ICE SLEEVES DETECTOR
Il sistema sviluppato elabora immagini di linee elettriche aeree con tecniche di intelligenza artificiale e computer vision per rilevare e analizzare la formazione di manicotti di neve sui conduttori. Al centro del sistema c’è un modello di segmentazione semantica con architettura U-Net, in grado di distinguere automaticamente le porzioni di conduttore libere e quelle coperte di neve, operando efficacemente anche in condizioni di luce variabili. Validato con successo su immagini acquisite da webcam in ambiente reale, il sistema consente un monitoraggio continuo e oggettivo del fenomeno, utile anche per valutare l’efficacia dei trattamenti antineve.
ll prodotto sviluppato si basa sull’utilizzo di tecniche di intelligenza artificiale (IA) e computer vision (CV) per il monitoraggio e la caratterizzazione dei manicotti di neve che si formano sui cavi delle linee elettriche aeree. Al centro dell’approccio vi è un modello di segmentazione semantica, basato sull’architettura U-Net, che analizza le immagini acquisite da webcam e riconosce automaticamente le aree occupate dai manicotti e quelle in cui i cavi risultano liberi. Il dataset di addestramento è stato ampliato con immagini raccolte da diverse postazioni sperimentali, sia in fase di test sia in condizioni operative reali. Il modello è stato addestrato su 248 immagini ad alta risoluzione (2048 × 3072 × 3 pixel), ottenendo prestazioni elevate: IoU del 98,6% e Dice loss dell’1%. Il sistema è in grado di funzionare sia in condizioni diurne che notturne, adattandosi alla variabilità delle condizioni di luce. È stato inoltre sviluppato un algoritmo in grado di tracciare l’accrescimento e il distacco dei manicotti nel tempo, calcolando il rapporto tra il numero di pixel identificati come neve e l’area media occupata da ciascun cavo in condizioni normali (cioè senza manicotti). Questo approccio permette di monitorare in modo continuo e oggettivo l’evoluzione del fenomeno, fornendo un utile supporto alla valutazione dell’efficacia di trattamenti antineve applicati ai conduttori. Il prototipo è stato testato con successo durante la stagione invernale 2024 presso la stazione sperimentale WILD di Vinadio, dimostrando la capacità di rilevare e descrivere con precisione la formazione, la crescita e il distacco dei manicotti di neve.
Le potenzialità applicative del modello di deep learning includono:
- Monitoraggio attivo e in tempo reale delle linee elettriche aeree per la rilevazione di manicotti di neve.
- Supporto agli operatori del settore elettrico per la pianificazione di interventi preventivi e di manutenzione.
- Valutazione dell'efficacia dei trattamenti antineve applicati ai cavi.
- Integrazione con sistemi di allerta e gestione per inviare notifiche in caso di superamento di soglie predefinite.
- Applicazione presso stazioni sperimentali e siti in esercizio monitorati da RSE.
- Operatori del settore elettrico e delle reti di trasmissione e distribuzione.
- Ricercatori e tecnici impegnati nello studio e nella mitigazione del fenomeno wet-snow.
- Gestori di infrastrutture energetiche interessati a migliorare la resilienza delle reti elettriche.