Контекстно-чувствительная схема модуляции признаков для классификации дефектов на линиях электропередачи

Сохранять свет

Современная жизнь зависит от линий электропередачи, которые незаметно простираются через горы, поля и города. Однако оборудование, поддерживающее эти линии, со временем изнашивается под действием ветра, загрязнений и погодных условий. Выявление опасных дефектов до того, как они вызовут отключения, жизненно важно, но ручной осмотр медленный, дорогой и порой опасный. В этом исследовании предлагается более умный, основанный на камерах способ проверки нескольких типов элементов линий сразу — с использованием одной модели искусственного интеллекта, которая обучается распознавать множество различных видов повреждений.

Почему компонентам линий нужна тщательная проверка

Воздушные ЛЭП полагаются на изоляторы и металлические соединения, чтобы удерживать высоковольтные проводники в безопасности от заземлённых опор. Эти элементы постоянно подвергаются пыли, соли, влаге и перепадам температуры, что может приводить к коррозии, отсутствующим деталям и слоям грязи, способствующим нежелательным электрическим токам. Традиционные проверки часто выполняют техники, проходя под линиями, простукивая детали или измеряя электрические параметры, иногда с помощью дронов или тепловизоров. Хотя такие подходы полезны, они могут пропускать тонкие проблемы, испытывать трудности в больших сетях и требовать разных инструментов, настроенных под конкретные типы дефектов.

Обучение одной системы работать с множеством дефектов

Исследователи разработали новую систему инспекции на основе изображений под названием MS-CADFM-SSL, предназначенную заменить набор специализированных моделей единой скоординированной системой. Она обучалась на открытом датасете объектов линий электропередачи, включающем пять распространённых групп компонентов: стеклянные изоляторы, подвески с громоотводом, полимерные скобы, вари‑грип‑соединители и уковые подвески. В каждой группе есть как здоровые, так и дефектные примеры — например, отсутствующие стеклянные крышки, коррозия металлических звеньев или гнёзда птиц, запутавшиеся в креплениях. Настоящие данные осмотров шумны, и некоторые типы дефектов встречаются значительно реже нормальных состояний, поэтому авторы применяют обширную предварительную обработку и аугментацию изображений, чтобы смоделировать различные ракурсы и освещение.

Как умный инспектор учится по картинкам

В основе фреймворка лежит сеть для изображений, которая сначала самообучается общим визуальным паттернам по неразмеченным снимкам — краям, текстурам и шероховатости поверхностей. Этот этап самобучения сокращает потребность в больших ручных разметках. Затем сеть учится извлекать информацию на нескольких уровнях: от мелких деталей, таких как пятна ржавчины, до более широких форм, например отсутствующих частей. Поверх этого общего «скелета» модель применяет контекстно‑чувствительную модуляцию признаков: для каждого типа компонента она мягко перенастраивает, какие визуальные сигналы важнее, так что одна и та же базовая сеть может обращать внимание на разные подсказки при оценке, например, стеклянной гирлянды или стальной уковой подвески.

Держать задачи раздельными, но связанными

Поскольку система выполняет несколько задач осмотра одновременно, ей нужно избегать «перекрёстных помех», когда паттерны, полезные для одного компонента, сбивают с толку другой. Чтобы решить эту проблему, авторы вводят дополнительное правило обучения, которое подтягивает специализированные части модели к фокусировке на разных аспектах общих признаков, вместо того чтобы все они цеплялись за одни и те же подсказки. Они также корректируют процесс обучения, придавая больший вес редким примерам дефектов, что помогает модели оставаться чувствительной к необычным, но критичным отказам. Благодаря таким решениям фреймворк сочетает преимущества совместного обучения для разных задач с необходимостью чётких границ между ними.

Насколько хорошо метод работает на практике

При испытаниях по всем пяти группам компонентов фреймворк показывает очень высокие показатели точности, полноты и общей корректности, превосходя несколько современных конкурентов в глубоком обучении. Он правильно выявляет почти все серьёзные дефекты, удерживая количество ложных срабатываний низким, даже в ситуациях, где повреждённых примеров мало. Пошаговые эксперименты подтверждают, что каждая добавленная идея — от самоконтролируемого обучения до контекстно‑чувствительной модуляции и правила разделения — вносит вклад в улучшение результата. Визуальные объяснения показывают, что модель, как правило, фокусируется на физически значимых областях, таких как корродированные поверхности или отсутствующие крышки, что может помочь инженерам при проверке решений.

Что это значит для будущих проверок энергосетей

Для неспециалистов ключевая мысль такова: одна хорошо продуманная система ИИ может стать универсальным инспектором для множества типов оборудования линий электропередачи, вместо того чтобы требовать отдельного инструмента для каждого случая. Раннее обнаружение дефектов и сокращение ручной работы могут помочь коммунальным службам поддерживать надёжность при контроле затрат. Авторы отмечают, что остаются вызовы для очень редких или крошечных дефектов и что текущие испытания проводились на статичных изображениях. Они предлагают расширить подход на видео, тепловые изображения и другие сенсоры, а в перспективе добавить прогнозирование степени повреждений, чтобы более эффективно направлять бригады по обслуживанию.

Цитирование: Ezzulddin, N.F., Abdulkareem, Z.M., Alsabti, S.M.B. et al. A case-aware feature modulation framework for defect classification in power lines. Sci Rep 16, 16419 (2026). https://doi.org/10.1038/s41598-026-53001-9

Ключевые слова: осмотр линий электропередачи, дефекты изоляторов, глубокое обучение, многозадачное обучение, мониторинг инфраструктуры