طريقة كشف عيوب سلاسل العوازل لخطوط النقل تعتمد على تحليل ألوان الصور وتعويض الميزات متعددة المقاييس

الحفاظ على استمرار التيار

تعتمد الحياة الحديثة على سلاسل طويلة من قطع الزجاج والسيراميك — تُسمى سلاسل العوازل — التي تتدلى من خطوط الضغط العالي وتبقي الكهرباء بعيدة بأمان عن أبراج المعدن. عندما تتشقق هذه الأجزاء أو تحترق أو تنكسر، قد تتسبب في انقطاعات كهربائية وحتى حرائق. تفتيش آلاف الكيلومترات من الخطوط باليد بطيء ومحفوف بالمخاطر، لذلك تعتمد شركات المرافق بشكل متزايد على صور الطائرات بدون طيار. تقدم هذه الورقة طريقة أذكى للحواسب لمسح تلك الصور واكتشاف عيوب العوازل بدقة وموثوقية أعلى من الأساليب الحالية.

لماذا يصعب فحص هذه السلاسل

تتدلى سلاسل العوازل في الهواء الطلق لعقود، معرضة لأشعة الشمس والمطر والجليد والتلوث والبرق. مع الوقت قد تظهر بها تشققات صغيرة أو قطع مفقودة أو علامات احتراق قد تؤدي إلى فشل مفاجئ. قادرة الطائرات بدون طيار على التقاط صور مفصلة لهذه السلاسل، لكن الصور مكتظة: غابات، سحب، أبراج، أسلاك، أعشاش طيور وظلال تملأ الإطار. قد تكون العيوب بعرض بضعة مليمترات فقط، فتضيع بسهولة في الوهج أو الضبابية. أدوات رؤية الحاسوب الحالية إما تعتمد على قواعد مضبوطة يدوياً — مثل نطاقات ألوان ثابتة أو قياسات شكل بسيطة — أو تستخدم نماذج تعلم عميق عامة مدرَّبة على مشاهد يومية. كلا النهجين يواجهان صعوبة عندما تتغير الإضاءة والطقس وزاوية العرض والخلفية من صورة لأخرى.

العثور على القطع الصحيحة في صورة مزعجة

الخطوة الأولى في المنهج الجديد هي تنظيف كل صورة طائرة بدون طيار قبل أن تتولى شبكات التعلم العميق أي مهمة. يستفيد المؤلفون من دليلين ثابتين: الألوان النمطية لعوازل خط معين والملمس المنتظم لأشكالها المتكررة. يبدأون بتطبيع السطوع بحيث يقل تأثير ضوء الشمس القاسي أو الظلال العميقة، ثم يستخدمون بيانات تفتيش سابقة من نفس البرج لتحديد نطاقات مرنة للأحمر–الأخضر–الأزرق حيث تقع العوازل عادة. هذا يزيل بسرعة أجزاء كبيرة من السماء والنباتات والهياكل الفولاذية. لأن اللون وحده قد يضلل — فالصدأ أو الأوساخ أو الظلال قد تبدو متشابهة — تفحص الطريقة بعد ذلك الملمس داخل المناطق المرشحة. تشكل العوازل أنماطاً دورية مرتبة؛ أما التشويش الخلفي فعادة لا يفعل ذلك. عبر تحريك شبكة من النوافذ الصغيرة على المنطقة وقياس تكرار تواجد درجات الرمادي معاً، يحتفظ الخوارزم فقط بالمناطق التي يطابق ملمسها عينات العوازل النظيفة ويحيط بها بإطارات أفقية بسيطة ومشدودة.

تعليم الشبكة ما هي التفاصيل المهمة

بمجرد عزل سلاسل العوازل، يبدأ التحدي الحقيقي: اكتشاف العيوب الدقيقة عليها. تقليدياً تقوم الشبكات العصبية بضغط المعلومات الصورية تدريجياً من الإدخال إلى التنبؤ النهائي، ما يميل إلى طمس الحواف الرفيعة والشقوق الدقيقة التي تهمنا للغاية. لمواجهة ذلك، صمّم المؤلفون شبكة كشف جديدة، MFCD-Net، تفصل عمدًا وتعزز أنواعاً مختلفة من المعلومات البصرية. باستخدام هرم لابلاس، تقسم كل صورة عازلة مقصوصة إلى مكون ناعم يلتقط الشكل العام ومكون تفصيلي يلتقط الخطوط الحادة والملمس. ثم تعالج ثلاث مسارات موازية الصورة الأصلية وطبقة التفاصيل العالية والطبقة الناعمة، كل منها مزود بوحدات انتباه خفيفة تبرز الميزات الأكثر صلة بالعيوب أو بالهيكل العام.

