Detectie van vreemde voorwerpen in hoogspanningslijnen met SESYOLO

Hoogspanningslijnen vrij en veilig houden

Het moderne leven is afhankelijk van elektriciteit die probleemloos door uitgestrekte netwerken van hoogspanningslijnen stroomt. Toch kan iets alledaags als een vogelnest of een verdwaalde vlieger storingen, branden of kostbare reparaties veroorzaken wanneer het verstrikt raakt in hoogspanningsapparatuur. Deze studie introduceert een verbeterd computervisiestelsel, genaamd SESYOLO, dat drones helpt om zulke vreemde voorwerpen op hoogspanningslijnen snel en nauwkeurig automatisch te detecteren, zelfs wanneer de objecten klein, onregelmatig van vorm en verborgen in drukke omgevingen zijn.

Alledaagse rommel, hoogspanningsrisico

Transmissielijnen strekken zich over duizenden kilometers uit, langs velden, rivieren en steden, en passeren omgevingen vol vogels, bomen en menselijke activiteiten. Nesten, plastic zakken, vliegers en ballonnen kunnen aan draden of masten blijven hangen en zo paden voor elektriciteit creëren waar die niet hoort te lopen. Traditionele inspecties zijn sterk afhankelijk van personeel dat lange afstanden aflegt en structuren visueel scant—een traag en soms gevaarlijk proces. Drones hebben het verzamelen van beelden vereenvoudigd, maar het omzetten van die beelden in betrouwbare, automatische waarschuwingen vereist software die kleine, onregelmatige objecten kan onderscheiden tegen achtergronden vol kabels, stalen vakwerken en begroeiing. Bestaande detectieprogramma’s verwarren vaak achtergrondpatronen met gevaarlijke objecten, missen kleine voorwerpen en lijden onder een gebrek aan goed gelabelde trainingsbeelden.

Machines leren herkennen wat problemen veroorzaakt

Om het tekort en de onbalans aan echte inspectiefoto’s te overwinnen, bouwden de onderzoekers eerst een nieuwe beeldverzameling, FOD24 genaamd, gericht op vreemde voorwerpen op hoogspanningslijnen. Ze combineerden 1.401 echte dronefoto’s met verschillende soorten beeldverrijking, zoals aanpassing van kleur en helderheid, het toevoegen van onscherpte en ruis, en het simuleren van regen, sneeuw en mist. Vervolgens gebruikten ze moderne beeldgeneratietools om extra realistische scènes te creëren en ondervertegenwoordigde categorieën zoals ballonnen of vliegers aan te vullen. Na zorgvuldige menselijke selectie en annotatie bevatte de uiteindelijke dataset 2.817 afbeeldingen met vogelnesten, vliegers, ballonnen, plastic zakken en isolatoren. Alleen echte foto’s werden voor de testen gebruikt, wat ervoor zorgt dat prestatieclaims echte omstandigheden weerspiegelen in plaats van kunstmatige voorbeelden.

Een slimmer oog voor kleine doelen

Gebaseerd op een populaire snelle detector, bekend als YOLOv8, herontwierp het team meerdere belangrijke onderdelen van het netwerk zodat het beter met kleine, gecamoufleerde objecten om kan gaan en toch in realtime kan draaien op hardware die gewoonlijk op drones wordt gebruikt. Een nieuw module, SCConv genoemd, helpt het systeem zich te concentreren op de meest informatieve details in zowel de positie als de intensiteit van beeldkenmerken, waardoor redundante berekeningen worden verminderd. Een ander onderdeel, Efficient RepGFPN, verbetert hoe informatie uit grove, overzichtsbeelden en fijne, close‑up beelden wordt gecombineerd—wat cruciaal is wanneer nesten of vliegers slechts een paar pixels beslaan. Ten slotte moedigt een op maat gemaakte attentie‑mechaniek in de detectiekop het netwerk aan om vreemde voorwerpen te benadrukken en afleidende achtergronden minder zwaar te wegen. Samen scherpen deze wijzigingen het zicht van het model voor subtiele vormen zonder het significant te vertragen.

Leren van een sterkere leraar

De onderzoekers verhoogden de capaciteiten van SESYOLO verder met een techniek die knowledge distillation wordt genoemd. Simpel gezegd trainden ze een kleinere, snellere detector (de “student”) om het gedrag van een groter, capabeler model (de “leraar”) na te bootsen. Tijdens de training werd de student blootgesteld aan sterk geaugmenteerde beelden die de gevarieerde en rommelige scenes nabootsen waarmee drones in het veld te maken krijgen. Speciale modules brachten de interne signalen tussen leraar en student op één lijn, zodat de student zowel kon leren wat er in het beeld aanwezig is als waar het zich bevindt. Na deze twee‑fase training behield het studentmodel veel van de nauwkeurigheid van de leraar terwijl het compact en efficiënt genoeg bleef voor praktische inzet op luchtplatforms.

Betere detectie voor een betrouwbaarder net

Bij vergelijking met meerdere bekende objectdetectiesystemen behaalde SESYOLO aanzienlijk hogere nauwkeurigheid en recall, vooral voor kleine en onregelmatige objecten. In vergelijking met de oorspronkelijke YOLOv8‑versie waarop het is gebaseerd, verbeterde SESYOLO een belangrijke nauwkeurigheidsscore met ongeveer negen procentpunten en toonde het bijzonder sterke prestaties bij het opsporen van vogelnesten, met bijna 94% nauwkeurigheid. Tegelijk bleef het model lichtgewicht—met een geheugenverbruik van ongeveer 7,9 megabyte—en snel genoeg om ruwweg 142 beelden per seconde te verwerken op een standaard grafische kaart. Voor energiemaatschappijen betekent dit dat drones lijnen snel kunnen scannen en automatisch waarschijnlijke gevaren kunnen markeren, waardoor crews zich kunnen richten op tijdige reparaties in plaats van handmatig zoeken. In gewone bewoordingen biedt dit werk een route naar minder onverwachte stroomstoringen, meer veiligheid in de buurt van hoogspanningslijnen en een betrouwbaarder elektriciteitsnet.

Bronvermelding: 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

Trefwoorden: inspectie van hoogspanningslijnen, dronebeelden, objectdetectie, deep learning, infrastructuurveiligheid