Upptäckt av främmande föremål i kraftledningar med SESYOLO

Hålla kraftledningarna fria och säkra

Det moderna livet är beroende av att elektricitet flyter utan avbrott genom omfattande nätverk av kraftledningar. Ändå kan något så vardagligt som ett fågelbo eller en vilsekommen drake orsaka strömavbrott, bränder eller kostsamma reparationer när det trasslar in sig i högspänningsutrustning. Denna studie presenterar ett förbättrat datorvisionssystem, kallat SESYOLO, som hjälper drönare att automatiskt upptäcka sådana främmande föremål på kraftledningar snabbt och noggrant, även när objekten är små, ojämnt formade och dolda i röriga miljöer.

Vardagligt skräp, högspänningsrisk

Kraftledningar sträcker sig flera tusen kilometer över fält, floder och städer och passerar genom miljöer fulla av fåglar, träd och mänsklig aktivitet. Bon, plastpåsar, drakar och ballonger kan fastna i ledningar eller på torn och skapa vägar där elektriciteten hoppar där den inte ska. Traditionella inspektioner förlitar sig i stor utsträckning på att personal reser långa sträckor och visuellt granskar konstruktionerna, en långsam och ibland farlig uppgift. Drönare har förenklat insamlingen av bilder, men att omvandla dessa bilder till pålitliga, automatiska varningar kräver programvara som kan identifiera små, oregelbundna föremål mot bakgrunder fyllda med kablar, stålkonstruktioner och vegetation. Befintliga detektionsprogram förväxlar ofta bakgrundsmönster med faror, missar små objekt och lider av brist på väl märkta träningsbilder.

Lära maskiner vad problem ser ut som

För att övervinna bristen och obalansen i verkliga inspektionsfoton byggde forskarna först en ny bildsamling, kallad FOD24, med fokus på främmande föremål på kraftledningar. De kombinerade 1 401 verkliga drönarbilder med flera typer av bildförbättringar, såsom justering av färg och ljusstyrka, tillägg av oskärpa och brus samt simulering av regn, snö och dimma. De använde sedan moderna bildgenererande verktyg för att skapa ytterligare realistiska scener och fylla på underrepresenterade kategorier som ballonger eller drakar. Efter noggrann mänsklig granskning och annotering innehöll den slutliga datasatsen 2 817 bilder som täcker fågelbon, drakar, ballonger, plastpåsar och isolatorer. Endast verkliga foton användes för testning, vilket säkerställer att prestandapåståenden speglar verkliga förhållanden snarare än artificiella exempel.

Ett skarpare öga för små mål

Med utgångspunkt i en populär snabbdetektor känd som YOLOv8 redesignade teamet flera viktiga delar av nätverket så att det bättre kan hantera små, kamouflerade objekt samtidigt som det fortfarande körs i realtid på hårdvara som typiskt används ombord på drönare. En ny modul kallad SCConv hjälper systemet att fokusera på de mest informativa detaljerna både i objektens position och i intensiteten hos bildens funktioner, vilket minskar överflödiga beräkningar. En annan komponent, Efficient RepGFPN, förbättrar hur information från grova, översiktliga vyer och fina, närbilder blandas — något som är avgörande när bon eller drakar upptar bara några få pixlar. Slutligen uppmuntrar en skräddarsydd uppmärksamhetsmekanism i detektionsdelen nätverket att betona främmande föremål och tona ner störande bakgrunder. Tillsammans skärper dessa förändringar modellens förmåga att se subtila former utan att väsentligt sakta ner den.

Lära av en starkare lärare

Forskarna förbättrade ytterligare SESYOLO:s förmågor med en teknik som kallas knowledge distillation (kunskapsdestillering). Enkelt uttryckt tränade de en mindre, snabbare detektor ("studenten") att imitera beteendet hos en större, mer kapabel modell ("läraren"). Under träningen exponerades studenten för aggressivt förstärkta bilder som efterliknade de varierade och röriga scener som drönare möter i fält. Särskilda moduler synkroniserade de interna signalerna mellan lärare och student så att studenten lättare kunde absorbera både vad som finns i bilden och var det är beläget. Efter denna tvåstegsutbildning bibehöll studentmodellen mycket av lärarens noggrannhet samtidigt som den förblev kompakt och effektiv nog för praktisk användning på luftburna plattformar.

Bättre upptäckt för ett mer tillförlitligt nät

När SESYOLO testades mot flera välkända objektidentifieringssystem levererade det betydligt högre noggrannhet och återkallning, särskilt för små och oregelbundna objekt. Jämfört med den ursprungliga YOLOv8-versionen som det bygger på förbättrade SESYOLO en nyckelpoäng för noggrannhet med omkring nio procentenheter och visade särskilt stark prestanda för att upptäcka fågelbon, med nästan 94 % noggrannhet. Samtidigt förblev modellen lätt—använde bara omkring 7,9 megabyte minne—och tillräckligt snabb för att bearbeta ungefär 142 bilder per sekund på ett standardgrafikkort. För energibolag innebär detta att drönare kan skanna ledningar snabbt och automatiskt flagga sannolika faror, vilket gör att team kan fokusera på snabba reparationer istället för manuella sökningar. I vardagliga termer erbjuder arbetet en väg till färre oväntade strömavbrott, ökad säkerhet vid högspänningsledningar och ett mer tillförlitligt elnät.

Citering: 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

Nyckelord: inspektion av kraftledningar, drönaravbildning, objektigenkänning, djupinlärning, infrastrukturens säkerhet