الكشف عن أجسام غريبة في خطوط نقل الطاقة باستخدام SESYOLO

الإبقاء على خطوط الطاقة خالية وآمنة

تعتمد الحياة العصرية على تدفق الكهرباء بسلاسة عبر شبكات واسعة من خطوط الطاقة. ومع ذلك، قد تتسبب أشياء عادية مثل عش طائر أو طائرة ورقية ضالة في انقطاعات كهربائية أو حرائق أو إصلاحات مكلفة عندما تعلق في معدات الجهد العالي. تقدّم هذه الدراسة نظام رؤية حاسوبية محسنًا يسمى SESYOLO يساعد الطائرات بدون طيار على رصد هذه الأجسام الغريبة على خطوط النقل بسرعة ودقة، حتى عندما تكون الأجسام صغيرة أو ذات أشكال غريبة أو مخفية في مشاهد مزدحمة.

فوضى يومية وخطر الجهد العالي

تمتد خطوط النقل لآلاف الكيلومترات عبر الحقول والأنهار والمدن، مارّة عبر بيئات تعج بالطيور والأشجار والنشاط البشري. يمكن أن تلتصق الأعشاش أو الأكياس البلاستيكية أو الطائرات الورقية والبالونات بالأسلاك أو الأبراج، مكونة مسارات يمكن للكهرباء أن تقفز عبرها حيث لا ينبغي ذلك. تعتمد عمليات التفتيش التقليدية اعتمادًا كبيرًا على العاملين الذين يسافرون لمسافات طويلة ويفحصون الهياكل بصريًا، وهو أمر بطئ وأحيانًا خطير. سهلت الطائرات بدون طيار جمع الصور، لكن تحويل تلك الصور إلى تحذيرات آلية وموثوقة يتطلب برمجيات قادرة على تمييز أجسام صغيرة وغير منتظمة على خلفيات مليئة بالأسلاك والهياكل الفولاذية والنباتات. كثيرًا ما تُخطئ برامج الكشف الحالية وتخلط بين أنماط الخلفية والمخاطر، وتغفل عن الأجسام الصغيرة، وتعاني من نقص في صور التدريب المعلّمة جيدًا.

تعليم الآلات شكل المشكلة

لتجنّب نقص وعدم توازن صور التفتيش الحقيقية، أنشأ الباحثون أولًا مجموعة صور جديدة تسمى FOD24، تركز على الأجسام الغريبة على خطوط الطاقة. جمعوا 1401 صورة حقيقية مأخوذة بالطائرات بدون طيار مع عدة أنواع من تحسين الصور، مثل تعديل اللون والسطوع، وإضافة تشويش وضبابية، ومحاكاة المطر والثلج والضباب. ثم استخدموا أدوات توليد الصور الحديثة لإنشاء مشاهد واقعية إضافية، ليغطوا الفئات الممثلة تمثيلاً ناقصًا مثل البالونات أو الطائرات الورقية. وبعد فحص وتوسيم بشري دقيق، احتوى المجموعة النهائية على 2817 صورة تغطي أعشاش الطيور والطائرات الورقية والبالونات والأكياس البلاستيكية والعوازل. اُستخدمت الصور الحقيقية فقط للاختبار، ما يضمن أن ادعاءات الأداء تعكس ظروف العالم الحقيقي بدلًا من أمثلة مصطنعة.

عين أذكى للأهداف الصغيرة

استنادًا إلى كاشف سريع شهير يعرف باسم YOLOv8، أعاد الفريق تصميم عدة أجزاء رئيسية من الشبكة لتتعامل بشكل أفضل مع الأجسام الصغيرة المخفية والمموهة مع الحفاظ على التشغيل في الزمن الحقيقي على العتاد المستخدم عادة على الطائرات بدون طيار. وحدة جديدة تسمى SCConv تساعد النظام على التركيز على أهم التفاصيل في كلٍ من موضع وشدة الميزات في الصورة، مما يقلل الحسابات المتكررة. مكوّن آخر، Efficient RepGFPN، يحسن كيفية دمج المعلومات من مشاهد واسعة وخشنة ومناظير قريبة ومفصّلة، وهو أمر حاسم عندما تحتل الأعشاش أو الطائرات الورقية بضعة بيكسلات فقط. أخيرًا، آلية انتباه مصممة في رأس الكشف تشجع الشبكة على إبراز الأجسام الغريبة وتقليل أهمية الخلفيات المشتتة. مجتمعة، تُحسّن هذه التعديلات قدرة النموذج على تمييز الأشكال الدقيقة دون إبطاء كبير.

التعلم من معلم أقوى

عزّز الباحثون قدرات SESYOLO أيضًا باستخدام تقنية تُسمى تقطير المعرفة. ببساطة، دربوا كاشفًا أصغر وأسرع ("الطالب") ليقلد سلوك نموذج أكبر وأكثر قدرة ("المعلم"). خلال التدريب، تعرض الطالب لصور مُعدّلة بشدة تحاكي المشاهد المتنوعة والفوضوية التي تواجهها الطائرات بدون طيار في الميدان. وحدات خاصة قامت بمحاذاة الإشارات الداخلية بين المعلم والطالب بحيث يستطيع الطالب امتصاص ما في الصورة وأين هو بسهولة أكبر. بعد هذه التدريب المكوّن من مرحلتين، حافظ نموذج الطالب على كثير من دقة المعلم مع بقاءه مضغوطًا وفعّالًا بما يكفي للنشر العملي على منصات جوية.

كشف أفضل لشبكة أكثر موثوقية

عند اختباره مقابل عدة أنظمة كشف معروفة، قدم SESYOLO دقة واستدعاء أعلى بشكل ملحوظ، خاصة للأجسام الصغيرة وغير المنتظمة. بالمقارنة مع نسخة YOLOv8 الأصلية التي بُني عليها، حسّن SESYOLO مقياس دقة رئيسيًا بنحو تسع نقاط مئوية وأظهر أداءً قويًا بشكل خاص في اكتشاف أعشاش الطيور، حيث بلغ الدقة ما يقرب من 94٪. في الوقت نفسه، ظل النموذج خفيفًا — لا يستهلك نحو 7.9 ميغابايت تقريبًا من الذاكرة — وسريعًا بما يكفي لمعالجة نحو 142 صورة في الثانية على بطاقة رسومات قياسية. بالنسبة لشركات الكهرباء، يعني ذلك أن الطائرات بدون طيار يمكنها مسح الخطوط بسرعة وتعلية احتمال وجود مخاطر تلقائيًا، مما يسمح للفرق بالتركيز على الإصلاحات في الوقت المناسب بدلًا من البحث اليدوي. بمصطلحات يومية، يقدم هذا العمل طريقًا إلى انقطاعات غير متوقعة أقل وسلامة أكبر بالقرب من خطوط الجهد العالي وشبكة كهربائية أكثر موثوقية.

الاستشهاد: Duan, P., Zhang, X., Liang, X. et al. Foreign object detection in power transmission lines using SESYOLO. Sci Rep 16, 11807 (2026). https://doi.org/10.1038/s41598-026-41080-7

الكلمات المفتاحية: تفتيش خطوط الكهرباء, تصوير الطائرات بدون طيار, كشف الأجسام, التعلم العميق, سلامة البنية التحتية