众所周知，深度学习结构是人工智能的根底技能“底座”，在各大传统工业上也有着巨大的潜力尚待挖掘。5月20日，由深度学习技能及运用国家工程实验室与百度联合主办的“WAVE SUMMIT”2020深度学习开发者峰会举行，百度深度学习渠道飞桨携手国家电网和山东信通，打造的电网智能巡检计划作为典型事例露脸，向观众展示了深度学习如何在工业领域完结落地。

峰会现场，百度深度学习技能渠道部高档总监马艳军详解该落地事例。百度视觉团队根据百度飞桨打造的该计划对输电线路外破危险的辨认剖析准确率已超越90% ，一起完结秒级报警，可充沛保证电力安全。此外，在开发进程中起到要害作用的模型紧缩库PaddleSlim和端侧推理引擎Paddle Lite也在当天迎来全新晋级发布，进一步提高功用和易用性。

输电线路人工巡检耗时吃力 传统可视化监拍计划真空期长

提到“电老迈”，人们的第一印象是巨大的铁塔、挺拔的电线杆和一眼望不到头的电线，这些设备不分昼夜地将电力输送到我国的每一个城市和乡村。跟着城市化建设推动和日子用电需求不断增长，有猜测称2020年我国发电量将跳增51%至2073吉瓦，输电线路总长也将超159万千米，这为我国电网的安全运维带来很高的要求，其中一项重要的作业就是输电线路巡检作业。

以往，电力巡检通常依赖人工，这一方式作业量大、劳动强度高，一起作业效率较低，巡视质量不一，且常受恶劣天气等外界因素影响，常常是事端产生了一段时刻之后，才干发现并补救。后来有关企业尝试布置可视化监拍设备，再结合人工巡检，跟着计划的规划化推广，有效的削减人员作业量和停电跳闸次数，但大多数设备摄影距离均在半个小时以上，采集真空期仍然较长，对于短时危险的预警及突发状况的追溯不足。

换言之，时效落后、预警缺位等要害痛点，未得到根本处理，火灾或工业机械形成高压电网损坏等问题，仍然会不可逆地为日子出产用电带来影响损失，能够说防不胜防。

假如能让智能剖析设备真实“智能”起来，自动辨认电网设备周围的安全危险并自动上报，这些问题就能够迎刃而解，但如何完结这一需求？山东信通电子股份有限公司是一家致力于供给电力、通讯职业物联网处理计划的高新技能企业，在尝试了传统前端剖析、硬件加快类前端智能剖析、后端智能剖析等计划后，发现各类计划均存在一定的技能瓶颈，所以他们将目光放在了前端深度学习技能上。

百度飞桨的长处：高功用、轻量化、多硬件、高拓展

经过多个深度学习结构比对，山东信通终究选择了百度飞桨，两边团队经沟通研讨之后，一起以为现有智能剖析设备的问题在于准确率不足、剖析耗时长。所以两边在百度视觉技能的根底上，引入飞桨的模型紧缩库PaddleSlim和端侧推理引擎Paddle Lite，终究打造出了这套电网智能巡检计划，并在国家电网山东电力公司的输电线范围内率先运用。

山东信通的研究人员以为，这套计划的中心在于算法模型，而百度飞桨具有高功用、轻量化、多硬件、高拓展的长处，Paddle Lite可针对输电危险模型进行定制优化提高，在低算力低功耗下仍能有较高推理功用。此外，该计划采用了云边协同，能够跟着云端样本更新和模型训练的迭代晋级，来进一步优化和适配辨认算法的适用场景，不断提高辨认精度，下降漏报及误报。

百度飞桨的全体计划带来的辨认精度提高非常大，以吊车、塔吊等大型施工机械的辨以为例，能够到达96%的辨认准确率，而传统前端智能剖析仅有80%。别的，运用该计划功耗仅有0.4W。

技能计划详解

电网智能巡检计划运用的是方针检测算法。实践运用中，由无源无线的移动设备进行处理剖析。这样的设备存在算力小、功耗低的问题。为了处理这些问题，计划中运用了经典的one-stage方针检测模型YOLOv3。该模型源自飞桨方针检测套件PaddleDetection。最初运用的是根底的YOLOv3，在芯片上模型占用内存360M，运行速度是3500ms，而移动设备上是8916芯片，只有200M不到的空余内存可用。

研发人员经过技能评论后确认运用飞桨的模型紧缩东西PaddleSlim和轻量化推理引擎Paddle Lite能够很好地处理模型难以在小内存设备中运行的问题并保证良好的运用辨认作用。PaddleSlim对模型进行裁剪、蒸馏和量化，从而到达下降模型巨细，削减运算耗时的意图。Paddle Lite能够协助模型轻松完结端侧设备布置。

PaddleSlim经过剖析各卷积层的敏感度得到各卷积核的适宜裁剪率，经过裁剪卷积层通道数来削减卷积层中卷积核的数量，起到了减小模型体积，下降模型核算杂乱度的作用。经过裁剪，使模型的占用内存由360M下降至130M。

