Efficiënte detectiemethode voor objecten gebaseerd op wavelettransformatie en progressief kenmerkpiramidenetwerk: een casestudy van inspectie van het stroomnet

Zorgen dat hoogspanningslijnen vrij blijven van verborgen gevaren

Elektriciteit houdt het moderne leven draaiende, maar de elektriciteitsleidingen die het vervoeren zijn fragieler dan ze lijken. Alledaagse voorwerpen zoals ballonnen, vliegers, plastic zakken of vogelnesten kunnen in hoogspanningsleidingen verstrikt raken, wat vonken, stroomuitval en dure reparaties kan veroorzaken. Nutsbedrijven vertrouwen steeds vaker op drones en camera's om lange stukken kabel te patrouilleren, maar het opsporen van kleine, weinig contrastrijke objecten in drukke beelden blijft moeilijk voor zowel mensen als standaard AI-systemen. Deze studie presenteert een snellere, nauwkeurigere computer-visionmethode die inspectieteams helpt deze gevaren in real time automatisch te detecteren.

Waarom kleine objecten moeilijk te zien zijn

Beelden van elektriciteitscorridors zijn visueel uitdagend. Het grootste deel van de scène bestaat uit brede, gladde gebieden zoals lucht, velden of rivieren, terwijl de veiligheidskritische onderdelen – kabels, isolatoren en vreemde voorwerpen – dunne lijnen of kleine vlekjes zijn. Standaard detectiesystemen zoals YOLO, een populaire familie van real-time objectdetectors, zijn ontworpen voor alledaagse foto’s met grotere, duidelijkere objecten zoals mensen of auto’s. In luchtbeelden van hoogspanningslijnen beslaan ballonnen of stukjes afval daarentegen vaak maar een paar pixels en vallen ze vaak samen met masten of draden. Het resultaat is frequente missers, valse alarmen op achtergrondstructuren en instabiele prestaties wanneer scènes drukker worden.

AI leren beelden te lezen via frequenties

De auteurs pakken dit aan door te veranderen hoe het neurale netwerk naar beelden “kijkt”. In plaats van alles alleen in het gebruikelijke pixelframe te verwerken, voegen ze een wavelet-gebaseerde convolutielaag toe genaamd WTConv. Wavelets splitsen een afbeelding in laagfrequente delen die gladde achtergrondgebieden vastleggen en hoogfrequente delen die randen en fijne details benadrukken. In dit ontwerp verwerkt het netwerk deze delen afzonderlijk en combineert ze daarna weer zonder informatie te verliezen. Dat betekent dat het de brede context van de corridor kan behouden terwijl structuren zoals draden, masten en kleine vreemde voorwerpen worden verscherpt – zonder het model zwaarder of trager te maken.

Kenmerken stapelen om over schalen heen te zien

Het detecteren van een vogelnest op een mastarm of een vlieger die over meerdere draden is verstrikt vereist ook begrip van hoe patronen zich verhouden over verschillende groottes in de afbeelding. Om dit aan te pakken introduceert de studie een Progressief Kenmerkpiramidenetwerk (PFPN). Het neemt kenmerken uit ondiepe en diepe lagen van het netwerk en fuseert ze in twee stappen: eerst van grof naar fijn, vervolgens terug van fijn naar grof. Een stap van “adaptieve fusie” leert voor elke locatie hoeveel vertrouwen aan elke schaal moet worden gegeven. Deze progressieve stapeling levert kenkaarten op die beter overeenkomen met de werkelijke vreemde voorwerpen en vermindert verwarring wanneer kleine gevaren overlappen met grote metalen structuren.

Het fijn afstellen van hoe vakjes worden getekend

Zelfs wanneer een model het juiste object raadt, moet het nog steeds een nauwkeurig kader eromheen plaatsen. Gebruikelijke trainingsregels richten zich op hoeveel het voorspelde en het echte kader overlappen, maar dat kan misleidend zijn voor kleine, vage doelen. De onderzoekers verfijnen deze stap met een nieuwe “Inner-EIoU” verliesfunctie, die speciale aandacht schenkt aan hoe goed de centrale regio’s van de kaders overeenkomen. Door nauwe uitlijning in het kerngebied te belonen, helpt de methode het model de werkelijke positie van kleine of gedeeltelijk verborgen vreemde voorwerpen vast te leggen, waardoor de uiteindelijke detecties betrouwbaarder worden.

De voordelen aantonen in de praktijk

Om hun ontwerp te testen bouwde het team een gespecialiseerd dataset van 4.700 beelden uit echte hoogspanningscorridors, met scènes van stedelijke tot landelijke omgevingen en labeling van vier veelvoorkomende gevaartypes: afval, ballonnen, vogelnesten en vliegers. Vergeleken met een standaard YOLOv11-baseline detecteert het verbeterde model meer van deze objecten terwijl het minder fouten maakt, wat zowel precisie als de algemene detectiescores verhoogt. Tegelijkertijd gebruikt het ongeveer een vijfde minder parameters en draait het ongeveer 18% sneller, waardoor het goed geschikt is voor drones of edge-apparaten die in real time moeten werken. Tests op een breed openbaar benchmark (MS COCO) tonen soortgelijke verbeteringen, wat suggereert dat de ideeën generaliseerbaar zijn buiten stroomlijnen. In praktische termen betekent dit dat nutsbedrijven slimmere, lichtere inspectiesystemen kunnen inzetten die kleine gevaren beter opsporen voordat ze grote problemen veroorzaken.

Bronvermelding: 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

Trefwoorden: inspectie van het stroomnet, detectie van vreemde voorwerpen, dronebeeldvorming, real-time computer vision, hoogspanningsleidingen