ИИ сократил затраты на мониторинг трубопровода на 80%

Строительство и эксплуатация протяженных линейных объектов, таких как магистральные трубопроводы, всегда сопряжены с серьезными вызовами в области мониторинга и контроля. Особенно остро эта проблема стоит в России с ее обширными территориями и сложными климатическими условиями.

Одна из крупных строительных компаний столкнулась с типичной для отрасли проблемой при возведении магистрального трубопровода протяженностью около двухсот километров. Информация о ходе строительства и состоянии объекта поступала руководству в виде разрозненных отчетов и редких выездных актов. Критические недочеты в графике выявлялись с задержкой в две-три недели, когда стоимость их исправления возрастала в разы, а сроки проекта оказывались под угрозой срыва.

Традиционный подход к мониторингу требовал колоссальных ресурсов: сезонный наземный объезд задействовал восемнадцать полевых бригад и свыше двенадцати тысяч человеко-часов. При этом данные, получаемые с помощью дронов, хранились бессистемно «папками на диске», а для привязки видеокадра к конкретной координате и дате приходилось привлекать специалистов по геоинформационным системам, что существенно замедляло процесс принятия решений.

Решение

Для решения поставленных задач была разработана интеллектуальная платформа, способная автоматически анализировать видеопотоки, распознавать объекты и формировать целостную картину состояния трубопровода.

Ключевые функции решения включают несколько компонентов:

• Автоматизированный сбор и обработка данных

Система принимает видеопотоки с беспилотных летательных аппаратов, автоматически добавляет пространственные координаты к каждому кадру и помещает их в структурированный облачный архив. Это исключает проблему «папок на диске» и обеспечивает мгновенный доступ к любому участку трассы.

• Интеллектуальный анализ видеоданных

Алгоритмы машинного зрения в реальном времени распознают технику, объекты инфраструктуры и текущую стадию работ на каждом участке трубопровода. Система способна идентифицировать экскаваторы, бульдозеры, траншеи, засыпку, опоры ЛЭП и другие значимые объекты, а также автоматически выявлять дефекты изоляции стыков.

• Хронологическая «лента времени»

Все распознанные события и объекты автоматически складываются в хронологическую «ленту времени» по каждому километру трассы. Это позволяет не только видеть текущее состояние, но и отслеживать динамику строительства, сравнивать план и факт, анализировать темпы работ.

• Веб-интерфейс для инженеров и руководства

Инженер или руководитель проекта может открыть систему в обычном браузере и увидеть интерактивную карту трубопровода с доступом к данным всех предыдущих съемочных рейсов. Пользователь может выбрать любую дату, сравнить план и факт, сформировать отчет для руководства или заказчика буквально за минуту, без необходимости привлечения специалистов по геоинформационным системам.

Этапы реализации

Внедрение системы проходило поэтапно, что позволило минимизировать риски и постепенно масштабировать решение:

• Пилотный проект (1-2 месяцы). Первые два месяца были посвящены пилотному проекту на ограниченном участке трассы. Команда отсняла участок полигона и обучила базовую модель машинного зрения распознавать пять ключевых классов объектов: экскаватор, бульдозер, траншея, засыпка и опора ЛЭП. Это позволило проверить концепцию и настроить основные алгоритмы.
• Масштабирование и оптимизация (3-6 месяцы). С третьего по шестой месяц проекта команда подключила двенадцать дронов к облачному хранилищу и настроила пакетную обработку видео. Это техническое решение позволило снизить затраты процессорного времени почти на треть, что существенно ускорило обработку данных и сделало систему более экономичной.
• Полное развертывание и обучение (7-12 месяцы). К концу первого года система охватывала всю трассу в двести километров, а алгоритмы машинного зрения были дополнительно обучены автоматически находить дефекты изоляции стыков трубопровода. Параллельно несколько инженеров заказчика прошли обучение работе с новой платформой, а служба сопровождения перешла на DevOps-процессы для обеспечения непрерывной интеграции и доставки обновлений.