为了让小模型的准确率不下降，PaddleSlim持续对裁剪后的模型进行蒸馏优化。由大模型（ResNet34的骨干网络）作为Teacher模型， Student模型的骨干网络是MobileNetV3，在不增加核算量的状况下，提高了裁剪后的小模型的准确率。

终究运用PaddleSlim的量化东西，将神经网络中32位的全精度数据处理成8位或16位的定点数，一起结合硬件指定的乘法规矩，就能够完结低内存占用、低功耗、低核算资源占用以及低模型存储需求等。*终究将模型的占用内存下降至122M，处理时刻也由3500ms下降至2000ms。

在模型布置上，选用了Paddle Lite作为移动端设备的布置渠道。Paddle Lite的高易用性、广泛的硬件支持和领先的功用，能够轻松的完结移动端模型的布置，从而终究完结整个预警系统的上线布置。

Paddle Lite供给了模型调用相关的简单接口，能够让运用布置变得简单，该进程主要分为如下几个步骤：

1. 模型配置

lite_api::MobileConfigconfig;
config.set_model_from_file(model_dir+".nb");
config.set_power_mode(power_mode);
config.set_threads(thread_num);

2. 创立Predictor

autopredictor=lite_api::CreatePaddlePredictor(config);;

3. 设置输入数据

autoinput_tensor=predictor->GetInput(0)
std::vector<int64_t>input_shape={100,100};
input_tensor->Resize(input_shape);;
autoinput_data=input_tensor->mutable_data<float>();
for(inti=0;inpute_tensor->numel();i++){
input_data[i]=1;
}

4. 发动推理

predictor-Run();

5. 获取输出成果

autooutput_tensor=predictor->GetOutput(0);
autoout_data=output_tensor->data<float>();
for(inti=0;i<output_tensor->numel();++i){
System.out.println(out_data[i]);
}

小总结

深度学习完结无人巡检即时报警，实战检验保证出产日子用电

比较旧版的智能剖析设备，新计划下可视化监拍设备摄影距离从半小时缩短到5分钟，且完结图画端侧的边缘智能剖析，五秒内就能够辨认出吊车、导线异物、焰火、塔吊、各类施工机械等安全危险，剖析准确率超越90%，一起模型巨细缩小60%，综合功耗也下降了30%，最要害的是，从发现到报警的速度从几小时缩短至20秒，电力作业人员得以及时反应，防止形成出产日子的损失。

这一计划很快迎来了一次“实战检验”。本年3月8日，山东淄博某市郊产生火情，正坐落国家电网高压线路下方，可视化监拍设备第一时刻拍照画面并判别为安全危险，并同步向国网淄博供电公司输电工区运检室的值班人员宣布告警信息，值班人员马上请求线路紧急避险，一起协调运检人员立刻赶往现场处理，一个多小时后，火情被及时扑灭，防止了一场灾难的产生，居民和工厂的用电也未受到影响。

业界干流厂商供给的处理计划下，对单张拍照画面的剖析最快是3秒，而百度飞桨供给的计划是1秒，特别对施工机械辨认非常优秀。目前，输电线路危险可视化智能管控渠道已接入6.5万余台设备，覆盖山东省内17地市5800余条输电线路，每天可处理实时图片200万余张，并宣布10万余张的预/告警图片。

PaddleSlim和Paddle Lite迎来全新晋级发布，飞桨下降深度学习落地门槛

飞桨在电力巡检方向上的运用，是深度学习落地工业的一个缩影，从中也能够看到人工智能落地工业所面临的难题：技能门槛拦路、模型选型杂乱、算力需求过高、作用未达预期、软硬件适配难度大等，只有处理了这些问题，才干完结真实的工业智能化。

值得注意的是，在该事例中大放异彩的两大东西：模型紧缩东西PaddleSlim和轻量化推理引擎Paddle Lite在峰会上也迎来了全新的晋级发布。据了解，PaddleSlim晋级至1.0，功用更加齐备，也更靠近实践工业的硬件环境，为企业供给模型的小型化计划，特别在图画分类、方针检测、语义分割、NLP语义了解等方面得到广泛验证；Paddle Lite则晋级发布2.6版别，进一步提高易用性，并全面支持干流通用CPU和GPU，干流模型功用领先业界。

而这是仅是飞桨在峰会现场展示出来的一部分亮点，当天，飞桨开源深度学习渠道发布了7项全新发布和23项重大晋级，并展示了最新成绩单：累计开发者数量超越190万；服务企业数量到达8万4千家；发布模型数量超越23万个，是国内最领先、服务开发者规划最大、功用最齐备的开源敞开深度学习渠道。

但飞桨最大的成果在于，以领先的深度学习技能为更多企业的智能化转型供给了趁手的东西和助推力，正如百度CTO王海峰在峰会上所表明，时代契机为飞桨的开展供给了最好的机遇，工业智能化浪潮兴起、AI根底设施建设加快推动，飞桨以更敏捷的脚步，秉承开源敞开理念，坚持技能创新，与开发者一起成长和前进，一起开展深度学习和人工智能技能及工业生态，加快工业智能化进程。

如在运用进程中有问题，可加入飞桨官方QQ群：1108045677或飞桨推理布置QQ群:696965088