商店网站在线设计,企业所得税退税怎么做账务处理,长沙h5手机网站制作,湖南seo原文链接#xff1a;https://mp.weixin.qq.com/s/Jh2YLY-4um79ucdHIs5NTg
众所周知#xff0c;深度学习框架是人工智能的基础技术“底座”#xff0c;在各大传统产业上也有着巨大的潜力尚待挖掘。5月20日#xff0c;由深度学习技术及应用国家工程实验室与百度联合主办的“…原文链接https://mp.weixin.qq.com/s/Jh2YLY-4um79ucdHIs5NTg
众所周知深度学习框架是人工智能的基础技术“底座”在各大传统产业上也有着巨大的潜力尚待挖掘。5月20日由深度学习技术及应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召开百度深度学习平台飞桨携手国家电网和山东信通打造的电网智能巡检方案作为典型案例亮相向观众展示了深度学习如何在工业领域实现落地。
峰会现场百度深度学习技术平台部高级总监马艳军详解该落地案例。百度视觉团队基于百度飞桨打造的该方案对输电线路外破隐患的识别分析准确率已超过90%同时实现秒级报警可充分保障电力安全。此外在开发过程中起到关键作用的模型压缩库PaddleSlim和端侧推理引擎Paddle Lite也在当天迎来全新升级发布进一步提升性能和易用性。 提到“电老大”人们的第一印象是巨大的铁塔、高耸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中国的每一个城市和乡村。随着城市化建设推进和生活用电需求不断增长有预测称2020年中国发电量将跳增51%至2073吉瓦输电线路总长也将超159万千米这为中国电网的安全运维带来很高的要求其中一项重要的工作就是输电线路巡检工作。
以往电力巡检通常依赖人工这一方式工作量大、劳动强度高同时工作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故发生了一段时间之后才能发现并补救。后来有关企业尝试部署可视化监拍装置再结合人工巡检随着方案的规模化推广有效的减少人员工作量和停电跳闸次数但大多数设备拍照间隔均在半个小时以上采集真空期依然较长对于短时隐患的预警及突发情况的追溯不足。
换言之时效落后、预警缺位等关键痛点未得到根本解决火灾或工业机械造成高压电网损坏等问题依然会不可逆地为生活生产用电带来影响损失可以说防不胜防。
如果能让智能分析设备真正“智能”起来自动识别电网设备周围的安全隐患并主动上报这些问题就可以迎刃而解但如何实现这一需求山东信通电子股份有限公司是一家致力于提供电力、通信行业物联网解决方案的高新技术企业在尝试了传统前端分析、硬件加速类前端智能分析、后端智能分析等方案后发现各类方案均存在一定的技术瓶颈于是他们将目光放在了前端深度学习技术上。 经过多个深度学习框架比对山东信通最终选择了百度飞桨双方团队经交流研讨之后一致认为现有智能分析设备的问题在于准确率不足、分析耗时长。于是双方在百度视觉技术的基础上引入飞桨的模型压缩库PaddleSlim和端侧推理引擎Paddle Lite最终打造出了这套电网智能巡检方案并在国家电网山东电力公司的输电线范围内率先应用。
山东信通的研究人员认为这套方案的核心在于算法模型而百度飞桨具备高性能、轻量化、多硬件、高拓展的优点Paddle Lite可针对输电隐患模型进行定制优化提升在低算力低功耗下仍能有较高推理性能。此外该方案采用了云边协同可以随着云端样本更新和模型训练的迭代升级来进一步优化和适配识别算法的适用场景不断提升识别精度降低漏报及误报。
百度飞桨的整体方案带来的识别精度提升非常大以吊车、塔吊等大型施工机械的识别为例可以达到96%的识别准确率而传统前端智能分析仅有80%。另外应用该方案功耗仅有0.4W。 电网智能巡检方案使用的是目标检测算法。实际应用中由无源无线的移动设备进行处理分析。这样的设备存在算力小、功耗低的问题。为了解决这些问题方案中使用了经典的one-stage目标检测模型YOLOv3。该模型源自飞桨目标检测套件PaddleDetection。最初使用的是基础的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。
研发人员经过技术讨论后确定使用飞桨的模型压缩工具PaddleSlim和轻量化推理引擎Paddle Lite可以很好地解决模型难以在小内存设备中运行的问题并保障良好的应用识别效果。PaddleSlim对模型进行裁剪、蒸馏和量化从而达到降低模型大小减少运算耗时的目的。Paddle Lite可以帮助模型轻松完成端侧设备部署。
PaddleSlim通过分析各卷积层的敏感度得到各卷积核的适宜裁剪率通过裁剪卷积层通道数来减少卷积层中卷积核的数量起到了减小模型体积降低模型计算复杂度的作用。通过裁剪使模型的占用内存由360M降低至130M。
