[发明专利]预测和防止在结构资产处的不利状况的深度机器学习

说明书

提供了预测和防止在结构资产处的不利状况的深度机器学习。一种示例方法包括：获得描述多个图像的数据，所述多个图像描绘了包含第一结构资产的地理区域的至少一部分。所述多个图像至少包括在第一时间捕获到的第一图像和在与所述第一时间不同的第二时间捕获到的第二图像。所述方法包括：将至少描述所述第一图像、所述第一时间、所述第二图像和所述第二时间的数据输入到状况预测模型中。所述方法包括：接收关于在一个或者多个未来时间段期间在所述第一结构资产处的不利状况的发生的至少一个预测作为所述状况预测模型的输出。与用于预测和防止在结构资产处的不利状况的其它技术相比较，各个示例提供了显著的效率改进。

技术领域

本公开大体上涉及机器学习。更具体地，本公开涉及使用深度机器学习来预测和防止在结构资产处的不利状况的系统和方法。

背景技术

一个或者多个结构资产的所有者或者管理者通常期望或者需要监视在这种结构资产处的状况。具体地，所有者或者管理者可能期望或者需要防止在这种结构资产处的不利状况。

作为一个示例，电力公司可能期望或者需要防止植被在电力基础设施(诸如，电杆和/或电线)上生长或者以其他方式侵入电力基础设施。作为其它基于植被的示例，在法律上可能需要铁路在路轨与植被之间保持指定的缓冲区；城市政府可能需要保持人行道没有垂悬的树枝；并且交通机构可能需要确保交通车辆相对于树枝或者其它植被的顶部余隙。作为附加示例，建筑资产(例如，住宅、工厂、办公建筑等)或者基础设施(例如，桥梁、公路等)的所有者或者管理者可能需要防止结构故障、对资产的损坏、或者在建筑资产或者基础设施处的其它不利状况。

监视在大量结构资产处的状况会带来很多挑战，并且如果必须以较高的频率执行监视，则问题特别严重。例如，在电力基础设施的情况下，通常需要电力公司通过数百万英里的电力基础设施的专用勘测队(例如，“侦察”)来执行规则的视察(例如，年检)以识别发生了(或者可能在不久的将来会发生)侵入的场地。由于这种挑战，当今的性能较差。例如，有些源估计大多数非计划的分钟级停电是因为植被问题。因此，在结构资产(诸如，电力基础设施)处不利状况的发生会造成严重问题。

发明内容

与用于预测和防止在结构资产处的不利状况的其它技术相比较，本文中公开的各个示例提供了显著的效率改进。本公开的实施例的方面和优点将在以下说明中被部分地陈述，或者可以由本说明得知，或者可以经由实践实施例而得知。

本公开的一个示例方面涉及一种预测和防止在结构资产处的不利状况的计算机实现的方法。该方法包括：通过一个或者多个计算装置获得描述多个图像的数据，该多个图像描绘了包含第一结构资产的地理区域的至少一部分。多个图像分别描绘了多个不同时间的地理区域。多个图像至少包括在第一时间捕获到的第一图像和在与第一时间不同的第二时间捕获到的第二图像。该方法包括：通过一个或者多个计算装置将至少描述第一图像、第一时间、第二图像和第二时间的数据输入到状况预测模型中。状况预测模型包括至少一个机器学习神经网络。机器学习状况预测模型配置为处理输入的数据以提供关于在一个或者多个未来时间段期间在第一结构资产处不利状况的发生的至少一个预测。该方法包括：通过一个或者多个计算装置接收关于在一个或者多个未来时间段期间在第一结构资产处不利状况的发生的至少一个预测作为状况预测模型的输出。