Método eficiente de detección de objetivos basado en transformada wavelet y red piramidal de características progresiva: un estudio de caso en inspección de redes eléctricas

Mantener las líneas eléctricas libres de peligros ocultos

La electricidad mantiene la vida moderna en funcionamiento, pero las líneas que la transportan son más frágiles de lo que parecen. Objetos cotidianos como globos, cometas, bolsas de plástico o nidos de aves pueden enredarse en líneas de alto voltaje, con riesgo de chispas, cortes y reparaciones costosas. Las empresas eléctricas recurren cada vez más a drones y cámaras para patrullar largos tendidos, pero localizar objetos diminutos y de bajo contraste en imágenes llenas de elementos sigue siendo difícil tanto para humanos como para sistemas de IA convencionales. Este estudio presenta un método de visión por computador más rápido y preciso que ayuda a los equipos de inspección a detectar automáticamente estos peligros en tiempo real.

Por qué es difícil detectar objetos pequeños

Las imágenes de los corredores eléctricos son visualmente complejas. La mayor parte de la escena está compuesta por áreas amplias y lisas como cielo, campos o ríos, mientras que las partes críticas para la seguridad —cables, aisladores y objetos extraños— son líneas finas o pequeñas manchas. Los sistemas de detección estándar, como YOLO, una familia popular de detectores en tiempo real, se diseñaron para fotos cotidianas con objetos más grandes y nítidos como personas o coches. En la imaginería aérea de líneas eléctricas, sin embargo, los globos o restos de basura pueden ocupar solo unos pocos píxeles y a menudo se confunden con torres o cables. El resultado son omisiones frecuentes, falsas alarmas sobre estructuras del fondo y un rendimiento inestable cuando las escenas están cargadas.

Enseñar a la IA a leer imágenes por frecuencia

Los autores abordan esto cambiando la forma en que la red neuronal «mira» las imágenes. En lugar de procesarlo todo solamente en la cuadrícula de píxeles habitual, añaden una capa de convolución basada en wavelets llamada WTConv. Las wavelets dividen una imagen en partes de baja frecuencia, que capturan regiones de fondo suaves, y partes de alta frecuencia, que resaltan bordes y detalles finos. En este diseño, la red procesa estas partes por separado y luego las recombina sin perder información. Eso le permite mantener el contexto amplio del corredor mientras realza estructuras como cables, torres y pequeños objetos extraños, sin aumentar el peso ni la lentitud del modelo.

Apilar características para ver a través de escalas

Detectar un nido de ave encaramado en un brazo de torre o una cometa enredada a lo largo de varios cables también requiere entender cómo se relacionan los patrones a diferentes tamaños en la imagen. Para ello, el estudio introduce una Red Piramidal de Características Progresiva (PFPN). Toma características de capas superficiales y profundas de la red y las fusiona en dos pasadas: primero de grueso a fino y luego de fino a grueso. Un paso de «fusión adaptativa» aprende, para cada ubicación, cuánto confiar en cada escala. Este apilamiento progresivo produce mapas de características que se alinean mejor con los objetos extraños reales y reduce la confusión cuando pequeños peligros se solapan con grandes estructuras metálicas.

Afinando cómo se trazan las cajas

Incluso cuando un modelo acierta el objeto, sigue siendo necesario dibujar a su alrededor una caja precisa. Las reglas de entrenamiento habituales se centran en cuánto se solapan las cajas predicha y real, pero esto puede inducir a error con objetivos diminutos y difusos. Los investigadores refinan este paso con una nueva pérdida «Inner-EIoU», que presta atención especial a cómo coinciden las regiones centrales de las cajas. Al premiar una alineación ajustada en el área central, el método ayuda al modelo a fijarse en la posición verdadera de objetos pequeños o parcialmente ocultos, haciendo las detecciones finales más confiables.

Demostrando las mejoras en el mundo real

Para evaluar su diseño, el equipo construyó un conjunto de datos especializado de 4.700 imágenes tomadas en corredores reales de alto voltaje, cubriendo escenas desde zonas urbanas hasta el campo y etiquetando cuatro tipos comunes de riesgo: basura, globos, nidos de aves y cometas. En comparación con una línea base estándar YOLOv11, el modelo mejorado detecta más de estos objetos y comete menos errores, elevando tanto la precisión como las métricas globales de detección. Al mismo tiempo, emplea aproximadamente una quinta parte menos de parámetros y funciona alrededor de un 18% más rápido, lo que lo hace adecuado para drones o dispositivos en el borde que deben operar en tiempo real. Las pruebas en un amplio banco público (MS COCO) muestran mejoras similares, lo que sugiere que las ideas se generalizan más allá de las líneas eléctricas. En términos prácticos, esto significa que las compañías pueden desplegar sistemas de inspección más inteligentes y ligeros que identifican mejor pequeños peligros antes de que causen problemas graves.

Cita: 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

Palabras clave: inspección de redes eléctricas, detección de objetos extraños, imágenes con drones, líneas de transmisión de alto voltaje