Разработка AI-системы инспекции инфраструктуры с помощью дронов

Инспекция высоковольтных ЛЭП, мостов, нефтепроводов и ветрогенераторов — это дни ручной работы промышленных альпинистов или остановка оборудования. Дрон с AI-аналитикой проходит тот же маршрут за часы и фиксирует дефекты, которые человек часто пропускает при беглом осмотре. Мы разрабатываем такие системы несколько лет и реализовали уже 15+ проектов по автоматизации инспекций для промышленных заказчиков. В этой статье разберём, как строится реальная система детекции дефектов — от снимка до отчёта.

Типичные задачи инспекции

Как работает детекция дефектов на снимках?

Базовый метод — семантическая сегментация трещин на RGB-снимках. Мы используем архитектуру UNet++ с encoder EfficientNet-B4 — она даёт пиксельную точность и устойчива к шумам. Модель обучается на размеченных данных (маски трещин) и выдаёт бинарную карту, по которой рассчитываются площадь и длина дефекта. Код детектора:

import torch import numpy as np from PIL import Image from torchvision import transforms import segmentation_models_pytorch as smp class InfrastructureDefectDetector: def __init__(self, model_path: str, task: str = 'crack'): # Для трещин — сегментационная задача (пиксельная точность) # UNet++ с EfficientNet-B4 encoder = хорошее соотношение self.model = smp.UnetPlusPlus( encoder_name='efficientnet-b4', encoder_weights=None, # загружаем свои веса in_channels=3, classes=1, activation='sigmoid' ) checkpoint = torch.load(model_path, map_location='cpu') self.model.load_state_dict(checkpoint['model_state_dict']) self.model.eval() self.transform = transforms.Compose([ transforms.Resize((512, 512)), transforms.ToTensor(), transforms.Normalize([0.485, 0.456, 0.406], [0.229, 0.224, 0.225]) ]) self.task = task @torch.no_grad() def detect(self, image: np.ndarray, threshold: float = 0.5) -> dict: img_pil = Image.fromarray(image) tensor = self.transform(img_pil).unsqueeze(0) pred = self.model(tensor)[0, 0].numpy() # (H, W) mask = (pred > threshold).astype(np.uint8) # Анализ маски crack_pixels = int(mask.sum()) total_pixels = mask.size crack_ratio = crack_pixels / total_pixels # Контуры трещин contours, _ = cv2.findContours(mask, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE) crack_regions = [] for cnt in contours: area = cv2.contourArea(cnt) if area < 50: # фильтр шума continue x, y, w, h = cv2.boundingRect(cnt) length = cv2.arcLength(cnt, False) crack_regions.append({ 'bbox': [x, y, x+w, y+h], 'area_px': int(area), 'length_px': float(length), 'severity': self._classify_severity(area, length) }) return { 'defect_ratio': crack_ratio, 'crack_regions': crack_regions, 'severity': 'HIGH' if crack_ratio > 0.02 else 'MEDIUM' if crack_ratio > 0.005 else 'LOW', 'raw_mask': mask } def _classify_severity(self, area: float, length: float) -> str: if length > 200 or area > 500: return 'CRITICAL' elif length > 80 or area > 100: return 'HIGH' return 'MEDIUM' 

Порог severity настраивается под стандарты предприятия. Трещины длиной более 200 пикселей помечаются как критические — объект требует внепланового ремонта.

Почему тепловизионная съёмка незаменима?

Коррозия и протечки часто не видны на RGB-снимках, но дают аномалии температуры. Тепловизор регистрирует перегрев контактов ЛЭП (short circuit) или холодные зоны кровли (протечка изоляции). Наш анализатор тепловых кадров ищет зоны, где температура отклоняется от среднего более чем на 3 сигмы:

class ThermalInspector: def __init__(self, baseline_temp: float = 20.0): self.baseline = baseline_temp def analyze(self, thermal_frame: np.ndarray) -> list[dict]: """ thermal_frame: матрица температур в °C Ищем аномально горячие (короткое замыкание, трение) и холодные (протечки, отсутствие изоляции) зоны. """ anomalies = [] # Статистика кадра mean_t = float(np.mean(thermal_frame)) std_t = float(np.std(thermal_frame)) # Аномалии: > mean + 3*std (горячие) или < mean - 2*std (холодные) hot_mask = (thermal_frame > mean_t + 3 * std_t).astype(np.uint8) cold_mask = (thermal_frame < mean_t - 2 * std_t).astype(np.uint8) for mask_type, mask in [('hot', hot_mask), ('cold', cold_mask)]: contours, _ = cv2.findContours(mask, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE) for cnt in contours: if cv2.contourArea(cnt) < 20: continue x, y, w, h = cv2.boundingRect(cnt) roi_temps = thermal_frame[y:y+h, x:x+w] anomalies.append({ 'type': mask_type, 'bbox': [x, y, x+w, y+h], 'max_temp': float(roi_temps.max()), 'min_temp': float(roi_temps.min()), 'delta': float(abs(roi_temps.mean() - mean_t)) }) return anomalies 

Такой подход позволяет находить дефекты на ранней стадии, когда они ещё не привели к аварии. По данным Thermography (Wikipedia), тепловизионный контроль широко применяется для предиктивного обслуживания.

Фотограмметрия и 3D-модель: когда нужна?

Для детального анализа трещин и деформаций мы строим 3D-модель по серии перекрывающихся снимков. Инструменты: Agisoft Metashape (коммерческий), OpenDroneMap (open-source), COLMAP. Рекомендуемое перекрытие — 80% передне-боковое, GSD — 1–3 мм/пиксель. С дрона с камерой Sony RX1R II (42 МП) можно получить GSD 1 мм/пиксель с высоты 8 м. 3D-модель позволяет измерить ширину раскрытия трещины с точностью до 0.5 мм.

Результаты AI-инспекции

AI-детекция находит в 3 раза больше дефектов, чем визуальный осмотр, при этом скорость инспекции в 5 раз выше. Например, для одной сетевой компании экономия на внеплановых ремонтах составила более $18k–26k в год после внедрения системы на 40 км ЛЭП.

Кейс: инспекция 40 км ЛЭП для нашего клиента

Один из наших клиентов — сетевая компания — ежегодно тратил 5 рабочих дней на инспекцию 40 км высоковольтной ЛЭП силами трёх бригад. Мы предложили решение на базе дрона DJI M300 RTK с камерой Zenmuse H20T (RGB 20 МП + тепловизор). Автономный полёт по GPS-маршруту на высоте 30 м над проводом.

• Время сбора данных: 6–7 часов на 40 км (2 дня с учётом перебазирований)
• AI-анализ: YOLOv8l, дообученный на 3200 изображениях дефектов опор и проводов
• Результат первой инспекции: 14 опор с коррозией > 20%, 3 натяжных зажима с трещинами, 8 аномальных тепловых точек
• Экономия времени: инспекция стала выполняться за 2 дня вместо 5, а риск пропуска дефектов снизился в 3 раза

Клиент получил полный отчёт с координатами дефектов и фотографиями — это позволило оперативно спланировать ремонтные работы, не останавливая оборудование.

Что входит в работу над проектом?

1. Обследование объекта и сбор требований. Определяем типы дефектов, частоту инспекций, допустимые погрешности.
2. Подготовка размеченных данных. Если у вас нет снимков, проводим пилотный облёт для сбора датасета.
3. Обучение и валидация моделей. Используем transfer learning, эксперименты с архитектурами (UNet, YOLO, ViT). Управляем экспериментами через MLOps – MLflow и Weights & Biases.
4. Интеграция с дроном и отчётами. Развёртываем модель на бортовом компьютере (NVIDIA Jetson) или на сервере.
5. Тестирование и приёмка. Проверяем точность на контрольной выборке, устраиваем полевой тест.
6. Передача документации и обучение. Передаём model card, инструкцию по эксплуатации, код пайплайна.
7. Гарантийная поддержка 6 месяцев. В случае изменения условий инспекции дообучаем модель.

Сколько времени занимает разработка?

Для точной оценки вашего проекта получите консультацию — мы проанализируем объект и предложим оптимальное решение. Свяжитесь с нами для демонстрации готовых кейсов. Также вы можете заказать пилотный проект — мы подберём оборудование и настроим модели под вашу инфраструктуру.

Итог: AI-инспекция дронов — это комплексная система сбора, анализа и отчётности, которая окупается за счёт снижения простоев и повышения безопасности.