Урок 2: CV-инспекция ВЛ и подстанций с дронов — ComEd, ЮА-утилиты, российские кейсы

Чему вы научитесь

• Понимать, как устроен production workflow инспекции ВЛ и подстанций с дронов
• Различать pilot-CV для дефектов и реальный maintenance workflow через GIS и ремонтные бригады
• Видеть, что именно показали кейсы ComEd и Optelos и почему они важнее абстрактных demo на YOLO
• Понимать ограничения российских utility-проектов: КИИ, связь, edge-контур и слабая публичность метрик
• Собирать минимальную архитектуру drone inspection на open-source и on-prem стеке

В энергетике CV с дронов — один из самых понятных AI-сценариев. Он не заменяет линейных обходчиков, но резко увеличивает coverage, скорость первичной оценки и качество архива дефектов. Именно поэтому utility-компании начали внедрять не «AI вообще», а очень конкретный workflow: пролет → классификация дефекта → GIS → приоритизация ремонта.

Что именно ищет CV на ВЛ и подстанциях

ComEd вместе с Optelos построили один из самых полезных публичных кейсов: четыре классификатора для cross arms, insulators, cutouts и lightning arrestors, точность от 58% до 90%, целевой порог 85%+, а масштаб — 1,4 млн опор на сети для 4 млн клиентов (Optelos case study).

flowchart LR
    A[Дрон с RGB и иногда thermal camera] --> B[Загрузка фото и видео в on-prem или cloud контур]
    B --> C[CV-классификаторы и defect detection]
    C --> D[GIS и asset registry]
    D --> E[Приоритизация ремонта]
    E --> F[Бригада и field execution]
    F --> G[Подтверждение дефекта и обновление архива]
    G --> C

Что показывают публичные кейсы

Это и есть главный урок: production-value приходит не от того, что YOLO «распознал изолятор», а от того, что компания быстрее приоритизировала выезд и отработала дефект.

Сколько данных нужно на практике

Для utility-CV всегда хочется универсальной цифры вроде «10 000+ изображений для MVP и 50 000+ для production». Как ориентир это полезно, но для открытого учебного материала здесь честнее написать: нужна проверка. Объём зависит от трёх вещей.

• Сколько разных типов дефектов вы хотите покрыть.
• Насколько однотипны опоры, изоляторы и погодные условия.
• Есть ли у вас нормальная разметка и повторяемый маршрут съёмки.

Для большинства сетевых компаний правильнее мыслить не количеством кадров, а количеством хорошо размеченных подтверждённых инцидентов.

Как это выглядит в российском контуре

Российские сетевые компании публично говорят о цифровизации и инспекции, но почти не публикуют нормальные AI-метрики. Поэтому realistic path для РФ такой.

• Дроны и камеры — локальный контур сбора.
• Хранение и обработка — on-prem или в доверенном частном облаке.
• CV-модели — локальный inference на industrial GPU или в защищённом дата-центре.
• GIS, asset registry и выезды — обязательная интеграция с существующими системами эксплуатации.
• Любой канал «дрон → центр» надо проектировать с учётом защищённой связи и требований к криптографии, см. p.3/04.

Для КИИ эта тема особенно чувствительна: ВЛ, подстанции и диспетчерские контуры очень быстро попадают в regulated perimeter. Поэтому architectural shortcut «скидываем всё в иностранное облако и там анализируем» здесь практически всегда плохая идея — см. p.3/02 и p.3/05.

Какой open-source стек брать

Это почти тот же технический каркас, что и в p.5/08, только вместо HSE-события вы ведёте defect event на сетевом активе.

Как запускать проект правильно

1. Выберите 2–3 класса дефектов, а не весь каталог. Лучше уверенно ловить повреждённые изоляторы и cross arms, чем распылиться на десятки редких сценариев.

2. Сразу свяжите модель с GIS и asset registry. Без ID опоры, координаты и истории актива модель почти бесполезна.

3. Обучайте на подтверждённых инцидентах. Оператор или инспектор должен замыкать цикл и подтверждать, что модель действительно увидела дефект.

4. Продумайте защищённый канал связи. Особенно если речь идёт о КИИ-площадках, подстанциях и маршрутах БПЛА.

5. Считайте эффект в часах и coverage. Utility-CV обычно защищают не через mAP, а через сокращение времени выезда, рост inspection capacity и меньше аварийных событий.

Что читать дальше

• Нужен полный open-source CV pipeline — переходите в p.9/03.
• Нужен сетевой data layer — полезен p.9/05.
• Нужен соседний HSE-CV сценарий — сравните с p.5/08.
• Нужен санкционный и криптографический контур — смотрите p.3/04 и p.3/05.