Metod för att upptäcka defekter i isolatorsträngar för kraftledningar baserad på bildfärgsanalys och flerskalig funktionskompensation

Hålla strömmen igång

Det moderna livet bygger på långa kedjor av glas- och keramiska delar — kallade isolatorsträngar — som hänger från högspänningsledningar och håller elektriciteten borta från metallmaster. När dessa delar spricker, bränns eller går sönder kan de orsaka strömavbrott och till och med bränder. Att inspektera tusentals kilometer ledningar manuellt är långsamt och riskfyllt, så elleverantörer förlitar sig alltmer på drönarbilder. Denna artikel presenterar ett smartare sätt för datorer att skanna dessa bilder och upptäcka isolatorfel mer exakt och pålitligt än nuvarande metoder.

Varför dessa kedjor är svåra att kontrollera

Isolatorsträngar hänger utomhus i årtionden och utsätts för sol, regn, is, föroreningar och blixtar. Med tiden kan de utveckla små sprickor, saknade delar eller brännmärken som kan leda till plötsligt haveri. Drönare kan fånga detaljerade bilder av dessa strängar, men bilderna är röriga: skogar, moln, master, ledningar, fågelbon och skuggor tränger in i bildrutan. Defekter kan vara bara några millimeter breda och lätt gå förlorade i bländning eller oskärpa. Befintliga datorvisionsverktyg förlitar sig antingen på handinställda regler — som fasta färgområden eller enkla formmått — eller använder generella djupinlärningsmodeller tränade på vardagsscener. Båda angreppssätten har svårt när ljus, väder, synvinkel och bakgrund varierar från bild till bild.

Hitta rätt delar i en brusig bild

Det första steget i den nya metoden är att rensa upp varje drönarbild innan någon djupinlärning tar över. Författarna utnyttjar två stabila ledtrådar: de typiska färgerna hos isolatorerna på en given ledning och den regelbundna texturen i deras upprepade former. De normaliserar först ljusstyrkan så att starkt solljus eller djupa skuggor får mindre påverkan, och använder sedan tidigare inspektionsdata från samma mast för att definiera flexibla röd–grön–blå färgområden där isolatorerna vanligtvis ligger. Detta tar snabbt bort stora delar av himmel, växtlighet och stålverk. Eftersom färg ensam kan vara missledande — rost, smuts eller skuggor kan se lika ut — kontrollerar metoden därefter textur inom kandidatregionerna. Isolatorer bildar prydliga, periodiska mönster; bakgrundsbrus gör det vanligtvis inte. Genom att skjuta ett rutnät av små fönster över regionen och mäta hur ofta olika gråtoner förekommer tillsammans behåller algoritmen endast områden vars textur matchar rena isolatorexempel och omsluter dem tätt i enkla horisontella rektanglar.

Lära nätverket vad som är viktigt

När isolatorsträngarna väl är isolerade börjar den verkliga utmaningen: att upptäcka små defekter på dem. Konventionella neurala nätverk komprimerar gradvis bildinformationen när den flödar från input till slutlig prediktion, vilket tenderar att tvätta ut mycket fina kanter och hårfina sprickor som är mest kritiska. För att motverka detta utformar författarna ett nytt detektionsnätverk, MFCD-Net, som avsiktligt separerar och förstärker olika typer av visuella informationer. Med hjälp av ett Laplacian-pyramid delar det varje beskurna isolatorbild i en slät komponent som fångar övergripande form och en detaljerad komponent som fångar skarpa linjer och texturer. Tre parallella vägar bearbetar sedan originalbilden, detaljlagret och det släta lagret, var och en med lätta uppmärksamhetsmoduler som framhäver de egenskaper som är mest relevanta för defekter respektive övergripande struktur.

Sätta ihop bitarna igen i rätt skala

Att bara stapla alla dessa funktioner räcker inte, eftersom olika feltyper och storlekar gynnas av olika blandningar av detalj och struktur. MFCD-Net lägger därför till en dynamisk kompensationsmodul som fungerar som en grindvakt för varje detektionsskala. För varje nivå i nätverket — grovt för hela strängar, finare för individuella skivor — ser den på den aktuella feature-kartan och bestämmer pixel för pixel hur mycket den ska låna från den skärpta detaljströmmen eller den utjämnade strukturströmmen. Ett litet residualblock förfinar sedan denna blandning innan den läggs tillbaka i huvudvägen. I praktiken kan nätverket fokusera på extra skärpa där det misstänker sprickor eller på bredare formledtrådar där det behöver skilja isolatorer från förvillande bakgrundsmönster, utan att låsas vid fasta sammanslagningsregler.

Hur väl metoden fungerar i praktiken

Författarna testar hela sin pipeline — försegmentering plus MFCD-Net — på 5 793 drönarbilder som innehåller nästan 10 000 märkta isolatorsträngar och över 100 000 annoterade enheter. Deras färg- och texturförbearbetning återhämtar korrekt ungefär 99 % av strängarna och fångar över 97 % av verkliga isolatorpixlar, även i scener med tät vegetation eller bländande himlar. För defektrekognoscering jämför de mot åtta ledande objektidentifieringssystem, inklusive välkända modeller som YOLO, RetinaNet och transformerbaserade konstruktioner. Mätt med medelvärdet av medelprecision (mAP) vid en standard överlappningströskel förbättrar deras angreppssätt den totala detektionskvaliteten med cirka 4 procentenheter över den bästa konkurrenten, med särskilt starka vinster för subtila skador och spår av genomslag som tidigare metoder ofta missade eller förväxlade med skuggor och fläckar.

Vad detta betyder för elnätet

I vardagstermer visar detta arbete hur kombinationen av enkla fysiska ledtrådar — färg och upprepade mönster — med noggrant strukturerade neurala nät kan göra drönarbaserad inspektion av kraftledningar både mer pålitlig och mer informativ. Genom att först ta bort större delen av den irrelevanta bakgrunden och sedan styra nätverkets uppmärksamhet mot rätt blandning av fin detalj och övergripande form i varje skala fångar systemet fler farliga defekter utan ett flöde av falska larm. Vissa utmaningar återstår, som isolatorer vars färger liknar omgivande material och den högre beräkningskostnaden för flervägsdesignen, men metoden pekar mot smartare, säkrare och mer skalbar övervakning av kritisk infrastruktur.

Citering: 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

Nyckelord: inspektion av kraftledningar, isolatorfel, dronbilder, djupinlärningsdetektion, nätverkets tillförlitlighet