天池大数据平台联合电网举办挑战赛 以AI保障电力作业安全

本文涉及的产品
云原生大数据计算服务 MaxCompute,5000CU*H 100GB 3个月
云原生大数据计算服务MaxCompute,500CU*H 100GB 3个月
简介: 由电网有限责任公司主办,电力信息科技有限公司、天池大数据平台承办的“电网智慧现场作业挑战赛”正式落下帷幕。据悉,此次大赛共吸引到来自全国知名高校及企业的近3000支参赛队伍,分别在识别佩戴绝缘手套,识别规范穿戴工作服,识别高空作业及安全带佩戴三个赛道同台竞技。大赛旨在围绕电网实际业务的技术难题,推动将人工智能技术应用于电力现场作业,提升安全生产水平。

AI加持 减少电力作业安全隐患共建供电智慧大脑
0.png

近年来,随着人工智能等高新科技在各行业的广泛应用,以电力生产为代表的能源产业面对实际业务中的技术难题,也希望通过对新一代数字化技术的引入,实现数字电网的高质量发展。为此,电网有限责任公司联手天池大数据平台,在今年5月份举办了“电网智慧现场作业挑战赛”,目的是在建立开放共享的能源技术生态圈基础上,导入行业内外优势要素,为数字电网建设输出安全、高效的技术支持解决方案。

本次挑战赛不限地区,年龄,社会背景等要求,面向公众开发者们开放,招募社会各界技术人才和团队,一同汇聚众智,通过人工智能中的计算机视觉技术,解决三个电网作业的高频场景问题,从而提高在电力生产作业过程中工作人员的安全防护功能,提升现场安全作业水平。

一直以来,电网工作人员在日常巡检和维修过程中会接触高压电力设备,如操作不当或未正确佩戴防护装备,容易出现安全事故,对作业人员的人身安全和电力生产的安全运行均造成威胁。而运用计算机视觉中的的目标识别、检测、跟踪等技术,能够有效地防范这些隐患的发生。为此,大赛要求参赛选手们分别针对运检人员在工作现场中绝缘手套的佩戴情况、工作服的规范穿戴情况、安全带佩戴情况,基于大赛所提供的现场图像数据集,采用计算机视觉技术进行目标检测和识别,以技术保护一线作业人员,为中国的电力安全事业贡献力量,共同建设未来的供电智慧大脑。

11.png

汇聚众智 整合产学研力量推动电网行业数字化升级

据了解,本次电网智慧现场作业挑战赛共有参赛团队近3000支,吸引了国内众多知名高校的选手前来参赛,其中包括:清华大学,武汉大学,浙江大学、中南大学、华中科技大学等;

经过接近两个月的角逐比拼,共有15支团队入围复赛。其中,有来自各高校的在读学生,有来自相关行业内的企业团队,还有由产学研三方联合参赛的队伍。

这些入围的队伍,在决赛阶段,由电网有限责任公司、电力信息科技有限公司的技术专家,复旦大学、中山大学教授导师,天池大数据平台算法专家和全球技术服务部电力行业高级项目管理专家,共7位评委嘉宾进行决赛答辩评分,并为每一个赛道的获奖队伍颁发万元大奖及证书。

22.png

本届“电网智慧现场作业挑战赛”是天池大赛平台结合电网作业人员工作实际场景,所设计的兼具实战性与应用性的AI技术挑战赛。作为中国最大的AI开发者社区,天池大数据众智平台已成功运作400余场高规格数据类竞赛。仅2020年全年天池平台累计发布赛事88场,全球有13.5万支团队参与其中、奖金总额累计2121万元人民币。

在大赛成功落下帷幕后,电网公司将落实好国家及南方电网公司的战略,加快推进数字化转型与数字电网建设。同时,电网公司也将进一步汇聚众智,充分利用开放共享的产品为电网安全生产、电力现场作业服务。

未来,随着电网工作现场安保工作的不断升级,AI技术能力的进一步普及将显著提高工作人员的安全防护。而与此相似的技术升级解决方案,也将加速电力领域数字化转型持续高质量发展,为中国数字化作业水平提升保驾护航。

