更智能网格的智能数据：AI驱动的激光雷达正在改变实用程序基础架构

詹姆斯·康林（James Conlin）是产品敏锐的产品主管。

随着电源越来越大并加剧气候威胁，电力公用事业面临着现代化的紧急压力。满足当今对弹性，安全性和效率的期望不仅取决于升级物理基础设施，还取决于正确，及时，及时且可扩展的洞察力对广阔而多样化的地形的资产。

一项技术正在迅速改变公用事业的管理基础设施：LIDAR（光检测和范围）。

LIDAR捕获了数百万至数十亿个精确的高分辨率3D数据点 - 形成所谓的点云。这些点云创建了实用程序网络及其周围环境的详细数字模型，从电源线和变电站到地形和植被的所有内容。这种知名度对于计划，维护，减轻风险和应急响应至关重要。

但是收集激光雷达数据仅仅是开始。实际值来自将数据变成有用的东西。那是分类的地方。

原始LIDAR点云基本上是非结构化的空间数据。每个点都标志着空间中的位置，但没有单独提供上下文。它是电线，树木还是地面的一部分？没有分类，就无法知道。分类通过根据它们代表的内容标记这些点来分配含义，从而将原始数据转换为可操作的信息。

对于电力公司，此过程至关重要。它可以通过确定在电力线成为危险之前侵占的增长来实现植被管理。它通过帮助监视电线，杆倾斜或设备降解等条件来支持资产检查。它通过验证基础设施符合所需的监管清除，从而确保合规性和安全性。它通过确定野火，洪水或风暴的潜在风险区域来帮助进行灾难建模。它通过告知新基础架构的设计或现有网络的扩展来指导系统升级。

简而言之，没有分类，即使是最高分辨率的激光雷达数据仍然无法使用。真正的见解只有在组织，标记和理解的这一点云时才会出现。

传统方法还不够

从历史上看，分类依赖于基于规则的系统，统计模型和手动工作流程。分析师将应用过滤器，细分工具和人类判断来区分特征。

尽管这种方法可以在有限的环境中起作用，例如小，平坦或人口稀疏的地区 - 大规模分解。如今，S LIDAR数据集可以覆盖数百平方英里，并包括数十亿分。手动对数据量进行分类不仅是劳动密集型；它的成本过高。即使是半自动化的方法，也通常需要广泛的审查和纠正，尤其是在复杂的地形中。

公用事业正在击中传统分类方法可以提供的东西的上限。输入人工智能。

人工智能，尤其是深度学习，从根本上改变了激光雷达数据的解释。与传统的基于规则的系统不同，AI模型从示例中学习，识别大量数据集的模式，并以明显的精度自动对点进行分类。

深度学习的关键优势之一是它可以区分相似形状的能力，例如将电线与附近的分支区分开。它还可以检测到可能被手动方法遗漏的小或部分模糊的基础架构组件。这些模型适应了广泛的环境，而无需重大重新编程，从而使它们在各种地形和公用事业网络中灵活。最重要的是，他们毫不费力地在数小时而不是数周内进行大规模处理数据集。

对于公用事业，影响很大：更快的分析，更高的精度和更可靠的见解，对人类干预的依赖较少。

选择正确的工具

并非所有LIDAR分类工具都是平等的。有些人严重依赖自动化和AI，而另一些人仍然依靠手动或半自动工作流。选择正确的解决方案取决于项目需求：数据的规模，景观的复杂性以及所需的准确性水平。

基于AI的工具提供了速度和可扩展性的优势。许多人可以自动对关键元素进行分类，例如地面，植被，电线和电线杆，包括广泛的数据集。更高级的工具包括功能提取功能，使公用事业可以更深入地进行挖掘，建模间隙，检测异常或评估随着时间的推移评估降解。

也就是说，全自动工具并不完美。复杂或杂乱的环境甚至可以提高最佳算法。因此，Hybrid Workforws（AI都处理大部分工作和人类专家进行微调，在许多情况下仍然是最有效的方法。

要寻找的其他关键功能包括稳健的QA/QC工具，以标记不一致之处，可视化工具，用于查看3D中的分类以及与现有GIS和资产管理系统的无缝集成。

尽管有希望，但基于AI的分类并没有没有障碍。最大的之一是培训数据的需求：其中很多，准确地标记了。创建特定于公用事业基础架构的高质量数据集是耗时且昂贵的。

另一个限制是普遍性。在城市环境中训练的模型在森林或山区的地区可能表现不佳。不同地理位置的再培训模型通常需要专业知识。

此外，某些功能（例如罕见的基础设施类型或异常损害条件）仍然需要手动标识或自定义软件解决方案。尽管通用AI工具变得越来越容易访问，但公用事业特定的挑战仍需量身定制的方法。

然而，进步仍在继续。现代工作流程现在包括自动点云对齐和注册，大大减少了设置时间。当收集新数据时，可以动态更新AI模型，从而避免重新处理整个数据集。许多工具还包括内置的质量检查/QC，它们会自动标记异常值或审查的不一致。

结果：更清洁，更快，更可靠的分类 - 瓶颈较少。

展望未来：实用程序中的AI+LIDAR下一步

公用事业级激光雷达的未来与AI的进步紧密相关。随着模型变得越来越复杂，工具变得更加直观，分类将从手动任务转移到数据管道的无缝部分。

新兴功能已经在范围内。例如，预测性建模将使用历史激光雷达数据预测植被生长，检测基础设施疲劳的早期迹象，或评估改变火灾风险。由无人机或移动设备上的边缘处理提供支持的实时分类将使公用事业在不等待中央处理的情况下做出更快的现场决策。

同样重要的是，LIDAR数据越来越多地与更广泛的资产系统集成：GIS平台，检查工具和维护数据库，创建了支持主动管理的基础架构的统一视图。

随着成本下降和工具的成熟，这些功能将不仅限于最大的公用事业。较小的合作社，市政提供商和区域运营商将访问相同的工具，使比赛场所升级并加速电网现代化。

AI驱动的激光雷达分类不再是高科技的新颖性 - 它迅速成为现代公用事业运营的关键组成部分。面对老化的基础设施，增加环境威胁和收紧预算，公用事业需要更明智的工具来管理资产并减轻风险。

通过可扩展的智能分类，公用事业可以超越反应性维护，而不是预测性，数据驱动的决策。好处是明确的：提高的可靠性，更快的应急响应，更安全的操作以及降低总体成本。

这不是分析数据的更好方法 - 这是构建和操作网格的更聪明的方法。