Метод обнаружения дефектов нитей изоляторов для линий передачи на основе анализа цвета изображения и многошкалной компенсации признаков

Поддержание электроснабжения

Современная жизнь зависит от длинных цепочек стеклянных и керамических частей — так называемых нитей изоляторов, которые висят на высоковольтных линиях и удерживают электричество подальше от металлических опор. Когда эти элементы трескаются, пережигаются или ломаются, это может вызвать отключения электроэнергии и даже пожары. Осмотр тысяч километров линий вручную медленен и опасен, поэтому энергетические компании все чаще используют фотографии с беспилотников. В этой статье предложен более умный способ, благодаря которому компьютеры могут сканировать такие изображения и обнаруживать дефекты изоляторов точнее и надежнее, чем существующие методы.

Почему эти цепочки трудно проверять

Нити изоляторов висят на открытом воздухе десятки лет, подвергаясь солнцу, дождю, льду, загрязнению и ударам молний. Со временем на них появляются микротрещины, отколотые участки или следы перегрева, которые могут привести к внезапной поломке. Дроны способны снимать детализированные изображения таких нитей, но кадры часто загромождены: леса, облака, опоры, провода, птичьи гнезда и тени занимают место в кадре. Дефекты могут быть всего в несколько миллиметров, легко теряясь на фоне бликов или размытия. Существующие инструменты компьютерного зрения либо полагаются на вручную настроенные правила — например, фиксированные диапазоны цветов или простые геометрические меры — либо используют универсальные модели глубокого обучения, обученные на повседневных сценах. Оба подхода испытывают трудности, когда освещение, погода, угол съемки и фон меняются от кадра к кадру.

Поиск нужных элементов в шумном изображении

Первый шаг в новом методе — очистить каждую фотоснимок с дрона до применения глубокого обучения. Авторы используют два стабильных признака: типичные цвета изоляторов конкретной линии и регулярную текстуру их повторяющихся форм. Сначала они нормализуют яркость, чтобы резкое солнце или глубокие тени оказывали меньше влияния, затем используют данные предыдущих инспекций той же опоры, чтобы задать гибкие диапазоны значений красного, зеленого и синего, в которых обычно находятся изоляторы. Это быстро удаляет большие участки неба, растительности и металлических конструкций. Поскольку одного цвета может быть недостаточно — ржавчина, грязь или тени могут выглядеть похоже — метод затем проверяет текстуру внутри кандидатов. Изоляторы образуют аккуратные периодические узоры; фоновые шумы обычно — нет. Прокатывая сетку небольших окон по области и измеряя, как часто различные уровни серого встречаются вместе, алгоритм сохраняет только те участки, чья текстура соответствует образцам чистых изоляторов, и плотно обрамляет их простыми горизонтальными прямоугольниками.

Обучение сети тому, какие детали важны

После изоляции нитей изоляторов начинается настоящая задача: обнаружить крошечные дефекты на них. Обычные нейронные сети постепенно сжимают информацию по мере прохождения от входа к финальному выводу, что, как правило, размывает очень тонкие контуры и микротрещины, которые имеют ключевое значение. Чтобы нейтрализовать это, авторы проектируют новую сеть обнаружения MFCD-Net, которая намеренно разделяет и усиливает разные типы визуальной информации. С использованием лапласова пирамидального разложения она делит каждое вырезанное изображение изолятора на сглаженную компоненту, отражающую общую форму, и компоненту деталей, содержащую резкие линии и текстуры. Три параллельных ветви затем обрабатывают исходное изображение, слой с высокой детализацией и сглаженный слой, каждая с легковесными модулями внимания, которые выделяют признаки, наиболее релевантные дефектам или общей структуре.

Сборка частей обратно на нужной шкале

Простого объединения всех этих признаков недостаточно, потому что разные типы и размеры дефектов выигрывают от разных сочетаний деталей и структуры. Поэтому MFCD-Net добавляет модуль динамической компенсации, который действует как шлюз для каждого масштаба обнаружения. Для каждого уровня сети — грубого для целых нитей и более тонкого для отдельных дисков — он рассматривает текущую карту признаков и решает, пиксель за пикселем, сколько позаимствовать из усиленного потока деталей или из сглаженного структурного потока. Небольшой остаточный блок затем уточняет эту смесь перед добавлением её обратно в основную ветвь. Фактически сеть может сосредоточиться на дополнительной резкости там, где подозреваются трещины, или на более широких подсказках формы там, где нужно отличить изоляторы от вводящих в заблуждение фоновых структур, не будучи привязанной к фиксированным правилам слияния.

Насколько хорошо метод работает на практике

Авторы тестируют весь свой конвейер — предварительную сегментацию плюс MFCD-Net — на 5 793 изображениях с дронов, содержащих почти 10 000 размеченных нитей изоляторов и более 100 000 аннотированных единиц. Их предварительная обработка по цвету и текстуре корректно извлекает около 99% нитей и захватывает более 97% истинных пикселей изоляторов, даже в сценах с густой растительностью или ярким небом. Для распознавания дефектов они сравнивают метод с восьмью ведущими системами обнаружения объектов, включая известные модели, такие как YOLO, RetinaNet и проекты на основе трансформеров. По средней точности (mAP) при стандартном пороге перекрытия их подход улучшает общее качество обнаружения примерно на 4 процентных пункта по сравнению с лучшим конкурентом, с особенно заметными преимуществами для тонких повреждений и следов пробоя, которые предыдущие методы часто пропускали или путали с тенями и пятнами.

Что это значит для энергосистемы

Проще говоря, эта работа показывает, как сочетание простых физических признаков — цвета и повторяющихся узоров — с продуманной структурой нейронной сети может сделать инспекцию линий электропередачи с дронов более надежной и информативной. Сначала устраняя большую часть нерелевантного фона, а затем направляя внимание сети на нужное сочетание мелких деталей и общей формы на каждой шкале, система обнаруживает больше опасных дефектов без всплеска ложных срабатываний. Хотя остаются вызовы, такие как изоляторы, цвет которых сильно напоминает окружение, и более высокая вычислительная стоимость многоветвевой архитектуры, метод указывает путь к более умному, безопасному и масштабируемому мониторингу критической инфраструктуры.

Цитирование: 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

Ключевые слова: инспекция линий электропередачи, дефекты изоляторов, съемка дроном, обнаружение с помощью глубокого обучения, надежность сети