Méthode de détection des défauts de chaînes d'isolateurs pour lignes de transmission basée sur l'analyse des couleurs d'image et la compensation multi-échelle des caractéristiques

Maintenir l'électricité en fonctionnement

La vie moderne dépend de longues chaînes de pièces en verre et en céramique — appelées chaînes d'isolateurs — qui pendent des lignes à haute tension et empêchent l'électricité d'atteindre les pylônes métalliques. Lorsque ces éléments se fissurent, brûlent ou se cassent, ils peuvent provoquer des pannes d'électricité et même des incendies. Inspecter des milliers de kilomètres de lignes à la main est lent et risqué, aussi les opérateurs s'appuient de plus en plus sur des photographies prises par drone. Cet article présente une méthode plus intelligente pour permettre aux ordinateurs d'analyser ces images et de repérer les défauts des isolateurs de manière plus précise et plus fiable que les approches actuelles.

Pourquoi ces chaînes sont difficiles à contrôler

Les chaînes d'isolateurs restent en extérieur pendant des décennies, exposées au soleil, à la pluie, au givre, à la pollution et la foudre. Avec le temps, elles peuvent développer de petites fissures, des morceaux manquants ou des traces de brûlure susceptibles d'entraîner une défaillance soudaine. Les drones peuvent capturer des images détaillées de ces chaînes, mais les photos sont souvent encombrées : forêts, nuages, pylônes, câbles, nids d'oiseaux et ombres envahissent le cadre. Les défauts peuvent ne mesurer que quelques millimètres et se perdre facilement dans l'éblouissement ou le flou. Les outils de vision par ordinateur existants reposent soit sur des règles réglées à la main — comme des plages de couleurs fixes ou des mesures de forme simples — soit sur des modèles d'apprentissage profond généraux entraînés sur des scènes courantes. Les deux approches peinent lorsque la lumière, la météo, l'angle de vue et l'arrière-plan varient d'une image à l'autre.

Repérer les bonnes pièces dans une image bruyante

La première étape de la nouvelle méthode consiste à nettoyer chaque photo de drone avant toute intervention de l'apprentissage profond. Les auteurs tirent parti de deux indices stables : les couleurs typiques des isolateurs d'une ligne donnée et la texture régulière de leurs formes répétées. Ils normalisent d'abord la luminosité pour réduire l'impact du soleil violent ou des ombres profondes, puis utilisent les données d'inspection précédentes de la même tour pour définir des plages flexibles en rouge–vert–bleu où les isolateurs se situent généralement. Cela permet d'éliminer rapidement de larges portions de ciel, de végétation et de structures métalliques. Comme la couleur seule peut être trompeuse — la rouille, la saleté ou les ombres peuvent avoir un aspect similaire — la méthode vérifie ensuite la texture à l'intérieur des régions candidates. Les isolateurs forment des motifs nets et périodiques ; le désordre de l'arrière-plan généralement pas. En faisant glisser une grille de petites fenêtres sur la région et en mesurant la fréquence conjointe des niveaux de gris, l'algorithme conserve uniquement les zones dont la texture correspond à celle d'échantillons d'isolateurs propres et les encadre étroitement par de simples rectangles horizontaux.

Apprendre au réseau quels détails importent

Une fois les chaînes d'isolateurs isolées, le vrai défi commence : repérer les tout petits défauts qui s'y trouvent. Les réseaux neuronaux conventionnels compriment progressivement l'information visuelle du flux d'entrée vers la prédiction finale, ce qui a tendance à estomper les bords très fins et les fissures capillaires qui sont pourtant cruciaux. Pour contrer cela, les auteurs conçoivent un nouveau réseau de détection, MFCD-Net, qui sépare volontairement et renforce différents types d'informations visuelles. À l'aide d'une pyramide de Laplace, il divise chaque image recadrée d'isolateur en une composante lisse capturant la forme globale et une composante de détail retenant les lignes nettes et les textures. Trois voies parallèles traitent ensuite l'image originale, la couche très détaillée et la couche lissée, chacune équipée de modules d'attention légers qui mettent en évidence les caractéristiques les plus pertinentes pour les défauts ou la structure globale.

Recomposer les pièces à la bonne échelle

Empiler simplement toutes ces caractéristiques ne suffit pas, car les différents types et tailles de défauts bénéficient de mélanges différents de détails et de structure. MFCD-Net ajoute donc un module de compensation dynamique qui joue le rôle de gardien pour chaque échelle de détection. À chaque niveau du réseau — grossier pour les chaînes entières, plus fin pour les disques individuels — il examine la carte de caractéristiques courante et décide, pixel par pixel, combien emprunter au flux de détails accentués ou à la voie structurale adoucie. Un petit bloc résiduel affine ensuite ce mélange avant de le réinjecter dans la voie principale. En pratique, le réseau peut concentrer une netteté supplémentaire là où il suspecte des fissures, ou privilégier des indices de forme plus larges là où il doit distinguer les isolateurs d'un arrière-plan trompeur, sans être enfermé dans des règles de fusion fixes.

Quelle est l'efficacité de la méthode en pratique

Les auteurs évaluent leur pipeline complet — pré-segmentation plus MFCD-Net — sur 5 793 images de drone contenant près de 10 000 chaînes d'isolateurs étiquetées et plus de 100 000 unités annotées. Leur prétraitement par couleur et texture récupère correctement environ 99 % des chaînes et capture plus de 97 % des pixels d'isolateur réels, même dans des scènes à végétation dense ou à ciel éblouissant. Pour la reconnaissance des défauts, ils comparent leur approche à huit systèmes de détection d'objets de premier plan, y compris des modèles bien connus tels que YOLO, RetinaNet et des architectures basées sur des transformeurs. Mesurée par la moyenne de la précision moyenne (mAP) à un seuil d'intersection standard, leur méthode améliore la qualité de détection globale d'environ 4 points de pourcentage par rapport au meilleur concurrent, avec des gains particulièrement marqués pour les dommages subtils et les traces de flambée que les méthodes précédentes manquaient souvent ou confondaient avec des ombres et des taches.

Ce que cela signifie pour le réseau électrique

Concrètement, ce travail montre qu'en combinant des indices physiques simples — couleur et motifs répétés — avec des réseaux neuronaux soigneusement structurés, on peut rendre l'inspection par drone des lignes électriques à la fois plus fiable et plus informative. En éliminant d'abord la majeure partie de l'arrière-plan non pertinent puis en orientant l'attention du réseau vers le bon mélange de détails fins et de forme globale à chaque échelle, le système détecte davantage de défauts dangereux sans générer une avalanche de fausses alertes. Bien que certains défis subsistent, comme les isolateurs dont la couleur imite étroitement les matériaux environnants et le coût de calcul plus élevé de la conception multi-branche, la méthode ouvre la voie à une surveillance plus intelligente, plus sûre et plus scalable des infrastructures critiques.

Citation: 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

Mots-clés: inspection des lignes électriques, défauts d'isolateurs, imagerie par drone, détection par apprentissage profond, fiabilité du réseau