Метод точной сегментации тонких объектов энергосети на основе многомасштабного восприятия и обучения, чувствительного к положению

Обеспечение электроснабжения безопасно

Современная жизнь зависит от того, чтобы электричество беспрепятственно поступало по обширной сети линий электропередачи. Большая часть этой сети проходит над нашими головами, где стареющие провода, неблагоприятная погода и человеческие ошибки могут вызывать аварии или даже представлять угрозу. Энергокомпании все чаще полагаются на камеры и искусственный интеллект для мониторинга этих линий в реальном времени, но заставить компьютер четко распознавать длинные тонкие провода на шумном фоне оказывается удивительно сложно. В этом исследовании предложен новый метод анализа изображений, который помогает компьютерам более точно отслеживать линии электропередачи даже в загруженных реальных сценах, повышая безопасность и надежность повседневной подачи электроэнергии.

Почему трудно находить тонкие провода

На первый взгляд распознавание провода на фото кажется простым: достаточно найти длинную темную полоску на фоне неба. На практике задача значительно сложнее. Провода могут быть очень тонкими по сравнению с размером всего изображения, они пересекаются, изгибаются и встречаются под разными углами. Часто они частично скрыты оборудованием, зданиями, деревьями или инструментами рабочих. Традиционные инструменты глубокого обучения для сегментации изображений — методы, которые помечают каждый пиксель как «провод» или «фон» — разрабатывались в основном для более объемных, «комковатых» объектов, таких как автомобили или люди. Такие методы склонны размывать края проводов, дробить их на куски или путать с другими длинными узкими объектами. Для работ под напряжением, выполняемых без отключения питания, такие ошибки могут ослабить систему сигнализации и инспекции.

Новый способ «видеть» линии электропередачи

Исследователи опираются на популярную архитектуру сегментации изображений, известную как U-Net, которая обрабатывает изображение на нескольких разрешениях и затем объединяет полученную информацию. Их новая система, названная MSHNet (Multi-Scale Head Network), добавляет дополнительные «головы», которые делают предсказания на нескольких масштабах одновременно. Каждая голова фокусируется на своем уровне детализации, благодаря чему модель учитывает как общий маршрут провода, так и его тонкие края. Все эти предсказания затем объединяются в итоговую карту того, где находятся провода в полном разрешении. Для управления обучением команда также разработала специальную функцию потерь — по сути правило оценки — которая учитывает не только «нашли ли вы провод?», но и «правильно ли указаны его размер и положение?». Эта чувствительная к масштабу и положению функция потерь побуждает сеть гораздо точнее воспроизводить истинную толщину, длину и расположение каждого провода по сравнению со стандартными критериями.

Обучение сети форме и направлению

Даже с этими улучшениями исходная MSHNet по‑прежнему испытывала трудности с экстремально длинными тонкими линиями. Чтобы решить эту проблему, авторы модифицировали предсказательные головы, чтобы они работали как интеллектуальные детекторы краев. Вдохновленные классическими фильтрами обработки изображений, они разложили обычные квадратные фильтры на горизонтальные и вертикальные компоненты, используя операторы Собеля, особенно эффективные для выделения резких переходов вдоль линий. Сеть умножает свои внутренние признаки на отклики этих детекторов краев, что фактически усиливает структурно-линейные объекты и подавляет нерелевантные фоновые шаблоны. Одновременно они уточнили функцию потерь так, чтобы она больше учитывала направление линии. Вместо простого наказания за квадрат ошибочного угла они используют меру на основе косинуса, которая сильно реагирует даже на небольшие ошибки направления и увеличивает штраф, когда модель путает горизонтальные и вертикальные ориентиры. Такое сочетание помогает сети сохранять непрерывность проводов на больших расстояниях и при изгибах.

Испытание метода на практике

Чтобы оценить работоспособность системы в реальных условиях, команда собрала 1800 высокоразрешающих изображений с реальных работ под напряжением в городах, на заводах и в пригородных районах. Эти снимки содержат жесткое освещение, загроможденные сцены и множество типов опор и проводов, что делает их требовательным полигоном для тестирования. После тщательного изменения размеров и аугментации изображений они обучили и оценили несколько моделей, включая U-Net, DeepLabV3+, PSPNet, исходную MSHNet и улучшенную версию. Они измеряли три ключевых показателя: общую точность пикселей, степень перекрытия предсказанных и истинных областей проводов, а также насколько точно модель сочетает обнаружение всех проводов с минимизацией ложных тревог. Улучшенная MSHNet достигла точности пикселей около 99,5% и показала более высокие результаты по перекрытию и точности по сравнению со всеми другими методами, демонстрируя более чистые и непрерывные трассировки проводов, особенно в местах пересечения линий или при частичном закрытии металлическими конструкциями.

Значение для повседневного электроснабжения и не только

Для неспециалистов главное — этот метод позволяет компьютерам отображать провода на изображениях почти так же надежно, как внимательный человеческий инспектор, но гораздо быстрее и в масштабах. За счет лучшего понимания размера, положения и направления тонких объектов система может генерировать более точные предупреждения о безопасности, поддерживать работы под напряжением без отключений и помогать выявлять дефекты до того, как они вызовут сбои. Те же идеи могут пригодиться при инспекции других длинных тонких конструкций, таких как контактная сеть железных дорог или трубопроводы. По мере того как энергокомпании двигаются в сторону более умных и автоматизированных сетей, такие улучшения обеспечивают критически важную цифровую «пару глаз», которая помогает сохранять электроснабжение безопасным и эффективным.

Цитирование: Zhang, D., Xie, P., Chen, H. et al. Precise segmentation method for slender power targets based on multi-scale perception and location-sensitive learning. Sci Rep 16, 4899 (2026). https://doi.org/10.1038/s41598-026-35084-6

Ключевые слова: инспекция линий электропередачи, сегментация изображений, глубокое обучение, мониторинг инфраструктуры, компьютерное зрение