为了让小模型的准确率不下降PaddleSlim继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在不增加计算量的情况下提升了裁剪后的小模型的准确率。
最后使用PaddleSlim的量化工具将神经网络中32位的全精度数据处理成8位或16位的定点数同时结合硬件指定的乘法规则就可以实现低内存占用、低功耗、低计算资源占用以及低模型存储需求等。最终将模型的占用内存降低至122M处理时间也由3500ms降低至2000ms。 在模型部署上选用了Paddle Lite作为移动端设备的部署平台。Paddle Lite的高易用性、广泛的硬件支持和领先的性能可以轻松的实现移动端模型的部署从而最终完成整个预警系统的上线部署。
Paddle Lite提供了模型调用相关的简单接口可以让应用部署变得简单该过程主要分为如下几个步骤
1 模型配置
lite_api::MobileConfig config;config.set_model_from_file(model_dir .nb);config.set_power_mode(power_mode);config.set_threads(thread_num); 2 创建Predictor
auto predictor lite_api::CreatePaddlePredictor(config);;3 设置输入数据
auto input_tensor predictor-GetInput(0)
std::vectorint64_t input_shape {100, 100};
input_tensor-Resize(input_shape);;
auto input_data input_tensor-mutable_datafloat();
for (int i 0; inpute_tensor-numel(); i) {
input_data[i] 1;}4 启动推理
predictor-Run();5 获取输出结果
auto output_tensor predictor-GetOutput(0);
auto out_data output_tensor-datafloat();for (int i 0; i output_tensor-numel(); i) {System.out.println(out_data[i]);
}深度学习实现无人巡检即时报警实战检验保障生产生活用电
相比旧版的智能分析设备新方案下可视化监拍装置拍照间隔从半小时缩短到5分钟且实现图像端侧的边缘智能分析五秒内就可以识别出吊车、导线异物、烟火、塔吊、各类施工机械等安全隐患分析准确率超过90%同时模型大小缩小60%综合功耗也降低了30%最关键的是从发现到报警的速度从几小时缩短至20秒电力工作人员得以及时反应避免造成生产生活的损失。
这一方案很快迎来了一次“实战检验”。今年3月8日山东淄博某郊区发生火情正位于国家电网高压线路下方可视化监拍装置第一时间拍摄画面并判断为安全隐患并同步向国网淄博供电公司输电工区运检室的值班人员发出告警信息值班人员立刻申请线路紧急避险同时协调运检人员即刻赶往现场处理一个多小时后火情被及时扑灭避免了一场灾难的发生居民和工厂的用电也未受到影响。 业内主流厂商提供的解决方案下对单张拍摄画面的分析最快是3秒而百度飞桨提供的方案是1秒尤其对施工机械识别非常优秀。目前输电线路隐患可视化智能管控平台已接入6.5万余台装置覆盖山东省内17地市5800余条输电线路每天可处理实时图片200万余张并发出10万余张的预/告警图片。
PaddleSlim和Paddle Lite迎来全新升级发布飞桨降低深度学习落地门槛
飞桨在电力巡检方向上的应用是深度学习落地工业的一个缩影从中也可以看到人工智能落地产业所面临的难题技术门槛拦路、模型选型复杂、算力需求过高、效果未达预期、软硬件适配难度大等只有解决了这些问题才能实现真正的产业智能化。
值得注意的是在该案例中大放异彩的两大工具模型压缩工具PaddleSlim和轻量化推理引擎Paddle Lite在峰会上也迎来了全新的升级发布。据了解PaddleSlim升级至1.0功能更加完备也更贴近实际工业的硬件环境为企业提供模型的小型化方案尤其在图像分类、目标检测、语义分割、NLP语义理解等方面得到广泛验证Paddle Lite则升级发布2.6版本进一步提升易用性并全面支持主流通用CPU和GPU主流模型性能领先业内。 而这是仅是飞桨在峰会现场展现出来的一部分亮点当天飞桨开源深度学习平台公布了7项全新发布和23项重大升级并展现了最新成绩单累计开发者数量超过190万服务企业数量达到8万4千家发布模型数量超过23万个是国内最领先、服务开发者规模最大、功能最完备的开源开放深度学习平台。
但飞桨最大的成就在于以领先的深度学习技术为更多企业的智能化转型提供了趁手的工具和助推力正如百度CTO王海峰在峰会上所表示时代契机为飞桨的发展提供了最好的机遇产业智能化浪潮兴起、AI基础设施建设加快推进飞桨以更敏捷的脚步秉承开源开放理念坚持技术创新与开发者共同成长和进步一起发展深度学习和人工智能技术及产业生态加速产业智能化进程。
