Methode voor het detecteren van defecten in kettingen van isolatoren voor hoogspanningslijnen gebaseerd op kleurbeeldanalyse en multiscale functiecompensatie

De stroom aanhouden

Het moderne leven leunt op lange ketens van glas- en keramiekdelen—zogenaamde isolatorkettingen—die aan hoogspanningslijnen hangen en voorkomen dat elektriciteit metalen masten raakt. Wanneer deze onderdelen barsten, verbranden of breken, kunnen ze stroomstoringen en zelfs brand veroorzaken. Het handmatig inspecteren van duizenden kilometers lijnen is traag en riskant, daarom gebruiken netbeheerders steeds vaker dronefoto’s. Dit artikel beschrijft een slimmer systeem waarmee computers die beelden scannen en isolatordefecten nauwkeuriger en betrouwbaarder opsporen dan gangbare methoden.

Waarom deze kettingen moeilijk te controleren zijn

Isolatorkettingen hangen tientallen jaren buiten en worden geconfronteerd met zon, regen, ijs, vervuiling en bliksem. Na verloop van tijd kunnen ze kleine scheurtjes, ontbrekende stukken of brandvlekken krijgen die tot plots falen leiden. Drones kunnen gedetailleerde beelden vastleggen, maar die foto’s zijn rommelig: bossen, wolken, masten, draden, vogelnesten en schaduwen vullen het kader. Defecten zijn soms slechts enkele millimeters breed en gaan gemakkelijk verloren in schittering of onscherpte. Bestaande computer vision-tools vertrouwen óf op handmatig ingestelde regels—zoals vaste kleurintervallen of eenvoudige vormmaten—óf op algemene deep-learningmodellen getraind op alledaagse scènes. Beide benaderingen hebben moeite wanneer licht, weer, kijkhoek en achtergrond van beeld tot beeld variëren.

De juiste onderdelen vinden in een rumoerige afbeelding

De eerste stap in de nieuwe methode is het opschonen van elke dronefoto voordat deep learning begint. De auteurs maken gebruik van twee stabiele aanwijzingen: de typische kleuren van de isolatoren van een specifieke lijn en de regelmatige textuur van hun herhaalde vormen. Eerst normaliseren ze de helderheid zodat fel zonlicht of diepe schaduwen minder effect hebben, en daarna gebruiken ze eerdere inspectiegegevens van dezelfde mast om flexibele rood–groen–blauw kleurintervallen vast te leggen waarin de isolatoren doorgaans vallen. Dit verwijdert snel grote delen van lucht, begroeiing en staalconstructies. Omdat kleur alleen misleidend kan zijn—roest, vuil of schaduwen kunnen er vergelijkbaar uitzien—controleert de methode vervolgens de textuur binnen kandidaatgebieden. Isolatoren vormen nette, periodieke patronen; achtergrondruis meestal niet. Door een raster van kleine vensters over het gebied te schuiven en te meten hoe vaak verschillende grijswaarden samen voorkomen, houdt het algoritme alleen de gebieden waarvan de textuur overeenkomt met schone isolatormonsters en omsluit deze strak in eenvoudige horizontale rechthoeken.

Het netwerk leren welke details ertoe doen

Zodra de isolatorkettingen geïsoleerd zijn, begint de echte uitdaging: het opsporen van piepkleine defecten erop. Conventionele neurale netwerken comprimeren beeldinformatie geleidelijk vanaf de invoer naar de uiteindelijke voorspelling, wat de zeer fijne randen en haarfijne scheurtjes die het meest tellen vaak doet vervagen. Om dit tegen te werken, ontwerpen de auteurs een nieuw detectienetwerk, MFCD-Net, dat verschillende soorten visuele informatie bewust scheidt en versterkt. Met een Laplaciaanse piramide splitsen ze elke bijgesneden isolatorafbeelding in een glad component dat de algemene vorm vastlegt en een detailcomponent die scherpe lijnen en texturen bevat. Drie parallelle paden verwerken vervolgens het originele beeld, de hoog-detaillagen en de gladgemaakte laag, elk met lichte aandachtmodules die de kenmerken benadrukken die het meest relevant zijn voor defecten of de algehele structuur.

De onderdelen op de juiste schaal weer samenvoegen

Het stapelen van al deze kenmerken is niet genoeg, omdat verschillende defecttypen en -formaten profiteren van verschillende mengsels van detail en structuur. MFCD-Net voegt daarom een dynamische compensatiemodule toe die fungeert als poortwachter voor elke detectieschaal. Voor elk niveau in het netwerk—grof voor hele kettingen, fijner voor individuele schijven—bekijkt het de huidige featuremap en bepaalt, pixel voor pixel, hoeveel er geleend moet worden uit de verscherpte detaillijn of de gegladde structurele stroom. Een klein residublok verfijnt dit mengsel voordat het weer aan het hoofdpad wordt toegevoegd. In feite kan het netwerk extra scherpte concentreren waar het scheurtjes vermoedt, of bredere vormindicatoren gebruiken waar het isolatoren van verwarrende achtergrondpatronen moet onderscheiden, zonder vast te zitten aan vaste fusie-regels.

Hoe goed de methode in de praktijk werkt

De auteurs testen hun volledige pijplijn—pre-segmentatie plus MFCD-Net—op 5.793 dronebeelden met bijna 10.000 gelabelde isolatorkettingen en meer dan 100.000 geannoteerde eenheden. Hun kleur- en textuurvoorbewerking vindt ongeveer 99% van de kettingen correct en vangt meer dan 97% van de echte isolatorpixels, zelfs in scènes met dichte begroeiing of verblindende luchten. Voor defectherkenning vergelijken ze met acht toonaangevende objectdetectiesystemen, waaronder bekende modellen zoals YOLO, RetinaNet en transformer-gebaseerde ontwerpen. Gemeten met mean Average Precision bij een standaard overlapdrempel verbetert hun aanpak de algehele detectiekwaliteit met ongeveer 4 procentpunten ten opzichte van de beste concurrent, met bijzonder sterke winst voor subtiele schade en flashoversporen die eerdere methoden vaak misten of verwarden met schaduwen en vlekken.

Wat dit betekent voor het elektriciteitsnet

Simpel gezegd laat dit werk zien hoe het combineren van eenvoudige fysieke aanwijzingen—kleur en herhaalde patronen—met zorgvuldig gestructureerde neurale netwerken dronegebaseerde inspectie van hoogspanningslijnen betrouwbaarder en informatiever kan maken. Door eerst het grootste deel van de irrelevante achtergrond weg te halen en vervolgens de aandacht van het netwerk op de juiste mix van fijne details en algemene vorm op elke schaal te richten, detecteert het systeem meer gevaarlijke defecten zonder een stortvloed aan valse alarmen. Hoewel er nog uitdagingen zijn, zoals isolatoren waarvan de kleuren sterk lijken op omringende materialen en de hogere rekenkost van het multibranch-ontwerp, wijst de methode op slimmere, veiligere en beter schaalbare monitoring van kritieke infrastructuur.

Bronvermelding: 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

Trefwoorden: controle van hoogspanningslijnen, isolatordefecten, dronebeelden, detectie met deep learning, netbetrouwbaarheid