Participe da Maratona Behind the Code! Prêmios e desafios incríveis te esperam, não perca! Inscreva-se aqui

Inovação Digital na Industria de Energia

Introdução

Todos nós estamos passando por um momento de transformação, no qual diversos segmentos de empresas tiveram que acelerar seus projetos de inovação e modernizar os processos de tecnologia. Empresas do setor elétrico, por exemplo, foram diretamente afetadas, pois tiveram suas obrigações aumentadas por conta da necessidade da disponibilidade de energia em hospitais e residências — locais que passaram a ser os novos ambientes de trabalho de muitas pessoas. Portanto, praticar a inovação tem sido cada vez mais um diferencial competitivo.

Por que investir em visão computacional?

O uso da Inteligência Artificial para analisar streams de vídeo e imagens tem sido amplamente utilizado em diferentes cenários. Atualmente, algoritmos de redes neurais (neural deep learning) vêm sendo popularizados devido à evolução das tecnologias de processamento gráfico, capacidade computacional em nuvem para o treinamento de modelos e análise de imagens e vídeos. Com a eletrificação das cidades e da vida moderna, passou a ser crítico o processo de inspeção da rede e garantia de sua disponibilidade. Processos de inspeção manual baseados em amostras podem, muitas vezes, demorar horas e até dias. A automatização desse processo pode garantir o resultado de redução de custos de até 85%, além da diminuição da margem de erro devido à intervenção humana. O tempo do processo de inspeção também pode reduzir em até 69% atividades repetitivas, que são feitas quando o processo é manual. A tecnologia também beneficia a segurança do time de operação em campo, muitas vezes expostos a ambientes de risco.

Descrição dos principais componentes da solução

As próximas seções deste artigo vão descrever as principais etapas e componentes da solução:

Captura das imagens

Primeiramente, é necessário obter um conjunto de imagens ou vídeos para atribuir marcações e classificações, que vão permitir o treinamento do modelo. A solução suporta imagens do tipo jpeg, png, dicom e vídeos no formato mpe, ogg ou webm. No cenário descrito neste artigo, para realizar a inspeção nas redes de distribuição, utilizamos um veículo estilo “Google Street View”, que possui quatro câmeras acopladas no teto, que disparam quatro fotos da rede a cada 6 segundos, conforme o andamento pelas ruas.

A imagem mostra uma caixa retangular fixada em cima de um veículo.

Equipamento estilo “Google Street View” para captura das imagens

Criação, treinamento e teste do modelo com o IBM Maximo Visual Inspection

O maior desafio que as empresas têm com o uso desta tecnologia é a falta de profissionais altamente especializados, como um cientista de dados, para o desenvolvimento destes modelos de IA. O IBM Maximo Visual Inspection é um software de visão computacional, construído em estruturas de código aberto, incluindo capacidades que permitem que qualquer pessoa, mesmo sem habilidades e conhecimento profundo em algoritmos de Redes Neurais e Inteligência Artificial, comece a criar modelos de forma rápida e fácil. Por isso, dizemos que ele é uma ferramenta de “Auto AI”, também chamado de “AI Guided”.

A imagem mostra a tela inicial da ferramenta IBM Maximo Visual Inspection, com as quatro principais funcionalidades: Create Dataset, Prepare Dataset, Train Model e Deploy Model. No centro da tela, há um botão chamado “Get Started”.

“Point-and-click” – 4 passos para preparação dos dados, treinamento e deploy do modelo

1- Preparação dos dados para o treinamento do Modelo

A amostra de imagens capturadas é carregada em um novo dataset (conjunto de dados), onde são realizadas as marcações na imagem, permitindo que você treine um modelo personalizado. As imagens a seguir mostram os objetos para inspeção da rede, uso de EPI (Equipamentos de Proteção Individual) e sinalização do ambiente para o serviço de campo.

A imagem mostra uma tela do IBM Máximo Visual Inpsection. Há uma barra de menu ao lado esquerdo, com a lista das categorias e tipos de imagens. No painel central, uma lista de imagens com exemplos de postes de rede de distribuição.

Dataset para treinamento de modelo, para inspeção da rede de distribuição

Marcações dos objetos para o modelo de inspeção da rede de distribuição

Marcações dos objetos para o modelo de inspeção da rede de distribuição

A imagem mostra uma tela do IBM Maximo Visual Inpsectio. Há uma barra de menu ao lado esquerdo, com a lista das categorias e tipos de imagens. No painel central, figura uma lista de imagens com exemplos de pessoas utilizando equipamentos de proteção individual (EPI).

