Dalga dönüşümü ve ilerleyici özellik piramidi ağına dayalı verimli hedef algılama yöntemi: enerji şebekesi denetimi üzerine bir vaka çalışması

Güç Hatlarını Gizli Tehlikelerden Arındırmak

Elektrik modern yaşamı ayakta tutuyor, ancak onu taşıyan güç hatları göründüğünden daha kırılgan. Balonlar, uçurtmalar, plastik poşetler veya kuş yuvaları gibi günlük nesneler yüksek gerilim hatlarına takılabilir; kıvılcımlara, kesintilere ve maliyetli onarımlara yol açma riski taşırlar. Şirketler giderek uzun hatları devriye gezdirmek için dronlar ve kameralar kullanıyor; ancak karmaşık görüntülerde küçük, düşük kontrastlı nesneleri tespit etmek hem insanlar hem de standart yapay zeka sistemleri için hâlâ zordur. Bu çalışma, denetim ekiplerinin bu tehlikeleri gerçek zamanlı olarak otomatik biçimde tespit etmesine yardımcı olan daha hızlı ve daha doğru bir bilgisayarlı görme yöntemi sunar.

Neden Küçük Nesneleri Fark Etmek Zordur

Güç koridorlarının görüntüleri görsel olarak yanıltıcıdır. Sahnenin çoğu gökyüzü, tarlalar veya nehirler gibi geniş, düzgün alanlardan oluşurken; kablolar, izolatörler ve yabancı cisimler gibi güvenlik açısından kritik parçalar ince çizgiler veya küçük lekeler halindedir. İnsanlar veya arabalar gibi daha büyük, belirgin nesnelerle yapılmış gündelik fotoğraflar için tasarlanan popüler gerçek zamanlı nesne algılayıcılar (örneğin YOLO ailesi) bu tür sahnelere uygun değildir. Hava görüntülerinde ise balonlar veya çöp parçaları sadece birkaç piksel genişliğinde olabilir ve çoğunlukla kuleler veya tellerle karışır. Sonuç; sık kaçırmalar, arka plan yapılarında yanlış alarmlar ve sahne karmaşıklaştıkça kararsız performanstır.

Yapay Zekâya Görüntüleri Frekansla Okutmak

Yazarlar bunu, sinir ağının görüntülere "bakma" biçimini değiştirerek ele alıyor. Her şeyi yalnızca standart piksel ızgarasında işlemek yerine, WTConv adında dalga tabanlı bir konvolüsyon katmanı ekliyorlar. Dalga dönüşümleri bir görüntüyü düzgün arka plan bölgelerini yakalayan düşük frekanslı parçalara ve kenarları ile ince detayları vurgulayan yüksek frekanslı parçalara ayırır. Bu tasarımda ağ bu parçaları ayrı ayrı işler ve sonra bilgiyi kaybetmeden yeniden birleştirir. Bu, geniş koridor bağlamını korurken teller, kuleler ve küçük yabancı nesneler gibi yapıları netleştirmesine olanak verir—modeli ağırlaştırmadan veya yavaşlatmadan.

Ölçekler Arası Görmeye Yönelik Özellikleri Yığmak

Bir kule koluna konmuş bir kuş yuvasını veya birkaç telin arasına dolanmış bir uçurtmayı tespit etmek, görüntüdeki desenlerin farklı boyutlarla nasıl ilişkili olduğunu anlamayı da gerektirir. Bunu ele almak için çalışma, İlerleyici Özellik Piramidi Ağı (PFPN) adlı yapıyı tanıtıyor. Ağın sığ ve derin katmanlarından gelen özellikleri iki geçişte birleştiriyor: önce kaba ölçekten inceye, sonra ince ölçekten kaba doğru. "Uyarlanabilir füzyon" adımı her konum için hangi ölçeğe ne kadar güvenileceğini öğreniyor. Bu ilerleyici yığma, gerçek yabancı cisimlerle daha iyi hizalanan özellik haritaları üretiyor ve küçük tehlikeler büyük metal yapılarla örtüştüğünde oluşan karışıklığı azaltıyor.

Kutu Çizimini İnce Ayarlamak

Bir model doğru nesneyi tahmin ettiğinde bile, etrafına kesin bir kutu yerleştirmesi gerekir. Yaygın eğitim kuralları öngörülen ve gerçek kutuların ne kadar örtüştüğüne odaklanır, ancak bu küçük, soluk hedefler için yanıltıcı olabilir. Araştırmacılar bu adımı, kutuların merkez bölgelerinin ne kadar iyi eşleştiğine özel önem veren yeni bir "Inner-EIoU" kaybı ile rafine ediyor. Çekirdek alanın sıkı hizalanmasını ödüllendirerek yöntem, modelin küçük veya kısmen gizlenmiş yabancı nesnelerin gerçek konumuna kilitlenmesine yardımcı oluyor ve nihai tespitleri daha güvenilir kılıyor.

Gerçekte Kazanımları Kanıtlamak

Tasarımı test etmek için ekip, şehirlerden kırsala uzanan gerçek yüksek gerilim koridorlarından alınmış 4.700 görüntüden oluşan özel bir veri seti oluşturdu ve dört yaygın tehlike türünü etiketledi: çöp, balonlar, kuş yuvaları ve uçurtmalar. Standart bir YOLOv11 tabanlı modele kıyasla, geliştirilen model bu nesnelerin daha fazlasını tespit ederken yanlış yapmayı azalttı; hem doğruluğu hem de genel algılama puanlarını yükseltti. Aynı zamanda yaklaşık beşte bir daha az parametre kullanıyor ve çalıştırma hızı yaklaşık %18 daha yüksek, bu da gerçek zamanlı çalışması gereken dronlar veya uç birim cihazlar için uygun hale getiriyor. Geniş bir kamu benchmark’ı (MS COCO) üzerindeki testler benzer iyileşmeler gösteriyor; bu da fikirlerin güç hatlarının ötesine genellenebileceğini düşündürüyor. Pratikte bu, şirketlerin büyük sorunlara yol açmadan önce küçük tehlikeleri daha iyi fark eden daha akıllı, daha hafif denetim sistemleri dağıtabileceği anlamına geliyor.

Atıf: Ye, J., Yuqi, B., Wendi, W. et al. Efficient target detection method based on wavelet transform and progressive feature pyramid network: a case study of power grid inspection. Sci Rep 16, 7318 (2026). https://doi.org/10.1038/s41598-026-37017-9

Anahtar kelimeler: enerji şebekesi denetimi, yabancı cisim algılama, insansız hava aracı görüntülemesi, gerçek zamanlı bilgisayarlı görme, yüksek gerilim iletim hatları