Обнаружение посторонних предметов на линиях электропередачи с помощью SESYOLO

Сохраняя линии электропередачи чистыми и безопасными

Современная жизнь зависит от того, чтобы электричество беспрепятственно протекало по пространным сетям линий электропередачи. Однако что‑то вроде птичьего гнезда или заблудившегося воздушного змея может вызвать отключения, пожары или дорогостоящие ремонты, если застрянет на оборудовании высокого напряжения. В этом исследовании предложена усовершенствованная система компьютерного зрения под названием SESYOLO, которая помогает дронам автоматически обнаруживать такие посторонние предметы на линиях электропередачи быстро и точно, даже когда объекты крошечные, не имеют правильной формы и спрятаны на фоне сложной обстановки.

Повседневный мусор, риск при высоком напряжении

Линии передачи простираются на тысячи километров через поля, реки и города, проходя через среды, полные птиц, деревьев и человеческой активности. Гнёзда, полиэтиленовые пакеты, змеи и шарики могут зацепиться за провода или опоры, создавая пути для пробоя там, где его быть не должно. Традиционные осмотры во многом зависят от работников, которым приходится преодолевать большие расстояния и визуально осматривать конструкции — это медленная и порой опасная задача. Дроны упростили сбор изображений, но превращение этих снимков в надёжные автоматические предупреждения требует программного обеспечения, способного выделить маленькие, неправильной формы объекты на фоне, заполненном тросами, стальными фермами и растительностью. Существующие алгоритмы часто принимают фоновые узоры за угрозы, пропускают крошечные объекты и страдают от нехватки хорошо размеченных обучающих изображений.

Обучая машины распознавать опасность

Чтобы преодолеть нехватку и дисбаланс реальных инспекционных фото, исследователи сначала создали новую коллекцию изображений под названием FOD24, ориентированную на посторонние предметы на линиях электропередачи. Они объединили 1401 реальную фотографию с дрона и применили несколько методов улучшения изображений, таких как регулировка цвета и яркости, добавление размытия и шума, а также имитация дождя, снега и тумана. Затем они использовали современные инструменты генерации изображений, чтобы создать дополнительные реалистичные сцены, заполнив недостаточно представленные категории, например шарики или змеи. После тщательной ручной проверки и разметки итоговый набор данных содержал 2817 изображений, охватывающих птичьи гнёзда, змеи, шарики, полиэтиленовые пакеты и изоляторы. Для тестирования использовались только реальные фотографии, что гарантирует, что заявленные показатели отражают реальные условия, а не искусственные примеры.

Более внимательный «глаз» для крошечных объектов

Опираясь на популярный быстрый детектор YOLOv8, команда переработала несколько ключевых компонентов сети, чтобы она лучше справлялась с маленькими, замаскированными объектами, оставаясь при этом способной работать в реальном времени на аппаратуре, обычно используемой на борту дронов. Новый модуль SCConv помогает системе сосредоточиться на наиболее информативных деталях как в пространственном положении, так и в интенсивности признаков на изображении, сокращая лишние вычисления. Другой компонент, Efficient RepGFPN, улучшает объединение информации из грубых, общих представлений и детализированных крупно‑пиксельных видов — это критично, когда гнездо или змей занимают лишь несколько пикселей. Наконец, адаптированный механизм внимания в «голове» детектора побуждает сеть акцентировать внимание на посторонних предметах и ослаблять роль отвлекающего фона. В совокупности эти изменения делают «глаз» модели острее в распознавании тонких форм без заметного снижения скорости работы.

Учение у сильного учителя

Исследователи дополнительно повысили возможности SESYOLO с помощью техники, называемой дистилляцией знаний. Проще говоря, они обучали более компактный и быстрый детектор («ученик») имитировать поведение более крупной, более мощной модели («учитель»). В процессе обучения ученик подвергался агрессивным аугментациям изображений, имитирующим разнообразные и беспорядочные сцены, с которыми дроны сталкиваются в поле. Специальные модули согласовывали внутренние сигналы между учителем и учеником, чтобы ученику было легче усвоить и то, что присутствует на изображении, и где это расположено. После такого двухэтапного обучения модель‑ученик сохранила большую часть точности учителя, оставаясь при этом компактной и эффективной для практического развёртывания на воздушных платформах.

Лучшее обнаружение ради более надёжной сети

При тестировании на фоне нескольких известных систем обнаружения объектов SESYOLO показала заметно более высокую точность и полноту, особенно для маленьких и неправильной формы объектов. По сравнению с исходной версией YOLOv8, на которой она основана, SESYOLO улучшила ключевой показатель точности примерно на девять процентных пунктов и продемонстрировала особенно хорошую эффективность в обнаружении птичьих гнёзд, достигнув почти 94% точности. При этом модель осталась лёгкой — занимая около 7.9 мегабайта памяти — и достаточно быстрой, чтобы обрабатывать примерно 142 изображения в секунду на стандартной видеокарте. Для энергетических компаний это означает, что дроны могут быстро сканировать линии и автоматически отмечать вероятные угрозы, позволяя бригадам сосредоточиться на своевременных ремонтах вместо ручного поиска. Проще говоря, работа прокладывает путь к меньшему числу неожиданных отключений, большей безопасности вблизи высоковольтных линий и более надёжной электрической сети.

Цитирование: 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

Ключевые слова: инспекция линий электропередачи, съёмка дроном, обнаружение объектов, глубокое обучение, безопасность инфраструктуры