Dataset para treinamento de modelo, para identificação de sinalização e uso de EPI dos trabalhadores de campo

Marcações dos objetos de EPI e sinalização

Marcações dos objetos de EPI e sinalização

2- Treinamento do Modelo

Depois de preparar o conjunto de dados, estamos prontos para treinar um modelo com um simples apertar de botão. Existem mais algumas opções, como escolher um modelo, customizar o número de iterações ou ajustar hiperparâmetros. Mas, geralmente, você pode sentar e assistir enquanto o gráfico mostra como o modelo está melhorando à medida que as iterações são executadas. Você pode esperar até que o treinamento seja concluído ou optar por interrompê-lo assim que os valores de perda pararem de diminuir. Após o treinamento ser interrompido, o Maximo Visual Inspection apresentará um resumo. A imagem abaixo mostra os resultados de um treinamento de modelo usando o algoritmo Detectron, com o framework Caffe 2. Os gráficos mostram a precisão geral e também dividem por categoria, para ajudá-lo a ver onde pode ser necessário melhorar seu conjunto de dados, para refinar seu modelo.

A imagem mostra uma tela da ferramenta IBM Maximo Visual Inspection. Nela, há uma dashboard com as informações do modelo que está sendo trabalhado.

Modelo treinado a partir do dataset de imagens marcadas

3- Teste do modelo treinado

Depois de ter o seu modelo criado, você pode fazer testes usando a interface do Maximo Visual Inspection. O vídeo abaixo mostra um teste do modelo treinado, que apresenta como resultado os objetos identificados com sua categoria e o percentual de confiança do modelo, dentre outras informações.


Inferência do modelo

A inferência ou análise das imagens através do modelo criado pode ser executada em um servidor no local onde a imagem está sendo gerada (Edge Computing), ou na nuvem, caso não seja necessário um processamento em tempo real. Existe, também, a opção de capturar a imagem e executar o modelo através do app do Visual Inspection, executado em dispositivo celular iOS.

O Visual Inspection disponibiliza um conjunto de APIs onde, a partir do código do seu aplicativo, é possível integrar a inferência do seu modelo, exportado a partir da ferramenta. A API também fornece uma interface programática para muitas das tarefas que estão disponíveis na interface, como criação de dataset, treinamento e implantação de modelos. A API REST é fácil de usar em qualquer linguagem de programação.

No vídeo exemplo apresentado abaixo, o processamento das imagens ocorre através de uma aplicação Web georreferenciada, desenvolvida utilizando a API de inferência do modelo e executada na nuvem IBM. A aplicação possui funcionalidades adicionais em complemento ao cenário de inspeção de rede. E é possível visualizar tudo que o modelo reconheceu com os detalhes das análises, como a categoria da imagem, data/hora da execução e modelo utilizado com percentual de acurácia.


Resumo

Apresentamos neste artigo um exemplo de como as empresas do setor de energia podem fazer o uso de tecnologias disruptivas, como Cloud, Inteligência Artificial e Edge Computing, para realizar projetos de inovação, aprimorar a qualidade dos serviços, reduzir custos operacionais e garantir a segurança dos colaboradores no serviço de campo. As empresas precisam se adaptar aos novos tempos. E existem dezenas de exemplos que ilustram como as inovações têm impactado positivamente a vida das pessoas e das empresas.

Saiba mais sobre as soluções apresentadas neste artigo acessando estes endereços:

IBM Maximo Visual Inspection

IBM Cloud

Sonda AI Operation

A SONDA desenvolveu a solução AI Operation, combinada com a tecnologia da IBM, que possibilita empresas alavancarem processos contínuos e manuais, relacionados a necessidade de observar padrões em busca da identificação de ativos, defeitos, uso de equipamentos de segurança, inspeções, dentre muitos outros cenários que demandem a análise de imagens ou vídeos, visando agilizar os processos e trazer segurança.

A solução envolve o processo de ponta a ponta: desde a captura das imagens e vídeos, até a entrega dos dados exportados ou integrados com sistemas do cliente. Para entender como essa solução pode ajudar a sua operação, entre em contato com a Sonda através deste email . Além disso, saiba mais sobre a Sonda do Brasil e como ela combina Inteligência Artificial, com o uso de drones e satélites, para monitorar a rede de energia elétrica.

Sobre os Autores

Sandra Sergi – IBM Technology – Software Technical Architect

Trabalha como arquiteta na IBM Technology, com a missão de preparar seus clientes para uma rápida adaptação ao mundo digital através das tecnologias IBM.

ssergi@br.ibm.com | linkedin.com/in/ssergi

Fábio Tadeu Nogueira – SONDA do Brasil – Gerente de Soluções Técnicas e Preditivas

Trabalha como Gerente de desenvolvimento de software e Product Owner na SONDA do Brasil, focado em criar soluções disruptivas com alto valor agregado às empresas de Utilities LATAM.

fabio.nogueira@sonda.com | linkedin.com/in/ftadeun

Fernando Zamora Garcia – SONDA do Brasil – Arquiteto de Software Soluções Técnicas e Preditivas

Trabalha como arquiteto de software e líder DEV na SONDA do Brasil, e tem por meta primária a materialização de soluções que facilitem a Jornada digital das empresas de Utilities LATAM.

fernando.zamora@sonda.com | linkedin.com/in/fernando-zamora-garcia-pmp-a6a9424/