Erkennung von Fremdkörpern in Hochspannungsleitungen mit SESYOLO

Freihalten und Sicherhalten von Stromleitungen

Das moderne Leben hängt davon ab, dass Strom reibungslos durch weit verzweigte Leitungsnetze fließt. Doch etwas Alltägliches wie ein Vogelnest oder ein verlorener Drachen kann zu Stromausfällen, Bränden oder teuren Reparaturen führen, wenn es sich in Hochspannungstechnik verfängt. Diese Studie stellt ein verbessertes Computer‑Vision‑System namens SESYOLO vor, das Drohnen hilft, derartige Fremdkörper an Übertragungsleitungen schnell und präzise zu erkennen — selbst wenn die Objekte winzig, unregelmäßig geformt oder in unruhigem Umfeld versteckt sind.

Alltägliches Durcheinander, Hochspannungsrisiko

Übertragungsleitungen ziehen sich über tausende Kilometer durch Felder, Flüsse und Städte und passieren Lebensräume voller Vögel, Bäume und menschlicher Aktivität. Nester, Plastiktüten, Drachen und Ballons können sich an Drähten oder Masten festsetzen und Wege für Strom öffnen, wo er nicht hingehen sollte. Traditionelle Inspektionen beruhen stark auf Arbeitern, die große Entfernungen zurücklegen und Bauwerke visuell absuchen — ein langsamer und mitunter gefährlicher Prozess. Drohnen erleichtern das Erfassen von Bildern, doch aus diesen Bildern verlässliche automatische Warnungen zu erzeugen, erfordert Software, die kleine, unregelmäßige Objekte vor Hintergründen aus Kabeln, Stahlfachwerken und Vegetation herausfiltern kann. Bestehende Erkennungsprogramme verwechseln oft Hintergrundmuster mit Gefahren, übersehen winzige Objekte und leiden unter einem Mangel an gut beschrifteten Trainingsbildern.

Maschinen beibringen, wie Probleme aussehen

Um dem Mangel und der Unausgewogenheit realer Inspektionsfotos entgegenzuwirken, erstellten die Forschenden zunächst eine neue Bildsammlung namens FOD24, die auf Fremdkörper an Stromleitungen fokussiert ist. Sie kombinierten 1.401 echte Drohnenfotos mit verschiedenen Bildverbesserungen, etwa Farb‑ und Helligkeitsanpassungen, Hinzufügen von Unschärfe und Rauschen sowie Simulation von Regen, Schnee und Nebel. Zusätzlich nutzten sie moderne Bilderzeugungswerkzeuge, um realistisch wirkende Szenen zu erzeugen und unterrepräsentierte Kategorien wie Ballons oder Drachen anzureichern. Nach sorgfältiger menschlicher Sichtung und Annotation enthielt das finale Datenset 2.817 Bilder mit Vogelnestern, Drachen, Ballons, Plastiktüten und Isolatoren. Für die Tests wurden ausschließlich echte Fotos verwendet, sodass Leistungsangaben reale Bedingungen widerspiegeln und nicht künstliche Beispiele.

Ein schärferes Auge für winzige Ziele

Aufbauend auf einem populären schnellen Detektor namens YOLOv8 überarbeitete das Team mehrere Schlüsselkomponenten des Netzwerks, damit es kleinere, getarnte Objekte besser erkennt und dennoch in Echtzeit auf der typischen Drohnenhardware läuft. Ein neues Modul namens SCConv hilft dem System, die informativsten Details sowohl in der Lage als auch in der Intensität von Bildmerkmalen zu fokussieren und redundante Berechnungen zu reduzieren. Eine weitere Komponente, Efficient RepGFPN, verbessert die Verschmelzung von Informationen aus groben Gesamtansichten und feinen Nahaufnahmen — entscheidend, wenn Nester oder Drachen nur wenige Pixel groß sind. Schließlich sorgt ein zugeschnittener Aufmerksamkeitsmechanismus im Erkennungs‑„Head“ dafür, dass das Netzwerk Fremdkörper stärker gewichtet und ablenkende Hintergründe abschwächt. Zusammen schärfen diese Änderungen das Modell für subtile Formen, ohne es merklich zu verlangsamen.

Vom stärkeren Lehrer lernen

Die Forschenden stärkten SESYOLO zusätzlich mit einer Technik namens Knowledge Distillation. Vereinfacht gesagt trainierten sie einen kleineren, schnelleren Detektor (den „Studenten“), das Verhalten eines größeren, leistungsfähigeren Modells (des „Lehrers“) nachzuahmen. Während des Trainings wurde der Student aggressiv augmentierten Bildern ausgesetzt, die die vielfältigen und unübersichtlichen Szenen nachbilden, denen Drohnen im Feld begegnen. Spezielle Module richteten die internen Signale zwischen Lehrer und Student aus, sodass der Student sowohl erkennen konnte, was im Bild vorhanden ist, als auch wo es sich befindet. Nach diesem zweistufigen Training behielt das Studentenmodell viel der Genauigkeit des Lehrers bei, blieb zugleich kompakt und effizient genug für den praktischen Einsatz auf Luftplattformen.

Bessere Erkennung für ein zuverlässigeres Netz

Im Vergleich mit mehreren bekannten Objekterkennungssystemen erzielte SESYOLO deutlich höhere Genauigkeit und Trefferquote, insbesondere bei kleinen und unregelmäßigen Objekten. Gegenüber der ursprünglichen YOLOv8‑Version, auf der es basiert, verbesserte SESYOLO einen wichtigen Genauigkeitswert um etwa neun Prozentpunkte und zeigte besonders starke Leistung bei der Erkennung von Vogelnestern mit nahezu 94 % Genauigkeit. Gleichzeitig blieb das Modell schlank — es beanspruchte nur rund 7,9 Megabyte Speicher — und schnell genug, um auf einer üblichen Grafikkarte etwa 142 Bilder pro Sekunde zu verarbeiten. Für Energieversorger bedeutet das, dass Drohnen Leitungen schnell scannen und wahrscheinlich gefährliche Stellen automatisch markieren können, sodass Teams sich auf zeitnahe Reparaturen statt auf manuelle Suche konzentrieren. Alltagswirksam bietet die Arbeit damit einen Weg zu weniger unerwarteten Stromausfällen, höherer Sicherheit in der Nähe von Hochspannungsleitungen und einem zuverlässigeren Stromnetz.

Zitation: 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

Schlüsselwörter: Inspektion von Stromleitungen, Drohnenaufnahmen, Objekterkennung, Deep Learning, Sicherheit der Infrastruktur