طريقة فعالة لرصد الأهداف تعتمد على تحويل الموجة وشبكة هرمية تقدمية للميزات: دراسة حالة لفحص شبكات الكهرباء

الحفاظ على خلو خطوط الطاقة من المخاطر الخفية

تُبقي الكهرباء الحياة المعاصرة تعمل، لكن خطوط الطاقة التي تنقلها أضعف مما تبدو. أشياء يومية مثل البالونات والطائرات الورقية والأكياس البلاستيكية أو أعشاش الطيور يمكن أن تتشابك في خطوط الجهد العالي، مما يعرضها للشرر، والانقطاعات، والإصلاحات المكلفة. تعتمد شركات الطاقة بشكل متزايد على الطائرات بدون طيار والكاميرات لتفقد امتدادات طويلة من الأسلاك، ومع ذلك فإن رصد أجسام صغيرة وذات تباين منخفض في صور مزدحمة لا يزال صعباً لكل من البشر وأنظمة الذكاء الاصطناعي التقليدية. تقدم هذه الدراسة طريقة رؤية حاسوبية أسرع وأكثر دقة تساعد فرق التفتيش على اكتشاف هذه المخاطر تلقائياً وفي الوقت الحقيقي.

لماذا يصعب اكتشاف الأشياء الصغيرة

صور ممرات الطاقة معقدة بصرياً. معظم المشهد يتألف من مناطق واسعة وناعمة مثل السماء أو الحقول أو الأنهار، بينما الأجزاء الحرجة للسلامة — الكابلات والعوازل والأجسام الغريبة — تظهر كخطوط رقيقة أو بقع صغيرة. صُممت أنظمة الكشف القياسية مثل YOLO، وهي عائلة شائعة من كاشفات الأجسام في الوقت الحقيقي، للصور اليومية التي تحتوي على أجسام أكبر وأكثر وضوحاً مثل الأشخاص أو السيارات. في تصوير الجو لخطوط الطاقة، قد تمتد البالونات أو قطع القمامة عبر بضعة بكسلات فقط وغالباً ما تندمج مع الأبراج أو الأسلاك. والنتيجة هي فشل متكرر في الاكتشاف، وإنذارات كاذبة على هياكل الخلفية، وأداء غير مستقر عند ازدحام المشاهد.

تعليم الذكاء الاصطناعي قراءة الصور عبر التردد

يتعامل المؤلفون مع هذه المشكلة بتغيير كيفية "نظر" الشبكة العصبية إلى الصور. بدلاً من معالجة كل شيء فقط على شبكة البكسل الاعتيادية، يضيفون طبقة التوافق الموجي المسماة WTConv. تقوم الموجات بتقسيم الصورة إلى أجزاء منخفضة التردد تلتقط مناطق الخلفية السلسة وأجزاء عالية التردد تبرز الحواف والتفاصيل الدقيقة. في هذا التصميم، تعالج الشبكة هذه الأجزاء بشكل منفصل ثم تعيد دمجها دون فقدان المعلومات. هذا يعني أنها قادرة على متابعة سياق الممر الواسع مع إبراز هياكل مثل الأسلاك والأبراج والأجسام الغريبة الصغيرة — دون زيادة حجم النموذج أو أخذه وقتاً أطول في التنفيذ.

تجميع الميزات لرؤية عبر المقاييس

اكتشاف عش طائر على ذراع برج أو طائرة ورقية متشابكة عبر عدة أسلاك يتطلب أيضاً فهماً لكيفية ترابط الأنماط عبر أحجام مختلفة في الصورة. لمعالجة ذلك، تقدم الدراسة شبكة هرمية تقدمية للميزات (PFPN). تأخذ هذه الشبكة ميزات من الطبقات السطحية والعميقة للشبكة وتدمجها في تمريرتين: أولاً من الخشن إلى الدقيق، ثم العودة من الدقيق إلى الخشن. خطوة "الدمج التكيفية" تتعلم، لكل موقع، مقدار الثقة في كل مقياس. هذا التراكم التقدمي ينتج خرائط ميزات تتوافق بشكل أفضل مع الأجسام الغريبة الفعلية، ويقلل الالتباس عندما تتداخل المخاطر الصغيرة مع هياكل معدنية كبيرة.

ضبط كيفية رسم الصناديق

حتى عندما يخمن النموذج الجسم الصحيح، لا يزال بحاجة إلى وضع صندوق دقيق حوله. تركز قواعد التدريب الشائعة على مقدار تداخل الصندوق المتوقع مع الحقيقي، لكن هذا قد يكون مضللاً للأهداف الصغيرة والباهتة. يحسن الباحثون هذه المرحلة بخسارة جديدة تسمى "Inner-EIoU"، التي تولي اهتماماً خاصاً بمدى تطابق المناطق المركزية للصناديق. من خلال مكافأة المحاذاة الضيقة في المنطقة الجوهرية، تساعد الطريقة النموذج على التمركز بدقة على الموضع الحقيقي للأجسام الغريبة الصغيرة أو الجزئية الظهور، مما يجعل الاكتشافات النهائية أكثر موثوقية.

إثبات المكاسب في العالم الحقيقي

لاختبار تصميمهم، بنى الفريق مجموعة بيانات متخصصة تتألف من 4700 صورة من ممرات الجهد العالي الحقيقية، تغطي مشاهد من المدن إلى الريف وصنفت أربعة أنواع شائعة من المخاطر: القمامة، البالونات، أعشاش الطيور، والطائرات الورقية. مقارنةً بخط أساس قياسي YOLOv11، يكتشف النموذج المحسن مزيداً من هذه الأجسام مع ارتكاب أخطاء أقل، رافعاً كل من الدقة ومؤشرات الكشف الإجمالية. وفي الوقت نفسه، يستخدم حوالى خمس المعاملات أقل ويعمل أسرع بنحو 18٪، مما يجعله مناسباً للطائرات بدون طيار أو أجهزة الحافة التي تحتاج للعمل في الوقت الحقيقي. تظهر الاختبارات على معيار عام واسع (MS COCO) تحسناً مماثلاً، مما يشير إلى أن الأفكار يمكن تعميمها خارج نطاق خطوط الطاقة. عملياً، يعني هذا أن شركات المرافق يمكنها نشر أنظمة تفتيش أذكى وأخف تلتقط المخاطر الصغيرة بشكل أفضل قبل أن تتسبب في مشكلات كبيرة.

الاستشهاد: Ye, J., Yuqi, B., Wendi, W. et al. Efficient target detection method based on wavelet transform and progressive feature pyramid network: a case study of power grid inspection. Sci Rep 16, 7318 (2026). https://doi.org/10.1038/s41598-026-37017-9

الكلمات المفتاحية: فحص شبكات الكهرباء, كشف الأجسام الغريبة, تصوير الدرون, الرؤية الحاسوبية في الوقت الحقيقي, خطوط النقل عالية الجهد