Erkennung von Fehlern an Isolatorsträngen für Übertragungsleitungen basierend auf Farb- und Mehrskalen-Merkmalskompensation in Bildern

Die Stromversorgung aufrechterhalten

Das moderne Leben hängt von langen Ketten aus Glas- und Keramikstücken ab – sogenannten Isolatorsträngen –, die an Hochspannungsleitungen hängen und den Strom sicher von Metallmasten fernhalten. Reißen, brennen oder zerbrechen diese Teile, können sie Stromausfälle und sogar Brände auslösen. Tausende Kilometer Leitungen von Hand zu überprüfen ist langsam und gefährlich, weshalb Versorgungsunternehmen zunehmend auf Drohnenfotos setzen. Diese Arbeit stellt eine ausgefeiltere Methode vor, mit der Computer diese Bilder besser und zuverlässiger auf Isolatorfehler untersuchen können als bisherige Verfahren.

Warum diese Ketten schwer zu prüfen sind

Isolatorstränge hängen jahrzehntelang im Freien und sind Sonne, Regen, Eis, Verschmutzung und Blitzen ausgesetzt. Im Laufe der Zeit können kleine Risse, fehlende Stücke oder Brandspuren entstehen, die zu plötzlichen Ausfällen führen können. Drohnen liefern detaillierte Aufnahmen dieser Stränge, doch die Bilder sind unordentlich: Wald, Wolken, Masten, Drähte, Vogelnester und Schatten füllen den Rahmen. Schäden sind oft nur wenige Millimeter groß und gehen in Blendung oder Unschärfe leicht verloren. Bestehende Computer-Vision-Werkzeuge beruhen entweder auf handabgestimmten Regeln – etwa festen Farbbereichen oder einfachen Formmaßen – oder auf allgemein trainierten Deep-Learning-Modellen für Alltagszenen. Beide Ansätze haben Probleme, wenn Beleuchtung, Wetter, Blickwinkel und Hintergrund von Bild zu Bild variieren.

Die richtigen Teile in einem lauten Bild finden

Der erste Schritt der neuen Methode reinigt jedes Drohnenfoto, bevor Deep Learning eingreift. Die Autoren nutzen zwei stabile Hinweise: die typischen Farben der Isolatoren einer Leitung und die regelmäßige Textur ihrer wiederkehrenden Formen. Zuerst normalisieren sie die Helligkeit, sodass grelles Sonnenlicht oder tiefe Schatten weniger Einfluss haben, und verwenden dann frühere Inspektionsdaten desselben Mastes, um flexible Rot‑Grün‑Blau-Farbbereiche zu definieren, in denen sich die Isolatoren normalerweise befinden. Dadurch werden schnell große Bereiche von Himmel, Vegetation und Stahl entfernt. Da Farbe allein irreführend sein kann – Rost, Schmutz oder Schatten können ähnlich aussehen –, prüft das Verfahren anschließend die Textur innerhalb der Kandidatenregionen. Isolatoren bilden ordentliche, periodische Muster; Hintergrundunordnung meist nicht. Indem ein Gitter aus kleinen Fenstern über die Region geschoben und gemessen wird, wie oft verschiedene Graustufen gemeinsam auftreten, behält der Algorithmus nur Bereiche, deren Textur mit sauberen Isolatormustern übereinstimmt, und umschließt sie eng in einfachen horizontalen Rechtecken.

Dem Netzwerk beibringen, welche Details wichtig sind

Sobald die Isolatorstränge isoliert sind, beginnt die eigentliche Herausforderung: winzige Fehlstellen darauf zu entdecken. Konventionelle neuronale Netze komprimieren Bildinformationen schrittweise auf dem Weg von Eingabe zur Vorhersage, wodurch feine Kanten und haarfeine Risse, die entscheidend sind, oft verloren gehen. Um dem entgegenzuwirken, entwerfen die Autoren ein neues Erkennungsnetzwerk, MFCD-Net, das verschiedene Arten visueller Informationen bewusst trennt und verstärkt. Mithilfe einer Laplace-Pyramide teilen sie jedes zugeschnittene Isolatorbild in eine glatte Komponente, die die Gesamtform erfasst, und eine Detailkomponente, die scharfe Linien und Texturen enthält. Drei parallele Pfade verarbeiten dann das Originalbild, die Detail‑Ebene und die glatte Ebene, jeweils ausgestattet mit leichten Aufmerksamkeitsmodulen, die die für Fehler oder die Gesamtstruktur relevantesten Merkmale hervorheben.

