Détection d’objets étrangers sur les lignes de transmission électrique avec SESYOLO

Maintenir les lignes électriques dégagées et sûres

La vie moderne dépend d’un flux d’électricité fluide à travers d’immenses réseaux de lignes électriques. Pourtant, quelque chose d’aussi banal qu’un nid d’oiseau ou un cerf‑volant égaré peut provoquer des coupures de courant, des incendies ou des réparations coûteuses lorsqu’il se retrouve emmêlé dans des équipements haute tension. Cette étude présente un système de vision par ordinateur amélioré, appelé SESYOLO, qui aide les drones à repérer automatiquement ces objets étrangers sur les lignes de transmission rapidement et avec précision, même lorsque les objets sont petits, de formes irrégulières et camouflés dans un décor encombré.

Encombrements courants, risques haute tension

Les lignes de transmission s’étendent sur des milliers de kilomètres à travers champs, rivières et villes, traversant des environnements peuplés d’oiseaux, d’arbres et d’activités humaines. Les nids, sacs plastiques, cerfs‑volants et ballons peuvent s’accrocher aux fils ou aux pylônes, créant des trajets où l’électricité peut sauter là où elle ne devrait pas. Les inspections traditionnelles reposent largement sur des techniciens parcourant de longues distances et inspectant visuellement les structures, une tâche lente et parfois dangereuse. Les drones ont facilité la collecte d’images, mais transformer ces images en alertes automatiques fiables exige un logiciel capable de distinguer de petits objets irréguliers sur des arrière‑plans remplis de câbles, de treillis métalliques et de végétation. Les systèmes de détection existants confondent souvent des motifs d’arrière‑plan avec des dangers, manquent les objets minuscules et souffrent d’un manque d’images d’entraînement bien annotées.

Apprendre aux machines à reconnaître les problèmes

Pour dépasser la pénurie et le déséquilibre des photos d’inspection réelles, les chercheurs ont d’abord constitué une nouvelle collection d’images, appelée FOD24, centrée sur les objets étrangers sur les lignes électriques. Ils ont combiné 1 401 photos de drone réelles avec plusieurs types d’augmentations d’images, comme l’ajustement des couleurs et de la luminosité, l’ajout de flou et de bruit, ainsi que la simulation de pluie, neige et brouillard. Ils ont ensuite utilisé des outils modernes de génération d’images pour créer des scènes réalistes supplémentaires, comblant les catégories sous‑représentées comme les ballons ou les cerfs‑volants. Après un filtrage et une annotation humaine soigneux, le jeu de données final contenait 2 817 images couvrant nids d’oiseaux, cerfs‑volants, ballons, sacs plastiques et isolateurs. Seules des photos réelles ont été utilisées pour les tests, garantissant que les performances reflètent des conditions réelles plutôt que des exemples artificiels.

Un regard plus fin pour les cibles minuscules

S’appuyant sur un détecteur rapide populaire connu sous le nom de YOLOv8, l’équipe a repensé plusieurs parties clés du réseau pour mieux traiter les petits objets camouflés tout en restant en temps réel sur le matériel généralement embarqué sur les drones. Un nouveau module appelé SCConv aide le système à se concentrer sur les détails les plus informatifs, tant en position qu’en intensité des caractéristiques de l’image, réduisant les calculs redondants. Un autre composant, Efficient RepGFPN, améliore la fusion des informations entre vues globales et vues rapprochées, ce qui est crucial lorsque des nids ou des cerfs‑volants n’occupent que quelques pixels. Enfin, un mécanisme d’attention adapté dans la « tête » de détection encourage le réseau à mettre l’accent sur les objets étrangers et à atténuer les arrière‑plans distrayants. Ensemble, ces changements affinent la capacité du modèle à repérer des formes subtiles sans le ralentir de façon significative.

Apprendre d’un enseignant plus puissant

Les chercheurs ont encore renforcé les capacités de SESYOLO en utilisant une technique appelée distillation de connaissances. Concrètement, ils ont entraîné un détecteur plus petit et plus rapide (l’« étudiant ») à imiter le comportement d’un modèle plus grand et plus performant (l’« enseignant »). Pendant l’entraînement, l’étudiant a été exposé à des images fortement augmentées reproduisant les scènes variées et désordonnées que les drones rencontrent sur le terrain. Des modules spécifiques ont aligné les signaux internes entre enseignant et étudiant afin que l’étudiant puisse plus facilement assimiler à la fois ce qui est présent dans l’image et où cela se situe. Après cet entraînement en deux étapes, le modèle étudiant a conservé une grande partie de la précision de l’enseignant tout en restant compact et suffisamment efficace pour un déploiement pratique sur des plateformes aériennes.

Une meilleure détection pour un réseau plus fiable

Testé face à plusieurs systèmes de détection d’objets bien connus, SESYOLO a offert une précision et un rappel sensiblement supérieurs, en particulier pour les objets petits et irréguliers. Par rapport à la version originale de YOLOv8 sur laquelle il s’appuie, SESYOLO a amélioré un indicateur clé de précision d’environ neuf points de pourcentage et a montré des performances particulièrement élevées pour repérer les nids d’oiseaux, atteignant près de 94 % de précision. Dans le même temps, le modèle est resté léger — n’utilisant qu’environ 7,9 mégaoctets de mémoire — et suffisamment rapide pour traiter approximativement 142 images par seconde sur une carte graphique standard. Pour les entreprises électriques, cela signifie que les drones peuvent balayer rapidement les lignes et signaler automatiquement les risques probables, permettant aux équipes de se concentrer sur des réparations en temps utile plutôt que sur une recherche manuelle. En termes pratiques, ce travail ouvre la voie à moins de pannes inattendues, à une sécurité accrue à proximité des lignes haute tension et à un réseau électrique plus fiable.

Citation: 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

Mots-clés: inspection des lignes électriques, imagerie par drone, détection d'objets, apprentissage profond, sécurité des infrastructures