Explorez le projet Artificial Intelligence for Line Inspection (AILI), une initiative pionnière qui utilise l'IA pour améliorer l'efficacité et la précision des inspections des lignes électriques aériennes, à travers une interview de Thorsten WERNER, Directeur du Développement des Affaires chez SPIE CeGIT (Allemagne).
Le projet Artificial Intelligence for Line Inspection (AILI) a consisté pour les équipes SPIE à développer un logiciel de reconnaissance d'images assisté par l'IA pour identifier automatiquement les composants endommagés sur les lignes électriques aériennes lorsque les inspections sont effectuées à partir d'un hélicoptère.
L'analyse s'appuie sur un tableau de bord qui consolide les données provenant de différentes sources et de différents formats (photos, vidéos, métadonnées de position, scans laser, etc.) et affiche les composants identifiés, ainsi que les dommages ou autres anomalies. Les experts concernés peuvent alors évaluer la gravité des dommages, définir d'éventuelles mesures correctives possibles et partager des informations personnalisées qui seront intégrées au système de gestion des actifs du client.
Selon vous, quel a été l'impact d'AILI sur votre routine quotidienne ou votre flux de travail ?
Auparavant, notre travail impliquait une collecte fastidieuse de données provenant de diverses sources et une analyse manuelle et non structurée de photos et de vidéos. La difficulté d'identifier les composants et les objets à partir d'une masse de données entraînait une augmentation des efforts manuels et des taux d'erreur. Aujourd'hui, nous disposons de processus clairs et automatisés qui font une distinction efficace et précise entre l'apprentissage automatique et les données humaines.
Diriez-vous qu'AILI améliore la collaboration et la communication avec les les parties prenantes internes et externes ?
Il n'y a pas de doute. Cela est apparu très clairement lors des réunions avec les clients : nous avons constaté des réactions très positives et beaucoup d'intérêt de leur part. AILI leur ouvre de toutes nouvelles possibilités : nous parlons en effet d'un projet qui nécessite de couvrir environ 500 000 composants et/ou pièces sur des lignes électriques aériennes ! Envoyer manuellement des personnes munies de blocs-notes pour enregistrer les défauts à l'œil nu serait une entreprise colossale. Il y a aussi le risque d'escalade des pylônes électriques, que nous pouvons éviter complètement en prenant des photos à partir d'un hélicoptère. Fusionner et regrouper les données recueillies à la main en une source unique serait un autre défi. Au final, l'ensemble prendrait des mois et certaines informations ne seraient pas du tout disponibles.
Qu'en est-il de l'impact opérationnel de la solution ? Pouvez-vous nous faire part entre autres des avantages en termes de productivité, d'optimisation des ressources ?
En interne, nous avons constaté une augmentation de 30 % de l'efficacité ; nous travaillons également avec un degré de précision beaucoup plus élevé, ce qui améliore bien sûr la qualité. Parallèlement, nous avons réduit les coûts de location des hélicoptères de 2 000 €/h et les émissions de 300 kgCO2e/h.
Cas d'usage
AILI soutient le développement de réseaux flexibles, c'est-à-dire capables d'adapter la capacité de transport d'électricité aux conditions météorologiques. Des réseaux de transport d'électricité flexibles et fiables sont essentiels pour relever les défis de la transition énergétique.
Avantages
Détection automatisée et précise des défauts
Des inspections plus efficaces et plus rapides grâce à des données harmonisées
Reconnaissance automatisée des composants
Géolocalisation des défauts et génération de rapports structurés pour pour aider les équipes de maintenance
