开发用于灾难响应中的物体检测和图像分析的移动系统

ORNL研究人员收集了飓风伊恩等极端天气事件后的损坏图像，以建立一个强大的损坏系统，可以检测和分析电线杆损坏，以帮助灾难响应工作

来自能源部橡树岭国家实验室的一组研究人员创建了一个原型系统，用于在飓风等自然灾害发生后检测和定位受损的电线杆。

该系统在《摄影测量工程与遥感》杂志上有详细介绍，设计用于在安装在四旋翼机或其他无人机上的边缘计算硬件上运行，使其在当地基础设施受损或毁坏时发挥作用。

ORNL地理空间科学和人类安全部的团队使用机器学习算法和机载成像硬件，在将位置信息上传到中央处理中心（称为“地理定位能源信息分析环境”，EAGLE-I）的同时，准确检测和评估电线杆受损情况。这些信息可以传递给公用事业公司、第一响应者或其他支持能源基础设施的团体。

边缘计算平台是为纳入EAGLE-I系统而设计的几个项目之一，EAGLE-I系统是国家能源基础设施的多方面实时态势感知工具。EAGLE-I允许其用户监控能源基础设施资产、报告能源中断、显示能源基础设施的潜在威胁以及协调应急响应和恢复。

边缘计算团队的主要关注点是效率和实用性。

“我们工作的主要驱动因素之一是建立一个地方和州政 府都能负担得起并运行的系统，”ORNL的David Hughes说，他是该项目的首席研究员，也是机载和基于卫星的图像处理和分析专家。“所以我们使用价格合理的传感器和平台。”

尽管价格合理的硬件确实具有有限的图像分辨率和速率捕获，Hughes和他的团队一直在努力优化他们的机器学习分析软件，以确保这些限制是可管理的。

除了解决对硬件和价格的担忧外，该小组还致力于确保车载检测和识别系统能够在各种情况下准确识别电线杆及其状态。

“我们目前最大的挑战之一就是获取足够的训练数据，”ORNL的机器学习工程专家Jordan Bowman说。“深度学习项目通常非常注重收集大量图像，但我们可以收集和注释的照片数量有点有限。”

为了解决这个问题并获得更多可用的训练数据，该小组已派出团队收集极端天气事件（如飓风伊恩）后的损坏图像，并与当地能源公司合作收集更多训练数据，从中建立强大的检测和分析系统。

Hughes说:“这个极点探测项目只是我们迈向‘边缘人工智能’的第一步。”“我们的目的是扩展到多个可观测对象，例如变电站，并能够将它们分类为损坏或未损坏的基础设施。”

在讨论边缘人工智能时，休斯不仅指的是他和他的团队用来设计图像分析工具或运行无人机平台的尖端方法。他还谈到了更广泛的新AI计算项目，其中AI应用程序部署在靠近用户的设备中，而不是在云计算设施或私有数据中心中。在许多 情况下，这些所谓的边缘计算项目可以提高安全性和效率，并增加正常运行时间并降低成本。

边缘人工智能可用于广泛的应用，跨学科的ORNL团队已经在考虑通过其边缘计算项目实现的几种新的研究途径。

“我们正在制造的更小，更实惠的传感器的图像分析功能允许许多以前由于价格和分辨率限制而不可能的事情，”ORNL研究员兼计算机视觉和高性能机器学习专家Lexie Yang说。

在该项目中，Yang致力于将机器学习和计算机视觉组件与车载系统的其余部分集成在一起。“我们希望扩展到更多可观察和更多类型的灾难。例如，野火对能源基础设施的破坏，洪水等等，“她说。

Hughes补充说：“我们也开始与从事搜索和救援的政 府组织建立关系，这项工作将非常有帮助。

该团队的新边缘计算系统将改善灾害响应中的损失评估和资源分配，并有望提供新一代遥感技术，以改善对国家和人类安全的广泛威胁的准备和响应。