转载:http://science.china.com.cn/2021-09/16/content_41676241.htm

相关实践学习
基于MaxCompute的热门话题分析
本实验围绕社交用户发布的文章做了详尽的分析,通过分析能得到用户群体年龄分布,性别分布,地理位置分布,以及热门话题的热度。
SaaS 模式云数据仓库必修课
本课程由阿里云开发者社区和阿里云大数据团队共同出品,是SaaS模式云原生数据仓库领导者MaxCompute核心课程。本课程由阿里云资深产品和技术专家们从概念到方法,从场景到实践,体系化的将阿里巴巴飞天大数据平台10多年的经过验证的方法与实践深入浅出的讲给开发者们。帮助大数据开发者快速了解并掌握SaaS模式的云原生的数据仓库,助力开发者学习了解先进的技术栈,并能在实际业务中敏捷的进行大数据分析,赋能企业业务。 通过本课程可以了解SaaS模式云原生数据仓库领导者MaxCompute核心功能及典型适用场景,可应用MaxCompute实现数仓搭建,快速进行大数据分析。适合大数据工程师、大数据分析师 大量数据需要处理、存储和管理,需要搭建数据仓库?学它! 没有足够人员和经验来运维大数据平台,不想自建IDC买机器,需要免运维的大数据平台?会SQL就等于会大数据?学它! 想知道大数据用得对不对,想用更少的钱得到持续演进的数仓能力?获得极致弹性的计算资源和更好的性能,以及持续保护数据安全的生产环境?学它! 想要获得灵活的分析能力,快速洞察数据规律特征?想要兼得数据湖的灵活性与数据仓库的成长性?学它! 出品人:阿里云大数据产品及研发团队专家 产品 MaxCompute 官网 https://www.aliyun.com/product/odps 
目录
相关文章
|
1月前
|
消息中间件 分布式计算 大数据
大数据-123 - Flink 并行度 相关概念 全局、作业、算子、Slot并行度 Flink并行度设置与测试
大数据-123 - Flink 并行度 相关概念 全局、作业、算子、Slot并行度 Flink并行度设置与测试
105 0
|
4月前
|
存储 人工智能 大数据
TDengine 用户大会精彩回顾:AI+数据驱动汽车、能源、烟草、电力应用的未来
TDengine用户大会在京成功举办,聚焦“时序数据助你决胜AI时代”。涛思数据创始人陶建辉携手中科院院士王怀民等业界领袖,探讨时序数据最新进展及AI技术应用。会上发布了《时序大数据平台-TDengine核心原理与实战》一书,为企业与开发者提供宝贵指南。自2019年开源以来,TDengine已拥有57万用户实例,Star数达23.1k。王怀民赞赏TDengine全面创新,立足全球市场。大会还涉及数据库智能化运维、能源行业数字化转型等议题,并设有三大专场,深入讨论海量数据应用、智能制造新能源及新型电力系统,展示了TDengine在各领域的应用潜力与技术革新。
104 0
TDengine 用户大会精彩回顾:AI+数据驱动汽车、能源、烟草、电力应用的未来
|
17天前
|
存储 安全 大数据
大数据隐私保护:用户数据的安全之道
【10月更文挑战第31天】在大数据时代,数据的价值日益凸显,但用户隐私保护问题也愈发严峻。本文探讨了大数据隐私保护的重要性、面临的挑战及有效解决方案,旨在为企业和社会提供用户数据安全的指导。通过加强透明度、采用加密技术、实施数据最小化原则、加强访问控制、采用隐私保护技术和提升用户意识,共同推动大数据隐私保护的发展。
|
1月前
|
机器学习/深度学习 人工智能 TensorFlow
解锁AI潜力:让开源模型在私有环境绽放——手把手教你搭建专属智能服务,保障数据安全与性能优化的秘密攻略
【10月更文挑战第8天】本文介绍了如何将开源的机器学习模型(如TensorFlow下的MobileNet)进行私有化部署,包括环境准备、模型获取与转换、启动TensorFlow Serving服务及验证部署效果等步骤,适用于希望保护用户数据并优化服务性能的企业。
50 4
|
10天前
|
存储 安全 大数据
|
1月前
|
消息中间件 分布式计算 大数据
大数据-128 - Flink 并行度设置 细节详解 全局、作业、算子、Slot
大数据-128 - Flink 并行度设置 细节详解 全局、作业、算子、Slot
91 0
|
3月前
|
存储 监控 安全
大数据架构设计原则:构建高效、可扩展与安全的数据生态系统
【8月更文挑战第23天】大数据架构设计是一个复杂而系统的工程,需要综合考虑业务需求、技术选型、安全合规等多个方面。遵循上述设计原则,可以帮助企业构建出既高效又安全的大数据生态系统,为业务创新和决策支持提供强有力的支撑。随着技术的不断发展和业务需求的不断变化,持续优化和调整大数据架构也将成为一项持续的工作。
|
3月前
|
安全 关系型数据库 MySQL
揭秘MySQL海量数据迁移终极秘籍:从逻辑备份到物理复制,解锁大数据迁移的高效与安全之道
【8月更文挑战第2天】MySQL数据量很大的数据库迁移最优方案
648 17
|
3月前
|
存储 人工智能 安全
保障隐私的Elasticsearch AI搜索解决方案
【8月更文第28天】随着大数据和人工智能技术的发展,搜索引擎在日常生活中扮演着越来越重要的角色。然而,用户隐私保护成为了一个不容忽视的问题。本文将探讨如何在确保用户数据隐私的同时,利用Elasticsearch实现智能搜索功能。我们将介绍一种综合方案,该方案结合了加密技术、差分隐私、匿名化处理以及安全多方计算等方法,以保障用户数据的安全性
163 0
|
3月前
|
机器学习/深度学习 人工智能 TensorFlow
AI Native应用中利用联邦学习保障隐私的模型微调实践
【8月更文第2天】随着人工智能技术的发展,越来越多的应用程序开始采用AI原生(AI Native)设计思路,即从一开始就将AI作为核心功能来构建软件和服务。然而,在AI Native应用中,数据隐私和安全性是不容忽视的重要问题。联邦学习(Federated Learning, FL)作为一种新兴的技术框架,为解决这一难题提供了有力的支持。它允许在多个客户端上训练机器学习模型,而无需直接传输原始数据到中心服务器,从而保护了用户的隐私。
134 1