Metoda wykrywania uszkodzeń łańcuchów izolatorów linii przesyłowych oparta na analizie barw obrazu i wieloskalowej kompensacji cech

Utrzymanie zasilania

Współczesne życie zależy od długich łańcuchów szklanych i ceramicznych elementów — zwanych łańcuchami izolatorów — które wiszą na liniach wysokiego napięcia i oddzielają prąd od metalowych słupów. Gdy te elementy pękają, ulegają przebiciom lub łamią się, mogą powodować awarie zasilania, a nawet pożary. Ręczna kontrola tysięcy kilometrów linii jest powolna i niebezpieczna, dlatego przedsiębiorstwa energetyczne coraz częściej wykorzystują zdjęcia z dronów. W artykule zaprezentowano inteligentniejszy sposób, w jaki komputery mogą analizować takie obrazy i wykrywać uszkodzenia izolatorów dokładniej i bardziej niezawodnie niż dotychczasowe metody.

Dlaczego kontrola tych łańcuchów jest trudna

Łańcuchy izolatorów wiszą na zewnątrz przez dekady, wystawione na słońce, deszcz, lód, zanieczyszczenia i wyładowania atmosferyczne. Z czasem mogą pojawić się drobne pęknięcia, braki elementów lub ślady spalania, które prowadzą do nagłej awarii. Drony potrafią robić szczegółowe zdjęcia tych łańcuchów, ale ujęcia są zagracone: lasy, chmury, słupy, przewody, gniazda ptaków i cienie wypełniają kadr. Uszkodzenia mogą mieć zaledwie kilka milimetrów szerokości i łatwo ginąć w odblaskach lub rozmazaniu. Istniejące narzędzia widzenia komputerowego opierają się albo na ręcznie dopasowanych regułach — takich jak stałe zakresy kolorów czy proste miary kształtu — albo używają ogólnego głębokiego uczenia trenowanego na scenach codziennych. Oba podejścia mają problemy, gdy zmieniają się oświetlenie, pogoda, kąt widzenia i tło między zdjęciami.

Znajdowanie właściwych elementów na zatłoczonym obrazie

Pierwszym etapem nowej metody jest oczyszczenie każdego zdjęcia z drona przed przejściem do głębokiego uczenia. Autorzy wykorzystują dwie stabilne wskazówki: typowe barwy izolatorów danej linii i regularną teksturę ich powtarzalnych kształtów. Najpierw normalizują jasność, aby intensywne słońce lub głębokie cienie miały mniejszy wpływ, a następnie używają danych z wcześniejszych inspekcji tej samej wieży, by określić elastyczne zakresy kolorów RGB, w których zwykle mieszczą się izolatory. To szybko usuwa duże fragmenty nieba, roślinności i konstrukcji stalowych. Ponieważ sam kolor może mylić — rdza, brud czy cienie mogą wyglądać podobnie — metoda sprawdza następnie teksturę w obszarach kandydujących. Izolatory tworzą uporządkowane, periodyczne wzory; tło zwykle nie. Przesuwając siatkę małych okienek po regionie i mierząc, jak często różne poziomy szarości występują razem, algorytm zachowuje tylko obszary, których tekstura pasuje do próbek czystych izolatorów, i obejmuje je ciasnymi, prostymi prostokątami poziomymi.

Nauka sieci, które szczegóły są ważne

Gdy łańcuchy izolatorów zostaną wyizolowane, zaczyna się prawdziwe wyzwanie: wykrycie drobnych uszkodzeń na nich. Konwencjonalne sieci neuronowe stopniowo kompresują informacje obrazu od wejścia do końcowej predykcji, co zwykle wypłukuje bardzo cienkie krawędzie i włosowate pęknięcia, które są kluczowe. Aby temu przeciwdziałać, autorzy zaprojektowali nową sieć detekcyjną, MFCD-Net, która celowo rozdziela i wzmacnia różne rodzaje informacji wizualnej. Przy użyciu piramidy Laplace’a dzieli każde wykadrowane zdjęcie izolatora na gładką składową odzwierciedlającą ogólny kształt oraz składową detali zawierającą ostre linie i tekstury. Trzy równoległe ścieżki następnie przetwarzają oryginalny obraz, warstwę z detalami i warstwę gładką, każda z lekkimi modułami uwagi, które uwypuklają cechy najistotniejsze dla uszkodzeń lub ogólnej struktury.

Składanie elementów z powrotem we właściwej skali

Same połączone cechy to za mało, ponieważ różne typy i rozmiary uszkodzeń korzystają z różnych proporcji detali i struktury. Dlatego MFCD-Net dodaje dynamiczny moduł kompensacyjny działający jak strażnik dla każdej skali detekcji. Na każdym poziomie sieci — przybliżonym do całych łańcuchów lub dokładniejszym dla pojedynczych dysków — analizuje bieżącą mapę cech i decyduje, piksel po pikselu, ile pożyczyć ze wzmocnionego strumienia detali, a ile ze wygładzonego strumienia strukturalnego. Mały blok resztkowy następnie udoskonala to połączenie, zanim zostanie dodane z powrotem do głównej ścieżki. W efekcie sieć może skupić się na dodatkowej ostrości tam, gdzie podejrzewa pęknięcia, lub na szerszych wskazówkach kształtu tam, gdzie trzeba odróżnić izolatory od mylących wzorów tła, bez stałego zablokowania w określonych regułach fuzji.

Jak metoda sprawdza się w praktyce

Autorzy testują pełny potok — wstępną segmentację plus MFCD-Net — na 5 793 zdjęciach z dronów zawierających prawie 10 000 oznaczonych łańcuchów izolatorów i ponad 100 000 anotowanych jednostek. Ich przetwarzanie kolor–tekstura poprawnie odzyskuje około 99% łańcuchów i obejmuje ponad 97% prawdziwych pikseli izolatorów, nawet w scenach z gęstą roślinnością czy oślepiającym niebem. W rozpoznawaniu uszkodzeń porównują się z ośmioma czołowymi systemami detekcji obiektów, w tym znanymi modelami takimi jak YOLO, RetinaNet oraz projektami opartymi na transformerach. Mierzone średnią precyzją (mAP) przy standardowym progu nakładania ich podejście poprawia ogólną jakość wykrywania o około 4 punkty procentowe w stosunku do najlepszego konkurenta, z szczególnie silnymi zyskami dla subtelnych uszkodzeń i śladów przebicia, które poprzednie metody często pomijały lub myliły z cieniami i plamami.

Co to oznacza dla sieci energetycznej

Mówiąc prosto, praca pokazuje, jak łączenie prostych wskazówek fizycznych — koloru i powtarzalnych wzorów — z starannie zorganizowanymi sieciami neuronowymi może uczynić inspekcję linii z użyciem dronów bardziej niezawodną i informacyjną. Najpierw usuwając większość nieistotnego tła, a potem kierując uwagę sieci na właściwy miks drobnych detali i ogólnego kształtu na każdej skali, system wychwytuje więcej niebezpiecznych uszkodzeń bez lawiny fałszywych alarmów. Choć pozostają wyzwania, takie jak izolatory o kolorach bardzo podobnych do otoczenia oraz wyższe koszty obliczeniowe projektu wielogałęziowego, metoda wskazuje drogę do inteligentniejszego, bezpieczniejszego i bardziej skalowalnego monitorowania krytycznej infrastruktury.

Cytowanie: 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

Słowa kluczowe: inspekcja linii energetycznych, uszkodzenia izolatorów, fotografie z dronów, wykrywanie z użyciem głębokiego uczenia, niezawodność sieci