إعادة تركيب الأجزاء بالمقياس المناسب

ليس كافياً أن تجمع كل هذه الميزات ببساطة، لأن أنواع وحجوم العيوب المختلفة تستفيد من مزيجات مختلفة من التفاصيل والبنية. لذا تضيف MFCD-Net وحدة تعويض ديناميكية تعمل كحارس بوابة لكل مقياس كشف. عند كل مستوى في الشبكة — خشن للسلاسل الكاملة، وأدق للأقراص الفردية — تنظر إلى خريطة الميزات الحالية وتقرر، بكسلًا بكسل، كم تستعير من مسار التفاصيل المشدود أو من المسار البنيوي المملس. ثم يكرر بلوك متبقٍ صغير تحسين هذا المزيج قبل إضافته مجدداً إلى المسار الرئيسي. بهذا، يمكن للشبكة أن تركز على زيادة الحدّة حيث تشك بوجود شقوق، أو على دلائل الشكل الأوسع حيث تحتاج لتمييز العوازل عن أنماط خلفية مضلِّلة، دون أن تُقَيد بقواعد دمج ثابتة.

مدى فعالية الطريقة عملياً

يختبر المؤلفون خط أنابيبهم الكامل — التقسيم المسبق بالإضافة إلى MFCD-Net — على 5,793 صورة طائرة بدون طيار تحتوي على ما يقرب من 10,000 سلسلة عوازل معنونة وأكثر من 100,000 وحدة مشروحة. تسترجع معالجة اللون والملمس نحو 99% من السلاسل وتلتقط أكثر من 97% من بكسلات العوازل الحقيقية، حتى في مشاهد ذات نباتات كثيفة أو سماء ساطعة. لمهمة التعرف على العيوب، يقارنون أدائهم مع ثمانية أنظمة رائدة في كشف الأشياء، بما في ذلك نماذج معروفة مثل YOLO وRetinaNet والتصاميم المعتمدة على المحولات. بقياس متوسط الدقة عند عتبة تداخل معيارية، تحسن منهجهم جودة الكشف الإجمالية بنحو 4 نقاط مئوية مقارنة بأقوى منافس، مع مكاسب قوية بشكل خاص في اكتشاف التلف الطفيف وآثار التفريغ التي كانت الأساليب السابقة غالباً ما تفشل في رؤيتها أو تخلط بينها وبين الظلال والبقع.

ما يعنيه هذا لشبكة الطاقة

بشكل عملي، توضح هذه الدراسة كيف أن الجمع بين دلائل فيزيائية بسيطة — اللون والأنماط المتكررة — وشبكات عصبية مُنَظَّمة بعناية يمكن أن يجعل التفتيش بالطائرات بدون طيار لخطوط الطاقة أكثر موثوقية ومعلوماتية. عبر إزالة معظم الخلفية غير ذات الصلة أولاً ثم توجيه انتباه الشبكة إلى المزيج المناسب من التفاصيل الدقيقة والشكل العام عند كل مقياس، يلتقط النظام المزيد من العيوب الخطرة دون فيضان من الإنذارات الكاذبة. بينما تبقى بعض التحديات، مثل العوازل التي تقترب ألوانها من المواد المحيطة وتكلفة حسابية أعلى لتصميم الفروع المتعددة، يشير الأسلوب إلى مراقبة أذكى وأكثر أماناً وقابلة للتوسع للبنية التحتية الحرجة.

الاستشهاد: Chen, X., Huang, L. & Shen, J. Insulator string defect detection method for transmission lines based on image color analysis and multi-scale feature compensation. Sci Rep 16, 10696 (2026). https://doi.org/10.1038/s41598-026-46525-7

الكلمات المفتاحية: تفتيش خطوط الطاقة, عيوب العوازل, صور الطائرات بدون طيار, الكشف بالتعلم العميق, موثوقية الشبكة