Hoppa till huvudinnehållet
    Datorseende för drönarinspektion
    Energi & industriell infrastruktur

    Datorseende för drönarinspektion

    ML-pipeline som gör drönarfilm av energi- och industrianläggningar till geotaggade, inspektörsbekräftade defektfynd och utkast till inspektionsrapporter.

    Senast uppdaterad 2026-11-19

    Uppgifterna om kunden omfattas av sekretessavtal (NDA). Siffrorna är ungefärliga och avrundade.

    Kund
    Företag inom infrastrukturinspektion
    Bransch
    Energi & industriell infrastruktur

    Projektöversikt

    Ett företag inom infrastrukturinspektion flyger drönare över energi- och industrianläggningar och levererar tillståndsrapporter till anläggningsägarna. Företagets inspektörer gick för hand igenom timmar av film per plats för att hitta ett fåtal defekter. TekPiq byggde en pipeline för datorseende som tar in filmen och flygtelemetrin, detekterar och segmenterar troliga defekter, skickar dem till inspektörerna för bekräftelse och placerar bekräftade fynd på en karta och i anläggningsregistret.

    De största utmaningarna

    Stora mängder video och högupplösta stillbilder per plats, där mycket överlappar eller inte visar någon defekt alls

    Defekter som är små, sällsynta och visuellt lika ofarliga detaljer som fläckar, skuggor och reflexer

    Begränsat med märkt träningsdata i början, och inspektörer med lite tid att märka mer

    Fynd som bara är användbara om de kan kopplas till ett specifikt objekt och en specifik plats, inte bara ett bildrutenummer

    Ett krav på att inspektörerna, inte modellen, fattar det slutliga beslutet om varje rapporterad defekt

    Att avgöra vilka arbetslaster som hör hemma på GPU:er i molnet och vilka som kunde köras närmare drönaren

    Vårt angreppssätt

    Vi började med att låsa ett utvärderingsset: en avskild samling märkta bildrutor, granskade av kundens inspektörer, mot vilken varje modellversion poängsätts för precision och recall per defektklass. Inläsningen samlar video, stillbilder och flygtelemetri (GPS-position, höjd, kurs) i en enda batch per inspektion. Bildrutor väljs ut utifrån flyghastighet och höjd, och sedan tas nästan identiska bildrutor bort så att modellerna ser distinkta vyer av varje objekt. Detektorer ur YOLO-familjen och segmenteringsnätverk, tränade i PyTorch och exporterade till ONNX, flaggar och avgränsar kandidatdefekter. Detektionerna går till ett granskningsgränssnitt där inspektörerna bekräftar, avvisar eller korrigerar dem; de besluten matar en loop för aktiv inlärning som prioriterar de mest informativa bildrutorna inför nästa märkningsomgång. Bekräftade fynd geotaggas utifrån telemetrin, matchas mot objekt i anläggningsregistret och sammanställs till ett rapportutkast. Inferensen i produktion körs som batchjobb på GPU:er i molnet efter varje flygning; ONNX-exporten håller vägen öppen för driftsättning på edge i de fall där resultaten behövs på plats.

    Teknik vi använde

    Python & PyTorch
    Detektions- och segmenteringsnätverk ur YOLO-familjen
    Modellexport till ONNX
    Batchinferens på GPU:er i molnet
    Flygtelemetri och geospatial bearbetning (GPS, höjd)
    Arbetsflöde för märkning med aktiv inlärning
    Webbaserat granskningsgränssnitt

    Relaterade tjänster

    Nyckelfunktioner

    Batchinläsning av drönarvideo, stillbilder och flygtelemetri per inspektion

    Urval av bildrutor och borttagning av nästan identiska bilder före inferens

    Modeller för detektering och segmentering av defekter med konfidenströsklar per klass

    Granskningsgränssnitt där inspektörerna bekräftar, avvisar eller korrigerar varje detektion

    Loop för aktiv inlärning som gör granskarnas beslut till nya träningsetiketter

    Geotaggning av bekräftade fynd på en karta och i kundens anläggningsregister

    Utkast till inspektionsrapporter som genereras utifrån bekräftade fynd

    Utvärderingsset där precision och recall följs upp per defektklass för varje modellrelease

    Batchbearbetning på GPU:er i molnet, med ONNX-export som väg till inferens på edge

    Affärsresultat

    Inspektörerna granskar flaggade bildrutor i stället för att titta igenom hela filmen

    Varje rapporterad defekt bekräftas av en inspektör innan den hamnar i en kundrapport

    Fynden kommer geotaggade och kopplade till ett specifikt objekt, inte bara till en tidpunkt i en video

    Varje modellrelease jämförs med den föregående på samma utvärderingsset, per defektklass, före driftsättning

    Granskarnas beslut blir träningsdata, så att det märkta datasetet växer som en del av det vanliga inspektionsarbetet

    Rapportskrivningen utgår från strukturerade fynd i stället för från skärmdumpar och anteckningar

    Genomgripande effekt

    Pipelinen förändrar vart inspektörernas tid går: från att leta efter defekter i filmen till att bedöma de kandidater som modellerna lyfter fram. Eftersom varje modellrelease poängsätts mot ett fast utvärderingsset och varje rapporterat fynd bekräftas av en människa kan kunden förklara för anläggningsägarna hur en defekt hittades och vem som godkände den.

    Redo att förändra din verksamhet?

    Låt oss prata om hur vi kan ta fram en skräddarsydd lösning som ger mätbara resultat för din organisation.