Rilevamento di corpi estranei nelle linee di trasmissione elettrica con SESYOLO

Mantenere le linee elettriche libere e sicure

La vita moderna dipende dall’elettricità che scorre senza intoppi attraverso vaste reti di linee. Eppure qualcosa di ordinario come un nido di uccelli o un aquilone può provocare interruzioni di corrente, incendi o costose riparazioni quando si impiglia in apparecchiature ad alta tensione. Questo studio presenta un sistema di visione artificiale migliorato, chiamato SESYOLO, che aiuta i droni a individuare automaticamente tali corpi estranei sulle linee di trasmissione in modo rapido e accurato, anche quando gli oggetti sono piccoli, di forma irregolare o nascosti in scenari complessi.

Ingombro quotidiano, rischio ad alta tensione

Le linee di trasmissione si estendono per migliaia di chilometri attraverso campi, fiumi e città, attraversando ambienti pieni di uccelli, alberi e attività umane. Nidi, sacchetti di plastica, aquiloni e palloncini possono attaccarsi ai fili o alle torri, creando percorsi per la corrente dove non dovrebbe passare. Le ispezioni tradizionali si basano molto sui tecnici che percorrono grandi distanze e ispezionano visivamente le strutture, un compito lento e talvolta pericoloso. I droni hanno reso più semplice la raccolta di immagini, ma trasformare quelle immagini in allarmi automatici affidabili richiede software in grado di riconoscere oggetti piccoli e irregolari su sfondi pieni di cavi, travi d’acciaio e vegetazione. I programmi di rilevamento esistenti spesso confondono pattern di sfondo con pericoli, perdono oggetti minuti e soffrono della mancanza di immagini annotate in modo adeguato per l’addestramento.

Insegnare alle macchine come riconoscere le anomalie

Per superare la scarsità e lo sbilanciamento delle foto di ispezione reali, i ricercatori hanno prima costruito una nuova raccolta di immagini, chiamata FOD24, focalizzata sui corpi estranei sulle linee elettriche. Hanno combinato 1.401 foto reali da drone con diversi tipi di miglioramento delle immagini, come la regolazione di colore e luminosità, l’aggiunta di sfocatura e rumore e la simulazione di pioggia, neve e nebbia. Poi hanno utilizzato strumenti moderni di generazione di immagini per creare scene aggiuntive realistiche, riequilibrando categorie sottorappresentate come palloncini o aquiloni. Dopo un accurato controllo e annotazione manuale, il dataset finale conteneva 2.817 immagini che coprono nidi d’uccello, aquiloni, palloncini, sacchetti di plastica e isolatori. Per i test sono state usate solo foto reali, garantendo che le dichiarazioni sulle prestazioni riflettano condizioni del mondo reale anziché esempi artificiali.

Un occhio più intelligente per bersagli minuscoli

Sfruttando un rilevatore veloce e noto come YOLOv8, il team ha riprogettato diversi componenti chiave della rete in modo che gestisse meglio oggetti piccoli e mimetizzati mantenendo comunque l’esecuzione in tempo reale su hardware tipicamente impiegato a bordo dei droni. Un nuovo modulo chiamato SCConv aiuta il sistema a concentrarsi sui dettagli più informativi sia nella posizione sia nell’intensità delle caratteristiche dell’immagine, riducendo calcoli ridondanti. Un altro componente, Efficient RepGFPN, migliora la fusione delle informazioni tra viste grossolane a visione d’insieme e viste dettagliate ravvicinate, cruciale quando nidi o aquiloni occupano solo pochi pixel. Infine, un meccanismo di attenzione su misura nella “testa” di rilevamento incentiva la rete a enfatizzare i corpi estranei e sminuire gli sfondi distraenti. Insieme, questi cambiamenti affinano la capacità del modello di riconoscere forme sottili senza rallentarlo in modo significativo.

Apprendere da un insegnante più forte

I ricercatori hanno ulteriormente potenziato le capacità di SESYOLO usando una tecnica chiamata distillazione della conoscenza. In termini semplici, hanno addestrato un rilevatore più piccolo e più veloce (lo “studente”) a imitare il comportamento di un modello più grande e capace (l’“insegnante”). Durante l’addestramento, lo studente è stato esposto a immagini fortemente aumentate che imitavano le scene variabili e disordinate che i droni incontrano sul campo. Moduli speciali hanno allineato i segnali interni tra insegnante e studente in modo che lo studente potesse assimilare più facilmente sia ciò che è presente nell’immagine sia dove si trova. Dopo questo addestramento in due fasi, il modello studente ha mantenuto gran parte dell’accuratezza dell’insegnante restando tuttavia compatto ed efficiente quanto basta per un impiego pratico su piattaforme aeree.

Rilevamenti migliori per una rete più affidabile

Nei test contro diversi noti sistemi di rilevamento di oggetti, SESYOLO ha fornito una precisione e un richiamo significativamente superiori, specialmente per oggetti piccoli e irregolari. Rispetto alla versione originale di YOLOv8 su cui si basa, SESYOLO ha migliorato un indicatore chiave di accuratezza di circa nove punti percentuali e ha mostrato prestazioni particolarmente forti nel rilevare nidi d’uccello, raggiungendo quasi il 94% di accuratezza. Allo stesso tempo, il modello è rimasto leggero—occupando circa 7,9 megabyte di memoria—and abbastanza veloce da processare circa 142 immagini al secondo su una scheda grafica standard. Per le compagnie elettriche, questo significa che i droni possono ispezionare rapidamente le linee e segnalare automaticamente i potenziali pericoli, permettendo alle squadre di concentrarsi su riparazioni tempestive anziché sulla ricerca manuale. In termini pratici, il lavoro apre la strada a blackout imprevisti ridotti, maggiore sicurezza vicino alle linee ad alta tensione e a una rete elettrica più affidabile.

Citazione: 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

Parole chiave: ispezione linee elettriche, riprese con drone, rilevamento oggetti, deep learning, sicurezza delle infrastrutture