Die Teile auf der richtigen Skala wieder zusammensetzen

Alle diese Merkmale einfach zu stapeln reicht nicht aus, denn verschiedene Fehlertypen und -größen profitieren von unterschiedlichen Mischungen aus Detail und Struktur. MFCD-Net fügt daher ein dynamisches Kompensationsmodul hinzu, das wie ein Torwächter für jede Erkennungsskala wirkt. Auf jeder Ebene des Netzes – grob für ganze Stränge, feiner für einzelne Scheiben – betrachtet es die aktuelle Merkmalstabelle und entscheidet pixelweise, wie viel es aus dem geschärften Detailstrom oder dem geglätteten Strukturstrom entleihen soll. Ein kleiner Residualblock verfeinert diese Mischung, bevor sie wieder in den Hauptpfad eingespielt wird. Effektiv kann das Netzwerk extra Schärfe fokussieren, wo es Risse vermutet, oder auf breitere Formhinweise achten, wo es Isolatoren von verwirrender Hintergrundstruktur unterscheiden muss, ohne an feste Fusionsregeln gebunden zu sein.

Wie gut die Methode in der Praxis funktioniert

Die Autoren testen ihre vollständige Pipeline – Vorsegmentierung plus MFCD-Net – an 5.793 Drohnenbildern mit nahezu 10.000 gelabelten Isolatorsträngen und über 100.000 annotierten Einheiten. Ihre Farb‑und‑Textur-Vorverarbeitung ruft etwa 99 % der Stränge korrekt ab und erfasst über 97 % der tatsächlichen Isolatorpixel, selbst in Szenen mit dichter Vegetation oder blendendem Himmel. Für die Fehlererkennung vergleichen sie sich mit acht führenden Objekterkennungssystemen, darunter bekannte Modelle wie YOLO, RetinaNet und transformatorbasierte Designs. Gemessen an der mittleren durchschnittlichen Genauigkeit (mAP) bei einem gängigen Überschneidungs‑Schwellenwert verbessert ihr Ansatz die Gesamtqualität der Erkennung gegenüber dem besten Konkurrenten um etwa vier Prozentpunkte, mit besonders starken Zuwächsen bei subtilen Beschädigungen und Überschlags-Spuren, die frühere Methoden oft mit Schatten oder Flecken verwechselten oder verpassten.

Was das für das Stromnetz bedeutet

Praktisch zeigt diese Arbeit, wie die Kombination einfacher physikalischer Hinweise – Farbe und wiederkehrende Muster – mit sorgfältig strukturierten neuronalen Netzen die drohnenbasierte Inspektion von Stromleitungen zuverlässiger und informativer machen kann. Indem das System zuerst den Großteil des irrelevanten Hintergrunds entfernt und anschließend die Aufmerksamkeit des Netzes auf die richtige Mischung aus feinen Details und Gesamtform auf jeder Skala lenkt, erkennt es mehr gefährliche Fehler, ohne von einer Flut falsch positiver Meldungen überwältigt zu werden. Zwar bleiben Herausforderungen, etwa Isolatoren, deren Farbe der Umgebung stark ähnelt, und die höheren Rechenkosten des Mehrzweigdesigns, doch zeigt die Methode den Weg zu intelligenterer, sichererer und besser skalierbarer Überwachung kritischer Infrastruktur.

Zitation: 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

Schlüsselwörter: Stromleitungsinspektion, Isolatorfehler, Drohnenaufnahmen, Tiefenlern-basierte Erkennung, Netzzuverlässigkeit