שיטת זיהוי יעילה מבוססת על טרנספורם גַל ופרוגרסיב פריצמיד של תכונות: מחקר מקרה של בדיקת רשת החשמל

שמירה על קווי חשמל נקיים מסכנות חבויות

חשמל שומר על רצף החיים המודרניים, אך קווי החשמל שמובילים אותו שבירים יותר ממה שנראה לעין. פריטים יומיומיים כמו בלונים, עפיפונים, שקיות פלסטיק או קיני ציפורים עלולים להימשך על קווי מתח גבוה, לסכן ניצוצות, הפסקות חשמל ותיקונים יקרים. גופי תשתית נעזרים יותר ויותר ברחפנים ובמצלמות לתצפית על קטעים ארוכים של חוטים, אך איתור עצמים קטנים ודלי-ניגוד בתמונות עמוסות נשאר קשה הן לאנשים והן למערכות בינה מלאכותית סטנדרטיות. במחקר זה מוצעת שיטה מהירה ומדויקת יותר בראייה ממוחשבת שעוזרת לצוותי בדיקה לזהות אוטומטית סיכונים אלו בזמן אמת.

למה עצמים קטנים קשים לזיהוי

תמונות של מסלולי חשמל הן מאתגרות מבחינה ויזואלית. רוב הסצנה מורכבת מאזורים רחבים וחלקים כמו שמיים, שדות או נחלים, בעוד החלקים הקריטיים לבטיחות – כבלים, מבודדים וגופים זרים – הם קווים דקים או כתמים קטנים. מערכות זיהוי סטנדרטיות כגון YOLO, משפחה פופולרית של גלאי עצמים בזמן אמת, תוכננו עבור תמונות יומיומיות עם עצמים גדולים וברורים כמו אנשים או רכבים. בתצלומי אוויר של קווי חשמל, לעומת זאת, בלונים או פסולת יכולים להימשך על פני מספר פיקסלים בודדים ולעתים להתמזג עם מגדלים או חוטים. התוצאה היא החמצות תכופות, אזעקות שווא על מבני רקע וביצועים לא יציבים בסצנות עמוסות.

להדריך בינה מלאכותית לקרוא תמונות לפי תדרים

המחברים מתמודדים עם הבעיה על ידי שינוי הדרך שבה הרשת העצבית "מסתכלת" על התמונה. במקום לעבד הכל רק ברשת הפיקסלים המקובלת, הם מוסיפים שכבת קונבולוציה מבוססת גל בשם WTConv. גליות מפרקות תמונה לחלקים בתדר נמוך התופסים אזורים חלקים של הרקע ולחלקים בתדר גבוה המבליטים קצוות ופרטים דקים. בעיצוב הזה הרשת מעבדת את החלקים הללו בנפרד ואז משחזרת אותם מבלי לאבד מידע. משמעות הדבר היא שהיא יכולה לשמור על הקונטקסט הרחב של המסלול תוך חידוד מבנים כמו חוטים, מגדלים וגופים זרים קטנים – בלי להכביד או להאט את המודל.

ערימת תכונות כדי לראות בקנה מידה שונה

זיהוי קן ציפורים על זרוע מגדל או עפיפון העשוי להיתפס על פני כמה חוטים גם דורש הבנה של יחסים בין דפוסים בגדלים שונים בתמונה. כדי להתמודד עם זה מציג המחקר רשת פרוגרסיבית פירמידית של תכונות (PFPN). היא לוקחת תכונות משכבות רדודות ועמוקות של הרשת וממזגת אותן בשתי דרגות: תחילה מגס לדק, ואז חזרה מדק לגס. שלב "מיזוג אדפטיבי" לומד, עבור כל מיקום, עד כמה יש להסמיך לכל קנה מידה. ערימה פרוגרסיבית זו מייצרת מפת תכונות שמתיישרת טוב יותר עם הגופים הזרים בפועל ומפחיתה בלבול כאשר סכנות קטנות חופפות למבני מתכת גדולים.

כיוונון עדין של אופן שרטוט התיבות

גם כשמודל מנחש את האובייקט הנכון, הוא עדיין צריך להציב מסגרת מדויקת סביבו. כללי אימון נפוצים מתמקדים בכמה החפיפה בין התיבה החזויה לבין האמיתית, אך זה עלול להיות מטעה עבור מטרות זעירות וחלשות. החוקרים מדייקים שלב זה באמצעות פונקציית אובדן חדשה בשם "Inner-EIoU", שמקדישה תשומת לב מיוחדת להתאמה של אזורים מרכזיים בתוך התיבות. על ידי מתן בונוס ליישור הדוק באזור הליבה, השיטה עוזרת למודל להתמקד במיקום האמיתי של גופים זרים קטנים או חלקית מוסתרים, מה שהופך את הזיהויים הסופיים לאמינים יותר.

הוכחת השיפורים בעולם האמיתי

כדי לבדוק את העיצוב שלהם, הצוות בנה מאגר נתונים מיוחד של 4,700 תמונות מתוך מסלולי מתח גבוה אמיתיים, המכסה סצנות מעירוניות ועד כפריות וסימון של ארבעה סוגי סכנה נפוצים: זבל, בלונים, קיני ציפורים ועפיפונים. לעומת קו בסיס סטנדרטי של YOLOv11, המודל המשופר מזוהה יותר עצמים אלה תוך שהוא עושה פחות טעויות, ומשפר גם דיוק וגם ציוני זיהוי כלליים. במקביל הוא משתמש בכמינית פחות פרמטרים ופועל בערך 18% מהר יותר, מה שהופך אותו מתאים לרחפנים או למכשירי קצה שצריכים לפעול בזמן אמת. מבחנים על מדד ציבורי רחב (MS COCO) מראים שיפורים דומים, מה שמעיד שהרעיון מתכלל מעבר לקווי חשמל. במונחים מעשיים, משמעות הדבר היא שחברות תשתית יכולות לפרוס מערכות בדיקה חכמות וקלות יותר שיזהו טוב יותר סכנות קטנות לפני שהן גורמות לבעיות גדולות.

ציטוט: 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

מילות מפתח: בדיקת רשת חשמל, זיהוי גופים זרים, צילום באמצעות רחפן, ראייה ממוחשבת בזמן אמת, קווי שידור בלחץ גבוה