Detección de objetos extraños en líneas de transmisión eléctrica usando SESYOLO

Mantener las líneas eléctricas limpias y seguras

La vida moderna depende de que la electricidad fluya sin contratiempos a través de vastas redes de líneas. Sin embargo, algo tan cotidiano como un nido de pájaro o una cometa perdida puede provocar cortes de suministro, incendios o reparaciones costosas si queda enredado en equipos de alta tensión. Este estudio presenta un sistema de visión por computador mejorado, llamado SESYOLO, que ayuda a los drones a detectar automáticamente estos objetos extraños en las líneas de transmisión de forma rápida y precisa, incluso cuando los objetos son pequeños, de forma irregular y están ocultos en escenarios abarrotados.

Desorden cotidiano, riesgo de alta tensión

Las líneas de transmisión se extienden miles de kilómetros a través de campos, ríos y ciudades, cruzando entornos llenos de aves, árboles y actividad humana. Nidos, bolsas de plástico, cometas y globos pueden quedarse pegados a los cables o a las torres, creando trayectos para que la electricidad salte donde no debe. Las inspecciones tradicionales dependen en gran medida de trabajadores que recorren largas distancias y examinan visualmente las estructuras, una tarea lenta y a veces peligrosa. Los drones han facilitado la obtención de imágenes, pero convertir esas imágenes en avisos automáticos fiables requiere software capaz de distinguir objetos pequeños e irregulares sobre fondos repletos de cables, cerchas de acero y vegetación. Los programas de detección existentes a menudo confunden patrones de fondo con peligros, pasan por alto objetos diminutos y sufren por la falta de imágenes de entrenamiento bien etiquetadas.

Enseñar a las máquinas cómo es un problema

Para superar la escasez y el desequilibrio de fotos de inspección reales, los investigadores primero construyeron una nueva colección de imágenes, llamada FOD24, centrada en objetos extraños en líneas eléctricas. Combinaron 1.401 fotos reales tomadas por drones con varios tipos de mejora de imagen, como ajuste de color y brillo, adición de desenfoque y ruido, y simulación de lluvia, nieve y niebla. Luego usaron herramientas modernas de generación de imágenes para crear escenas adicionales realistas, cubriendo categorías poco representadas como globos o cometas. Tras un cuidadoso filtrado y anotación humana, el conjunto final contenía 2.817 imágenes que cubren nidos de pájaros, cometas, globos, bolsas de plástico y aisladores. Solo se utilizaron fotos reales para las pruebas, garantizando que las afirmaciones de rendimiento reflejen condiciones del mundo real en lugar de ejemplos artificiales.

Un ojo más inteligente para objetivos diminutos

Basándose en un detector rápido popular conocido como YOLOv8, el equipo rediseñó varias partes clave de la red para que manejara mejor objetos pequeños y camuflados sin dejar de funcionar en tiempo real en el hardware que se usa habitualmente a bordo de drones. Un nuevo módulo llamado SCConv ayuda al sistema a enfocarse en los detalles más informativos tanto en la posición como en la intensidad de las características de la imagen, reduciendo cálculos redundantes. Otro componente, Efficient RepGFPN, mejora cómo se fusiona la información de vistas generales y de vistas detalladas, lo cual es crucial cuando nidos o cometas ocupan solo unos pocos píxeles. Finalmente, un mecanismo de atención adaptado en la “cabeza” de detección anima a la red a enfatizar los objetos extraños y restar importancia a los fondos distractores. En conjunto, estos cambios agudizan la mirada del modelo para formas sutiles sin ralentizarlo de forma significativa.

Aprender de un profesor más potente

Los investigadores incrementaron además las capacidades de SESYOLO usando una técnica llamada destilación del conocimiento. En términos sencillos, entrenaron a un detector más pequeño y rápido (el “estudiante”) para imitar el comportamiento de un modelo mayor y más capaz (el “profesor”). Durante el entrenamiento, el estudiante fue expuesto a imágenes fuertemente aumentadas que reproducían las escenas variadas y desordenadas que los drones encuentran en campo. Módulos especiales alinearon las señales internas entre profesor y estudiante para que el estudiante pudiera absorber más fácilmente tanto qué está presente en la imagen como dónde se encuentra. Tras este entrenamiento en dos etapas, el modelo estudiante conservó gran parte de la precisión del profesor a la vez que se mantuvo compacto y lo suficientemente eficiente para su despliegue práctico en plataformas aéreas.

Mejor detección para una red más fiable

Al evaluarlo frente a varios sistemas de detección de objetos bien conocidos, SESYOLO ofreció una precisión y una recuperación notablemente superiores, especialmente para objetos pequeños e irregulares. En comparación con la versión original de YOLOv8 sobre la que se basa, SESYOLO mejoró una puntuación clave de precisión en aproximadamente nueve puntos porcentuales y mostró un rendimiento particularmente fuerte en la detección de nidos de pájaros, alcanzando casi un 94 % de precisión. Al mismo tiempo, el modelo permaneció ligero—ocupando solo alrededor de 7,9 megabytes de memoria—y lo bastante rápido como para procesar aproximadamente 142 imágenes por segundo en una tarjeta gráfica estándar. Para las compañías eléctricas, esto significa que los drones pueden revisar líneas con rapidez y marcar automáticamente peligros probables, permitiendo que las cuadrillas se centren en reparaciones oportunas en lugar de búsquedas manuales. En términos cotidianos, el trabajo ofrece un camino hacia menos apagones inesperados, mayor seguridad cerca de líneas de alta tensión y una red eléctrica más fiable.

Cita: 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

Palabras clave: inspección de líneas eléctricas, imágenes con drones, detección de objetos, aprendizaje profundo, seguridad de infraestructuras