precisão os postes de serviços públicos e seu status em várias situações.

“Um dos nossos maiores desafios agora é obter dados de treinamento suficientes”, disse Jordan Bowman, do ORNL, especialista em engenharia do projeto em aprendizado de máquina. “Os projetos de aprendizado profundo geralmente colocam muita ênfase na coleta de grandes quantidades de imagens, mas somos um pouco mais limitados no número total de fotos que podemos coletar e anotar”.

Para resolver esse problema e adquirir dados de treinamento mais utilizáveis, o grupo enviou equipes para coletar imagens de danos após eventos climáticos extremos (como o furacão Ian) e fez parceria com empresas de energia locais para coletar ainda mais dados de treinamento para construir um robusto sistema de detecção e análise.

“Este projeto de detecção de pólo é apenas o nosso primeiro passo para ‘IA no limite'”, disse Hughes. “Nossa intenção é expandir para vários observáveis ​​- subestações, por exemplo – e ser capaz de classificá-los como infra-estrutura danificada ou não danificada.”

Ao discutir a IA no limite, Hughes não está se referindo apenas aos métodos de ponta que ele e sua equipe estão usando para projetar suas ferramentas de análise de imagem ou a plataforma UAS na qual serão executadas. Ele também está falando sobre uma classe mais ampla de novos projetos de computação de IA nos quais os aplicativos de IA são implantados em dispositivos próximos aos usuários, em vez de em uma instalação de computação em nuvem ou centro de dados privado. Esses chamados projetos de computação de borda permitem maior segurança e eficiência, bem como maior tempo de atividade e redução de custos em muitos casos.

A IA na borda pode ser útil em uma ampla gama de aplicações, e a equipe interdisciplinar do ORNL já está considerando vários novos caminhos de pesquisa possibilitados por seu projeto de computação de borda.

“Os recursos de análise de imagem dos sensores menores e mais acessíveis que estamos fazendo permitem muitas coisas que antes eram impossíveis devido a limitações de preço e resolução”, disse Lexie Yang, pesquisadora do ORNL e especialista em visão computacional e alta tecnologia. aprendizado de máquina de desempenho.

Dentro do projeto, Yang trabalha para integrar os componentes de aprendizado de máquina e visão computacional com o restante do sistema de bordo. “Estamos procurando expandir para mais observáveis ​​e mais tipos de desastres. Por exemplo, danos causados ​​por incêndios na infraestrutura de energia, inundações e assim por diante”, disse ela.

Hughes acrescentou: “Também estamos iniciando relacionamentos com organizações governamentais que realizam buscas e resgates, onde esse trabalho será realmente útil”.

O novo sistema de computação de borda da equipe melhorará a avaliação de danos e a alocação de recursos na resposta a desastres e promete uma nova geração de tecnologia de sensoriamento remoto para melhor preparação e resposta a uma ampla gama de ameaças à segurança nacional e humana.