图1：2018年8月14日，意大利热那亚的一座主干道公路高架桥莫兰迪大桥在暴雨中倒塌，造成43人死亡。人们怀疑这座大桥的维护不足可能是导致此次灾难的主要原因。

计算机视觉不仅已经在制造和监控领域得到了很好的应用，而且该技术还可以用来监控道路、桥梁、铁路轨道、管道、输电线、油气罐和大坝等关键基础设施。机器学习、嵌入式计算和无人机的最新发展，为全面检查此类设施以进行预测性维护开辟了新的可能性，甚至在偏远地区也能实现。

预测性维护确保关键基础设施的安全性与可靠性

2018年8月14日，意大利热那亚的一座主干道公路高架桥莫兰迪大桥，在一场暴风雨中倒塌，造成43人死亡。这不仅是一场造成人员伤亡的灾难，而且对当地经济也产生了巨大影响，因为热那亚是意大利最大的港口之一。

这个例子说明关键基础设施对社会极其重要，它为人们提供能源、水和信息，并确保人员和货物的流动性。如果关键基础设施出现问题，可能会造成严重后果，比如致命事故、停电、洪水以及其他破坏事故，还有医疗服务的中断等。还可能对环境造成严重破坏，如果输油管道发生泄漏，就可能造成污染或火灾。

对于热那亚的塌桥事故，人们怀疑对这座大桥的维护不足是灾难发生的主要原因。对于此类基础设施持续进行监测，以预测问题并防止损害发生至关重要。然而，执行这种类型的检查是一项特别具有挑战性的任务。

无论是桥梁、铁路轨道、输电线还是管道，大多数关键基础设施都规模巨大，比如一座非常庞大的建筑或者绵延数百或数千英里的设施。例如，根据加拿大能源监管机构的数据，加拿大Nova天然气运输有限公司运营着一个天然气收集和运输系统，包括在阿尔伯塔省和不列颠哥伦比亚省北部的大约24,500公里的管道。派遣工作人员到现场进行连续检查是一项非常困难、耗时且成本高昂的工作，况且在如此远的距离部署相机和视觉系统也是一项巨大的投资。

此外，有些基础设施位于恶劣环境中，例如近海地区、加拿大北部偏远地区或阿拉伯沙漠，这些地方远离人类居住区，电网或电信网络很难覆盖到。这使得安装基于相机和PC的自动检测系统变得更加困难。

图2：结合嵌入式视觉和机器学习技术，可以实现对关键基础设施的常规检查，这也是预测性维护计划的一部分。

计算机视觉用于预测性维护

由于这些特定限制，人们无法手动执行此类基础设施的预测性维护。计算机视觉利用各种技术手段，可以自动检测和报告这些基础设施的缺陷或问题。以下是一些示例：

●    表面检测可以检测出材料损伤、裂纹、腐蚀和其他缺陷。

●    红外和多光谱成像技术，可以帮助识别表面不可见的内部材料疲劳，或者通过管道内部输送的气体或液体与外界之间的温度差异，来检测泄漏。

●    热成像技术可以提供电气设备过热的信息，例如，由于绝缘问题导致的情况。它还可以监测化工厂或炼油厂储罐外的化学反应温度。

●   环境和航空成像技术可以识别自然环境对基础设施的潜在威胁，如山体滑坡或植被生长可能对电力或电信线路造成的破坏。

执行这些任务所需的硬件和软件视觉技术已经非常成熟，挑战在于进行这种监测所必需的规模和条件。部署基于PC的机器视觉系统，需要大量的空间、电力和维护工作，并且在极端温度和天气条件下的恶劣室外环境中部署，难度极大。此外，大规模部署也意味着成本很高。

嵌入式系统和AI图像处理降低入门门槛

嵌入式系统和AI图像处理技术的最新发展，为这些基础设施的运营商和监管者提供了新的机会。嵌入式处理器，如ARM公司或英伟达公司的产品，已经能够提供足够的处理能力，能在较小的空间内执行高级图像处理任务，并且与基于PC的系统相比，功耗和成本更低。

嵌入式视觉系统的SWaP特性（尺寸、重量和功率），使其更容易封装在紧凑的保护外壳中，以抵御户外环境的影响。它们可以轻松地安装在扫描轨道的维护列车或监测路况的卡车上。它们还可以安装在无人机和飞机上，用于对远程基础设施进行航空成像。

图3：嵌入式视觉系统有利的SWaP特性（尺寸、重量和功率），使其更容易封装在紧凑的保护外壳中，以抵御户外环境的影响。

例如，管道监测可以通过航空成像进行，也可以通过离管道有一定距离的检查塔来完成。安装在塔顶或桅杆上的户外相机很难供电，维护或读取数据也不容易。低功耗嵌入式系统可以由电池供电，电池本身则由小型太阳能电池板充电。由于整个图像处理过程是在相机内进行，因此图像处理本身不需要与远程CPU进行数据线连接或无线连接。该系统可以通过移动网络或卫星通信将图像分析结果以低带宽数据形式传输——例如，传输泄漏信息及其GPS坐标，而不是传输千兆字节的图像数据。

基于嵌入式AI视觉系统的自主防冰

在寒冷地区，结冰会对电力、电信电缆或建筑物等基础设施造成损坏。建筑物屋顶上的冰坝会阻止融水正常排放，从而对基础设施造成严重破坏。放置在关键位置的加热电缆，可以在冰块造成损坏之前将其融化，然而全天候运行加热电缆是一种巨大的能源浪费，并且产生不必要的成本。

一家总部位于美国的加热电缆供应商，提供依赖于全自主嵌入式视觉系统的由相机监控的加热电缆。智能相机模块安装在76mm×178mm的坚固外壳中，可保护其免受天气条件的影响。它包括一个电池和微型太阳能电池板，因此不需要连接到电网。该设备已经针对低功耗进行了优化，因此即使在低光照条件下（例如相机和太阳能电池板被冰雪覆盖），满电的电池也足以运行数周。

该系统持续监测目标区域，并在检测到冰层超过特定阈值时自动触发加热电缆。一旦冰雪融化，就可以安全地关闭加热电缆。

这个应用是AI嵌入式视觉系统如何以低成本、小投入部署并实现完全自主运行的完美示例。它不仅能检测问题并触发警报以供人工干预，甚至可以通过自动启动纠正措施来更进一步。最重要的是，它通过降低能源消耗和节省大量因电力浪费而产生的二氧化碳排放，从而优化了运营成本。

大规模预测性维护需要稳健、低成本和低功耗的解决方案

关键基础设施在进行预测性维护时面临其自身的挑战：户外成像、位置偏远、电力和网络接入有限，以及检测对象规模庞大。这需要采用移动解决方案或无数小型、低成本的成像系统来实现无缝覆盖。

基于AI的嵌入式系统体积小、重量轻、价格实惠且功耗低。它们可以安装在检查车辆上，也可以大规模、远距离部署到自动监控系统中，甚至可以自动触发纠正措施。

文：Constantine Malynin，Maxlab公司联合创始人

注：文章版权归原作者所有，本文仅供交流学习之用，如涉及版权等问题，请您告知，我们将及时处理。