Wykrywanie obcych przedmiotów na liniach przesyłowych z użyciem SESYOLO

Utrzymanie linii energetycznych w czystości i bezpieczeństwie

Współczesne życie zależy od nieprzerwanego przepływu energii elektrycznej przez rozległe sieci linii przesyłowych. Jednak coś tak zwyczajnego jak gniazdo ptasie czy porwany latawiec może wywołać awarie zasilania, pożary lub kosztowne naprawy, gdy zaplącze się w urządzenia wysokiego napięcia. W niniejszym badaniu przedstawiono ulepszony system widzenia komputerowego, nazwany SESYOLO, który pomaga dronom automatycznie wykrywać takie obce przedmioty na liniach przesyłowych szybko i precyzyjnie, nawet gdy obiekty są malutkie, o nieregularnych kształtach i ukryte w złożonym tle.

Codzienny bałagan, ryzyko wysokiego napięcia

Linie przesyłowe rozciągają się na tysiące kilometrów przez pola, rzeki i miasta, przebiegając przez środowiska pełne ptaków, drzew i aktywności ludzkiej. Gniazda, plastikowe torby, latawce i balony mogą przylegać do przewodów lub wież, tworząc ścieżki dla przeskoków iskier tam, gdzie ich nie powinno być. Tradycyjne inspekcje w dużej mierze polegają na pracownikach pokonujących wielkie odległości i ręcznym oglądaniu konstrukcji — to proces powolny i czasem niebezpieczny. Drony ułatwiły zbieranie obrazów, ale przekształcenie tych zdjęć w wiarygodne, automatyczne ostrzeżenia wymaga oprogramowania, które potrafi wyodrębnić małe, nieregularne obiekty na tle pełnym kabli, kratownic stalowych i roślinności. Istniejące programy detekcji często mylą wzory tła z zagrożeniami, pomijają drobne obiekty i cierpią z powodu braku dobrze oznaczonych obrazów treningowych.

Nauczanie maszyn rozpoznawania problemów

Aby przezwyciężyć niedobór i niezrównoważenie prawdziwych zdjęć inspekcyjnych, badacze najpierw zbudowali nowy zbiór obrazów, nazwany FOD24, skoncentrowany na obcych przedmiotach na liniach przesyłowych. Połączyli 1 401 rzeczywistych zdjęć z dronów z różnymi metodami ulepszania obrazu, takimi jak regulacja koloru i jasności, dodawanie rozmycia i szumu oraz symulowanie deszczu, śniegu i mgły. Następnie użyli nowoczesnych narzędzi generowania obrazu, by stworzyć dodatkowe realistyczne sceny, uzupełniając słabiej reprezentowane kategorie, takie jak balony czy latawce. Po dokładnej weryfikacji i anotacji przez ludzi, końcowy zbiór zawierał 2 817 obrazów obejmujących gniazda ptaków, latawce, balony, plastikowe torby i izolatory. Do testów użyto wyłącznie prawdziwych zdjęć, co zapewnia, że deklaracje dotyczące wydajności odzwierciedlają warunki realne, a nie przykłady sztuczne.

Mądrzejsze oko na malutkie cele

Opierając się na popularnym szybkim detektorze znanym jako YOLOv8, zespół przeprojektował kilka kluczowych części sieci, aby lepiej radziła sobie z małymi, zamaskowanymi obiektami, zachowując jednocześnie zdolność pracy w czasie rzeczywistym na sprzęcie typowo stosowanym na pokładzie dronów. Nowy moduł o nazwie SCConv pomaga systemowi skupić się na najbardziej informatywnych szczegółach zarówno dotyczących położenia, jak i intensywności cech obrazu, redukując zbędne obliczenia. Inny element, Efficient RepGFPN, poprawia sposób łączenia informacji z poglądów o dużej skali i zbliżeń o wysokiej rozdzielczości, co jest kluczowe, gdy gniazda czy latawce zajmują zaledwie kilka pikseli. Wreszcie, dopasowany mechanizm uwagi w części detekcyjnej zachęca sieć do podkreślania obcych przedmiotów i pomijania rozpraszających elementów tła. Razem te zmiany wyostrzają oko modelu na subtelne kształty, nie powodując znaczącego spowolnienia.

Nauka od silniejszego nauczyciela

Badacze dodatkowo wzmocnili możliwości SESYOLO przy użyciu techniki zwanej destylacją wiedzy. Mówiąc prościej, przeszkolili mniejszy, szybszy detektor ("uczeń"), aby naśladował zachowanie większego, bardziej zdolnego modelu ("nauczyciela"). Podczas treningu uczeń był wystawiany na intensywnie augmentowane obrazy, które naśladowały zróżnicowane i chaotyczne sceny, jakie drony napotykają w terenie. Specjalne moduły wyrównywały wewnętrzne sygnały między nauczycielem a uczniem, tak aby uczeń mógł łatwiej przyswoić zarówno to, co jest obecne na obrazie, jak i gdzie się znajduje. Po tym dwustopniowym treningu model ucznia zachował dużą część dokładności nauczyciela, pozostając jednocześnie kompaktowy i wystarczająco wydajny do praktycznego wdrożenia na platformach powietrznych.

Lepsze wykrywanie dla bardziej niezawodnej sieci

W testach w porównaniu z kilkoma dobrze znanymi systemami do wykrywania obiektów, SESYOLO osiągnął wyraźnie wyższą dokładność i czułość, szczególnie dla małych i nieregularnych obiektów. W porównaniu z pierwotną wersją YOLOv8, na której się opiera, SESYOLO poprawił kluczowy wskaźnik dokładności o około dziewięć punktów procentowych i wykazał szczególnie silne wyniki w wykrywaniu gniazd ptaków, osiągając niemal 94% dokładności. Jednocześnie model pozostał lekki — wykorzystując około 7,9 megabajta pamięci — i wystarczająco szybki, by przetwarzać około 142 obrazy na sekundę na standardowej karcie graficznej. Dla firm energetycznych oznacza to, że drony mogą szybko skanować linie i automatycznie sygnalizować prawdopodobne zagrożenia, pozwalając ekipom skupić się na terminowych naprawach zamiast ręcznego przeszukiwania. W praktyce praca ta otwiera drogę do mniejszej liczby nieoczekiwanych przerw w dostawie prądu, większego bezpieczeństwa w pobliżu linii wysokiego napięcia i bardziej niezawodnej sieci energetycznej.

Cytowanie: 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

Słowa kluczowe: inspekcja linii energetycznych, obrazowanie dronem, wykrywanie obiektów, uczenie głębokie, bezpieczeństwo infrastruktury