SESYOLO kullanılarak enerji iletim hatlarındaki yabancı cisim tespiti

Enerji Hatlarını Temiz ve Güvenli Tutmak

Modern yaşam, geniş enerji hatları ağları boyunca elektriğin sorunsuz akışına dayanır. Oysa bir kuş yuvası ya da uçurtma gibi sıradan bir şey, yüksek voltajlı ekipmana takıldığında elektrik kesintilerine, yangınlara veya maliyetli onarımlara neden olabilir. Bu çalışma, SESYOLO adını taşıyan geliştirilmiş bir bilgisayarla görme sistemini tanıtıyor; bu sistem, nesneler küçük, şekilsiz veya kalabalık bir çevre içinde gizlenmiş olsa bile, drone’ların enerji iletim hatlarındaki yabancı cisimleri hızlı ve doğru biçimde otomatik olarak tespit etmesine yardımcı oluyor.

Günlük Dağınıklık, Yüksek Voltaj Riski

İletim hatları, tarlalar, nehirler ve şehirler boyunca binlerce kilometre uzanır ve kuşlar, ağaçlar ve insan faaliyetleriyle dolu ortamlardan geçer. Yuvalar, plastik poşetler, uçurtmalar ve balonlar tellerin veya kulelerin üzerine yapışarak elektriğin yanlış yere sıçraması için yollar oluşturabilir. Geleneksel denetimler büyük ölçüde çalışanların uzak mesafelere gidip yapıları gözle taramasına dayanır; bu yavaş ve bazen tehlikeli bir iştir. Drone’lar görüntü toplamayı kolaylaştırsa da, bu görüntüleri güvenilir, otomatik uyarılara dönüştürmek, kablolar, çelik kafesler ve bitki örtüsüyle dolu arka planlarda küçük, düzensiz nesneleri seçebilen yazılıma bağlıdır. Mevcut tespit programları genellikle arka plan desenlerini tehlike sanır, küçük nesneleri kaçırır ve iyi etiketlenmiş eğitim görüntülerinin eksikliğinden muzdariptir.

Makinelere Sorunun Ne Olduğunu Öğretmek

Gerçek denetim fotoğraflarının azlığı ve dengesizliğinin üstesinden gelmek için araştırmacılar önce FOD24 adlı yeni bir görüntü koleksiyonu oluşturdular; bu koleksiyon enerji hatlarındaki yabancı cisimlere odaklanıyor. 1.401 gerçek drone fotoğrafını renk ve parlaklık ayarlamaları, bulanıklaştırma ve gürültü ekleme ile yağmur, kar ve sis simülasyonları gibi çeşitli görüntü geliştirmeleriyle birleştirdiler. Ardından balonlar veya uçurtmalar gibi az temsil edilen kategorileri doldurmak için modern görüntü üretme araçlarıyla ek gerçekçi sahneler yarattılar. İnsan denetimi ve dikkatli açıklama sonrasında, nihai veri seti kuş yuvaları, uçurtmalar, balonlar, plastik torbalar ve izolatörleri kapsayan 2.817 görüntüye ulaştı. Testlerde yalnızca gerçek fotoğraflar kullanıldı; böylece performans iddiaları yapay örnekler yerine gerçek dünya koşullarını yansıtıyor.

Küçük Hedeflere Daha Zeki Bir Bakış

Popüler ve hızlı bir dedektör olan YOLOv8 üzerine kurulan ekip, ağın küçük ve kamufle olmuş nesnelerle daha iyi başa çıkması için birkaç önemli kısmı yeniden tasarladı; aynı zamanda sistemin drone’lara tipik olarak yerleştirilen donanımda gerçek zamanlı çalışmaya devam etmesi hedeflendi. SCConv adındaki yeni bir modül, görüntüdeki hem konum hem de yoğunluk özelliklerindeki en bilgilendirici ayrıntılara odaklanmaya yardımcı olarak gereksiz hesaplamaları azaltıyor. Efficient RepGFPN adlı başka bir bileşen, kaba, genel görünümler ile ince, yakın plan görünümler arasındaki bilgilerin nasıl harmanlandığını geliştiriyor; bu, yuvalar veya uçurtmalar yalnızca birkaç piksel kapladığında kritik öneme sahip. Son olarak, tespit “başı”ndaki özel bir dikkat mekanizması ağı yabancı cisimleri vurgulamaya ve dikkat dağıtan arka planı bastırmaya teşvik ediyor. Bu değişiklikler bir arada, modelin ince şekillere olan duyarlılığını belirgin şekilde artırırken çalışma hızını önemli ölçüde düşürmüyor.

Daha Güçlü Bir Öğretmenden Öğrenmek

Araştırmacılar, bilgi damıtımı adı verilen bir teknik kullanarak SESYOLO’nun yeteneklerini daha da güçlendirdiler. Basitçe söylemek gerekirse, daha küçük ve daha hızlı bir dedektörü ("öğrenci") daha büyük ve daha yetenekli bir modelin ("öğretmen") davranışını taklit edecek şekilde eğittiler. Eğitim sırasında öğrenci, sahada drone’ların karşılaştığı çeşitli ve dağınık sahneleri taklit eden agresif biçimde artırılmış görüntülere maruz bırakıldı. Özel modüller, öğretmen ve öğrenci arasındaki dahili sinyalleri hizaladı; böylece öğrenci, görüntüde neyin bulunduğunu ve nerede olduğunu daha kolay özümsedi. Bu iki aşamalı eğitimden sonra, öğrenci modeli öğretmenin doğruluğunun büyük bir kısmını korurken hava platformlarına pratik olarak konuşlandırılabilecek kadar kompakt ve verimli kaldı.

Daha Güvenilir Bir Şebeke İçin Daha İyi Tespit

SESYOLO, birkaç bilinen nesne tespit sistemiyle karşılaştırıldığında özellikle küçük ve düzensiz nesneler için belirgin şekilde daha yüksek doğruluk ve geri çağırma sağladı. Üzerine inşa edildiği orijinal YOLOv8 sürümü ile karşılaştırıldığında, SESYOLO bir ana doğruluk skorunu yaklaşık dokuz puan artırdı ve kuş yuvalarını tespit etmede neredeyse %94’e varan güçlü bir performans gösterdi. Aynı zamanda model hafif kaldı—yaklaşık 7,9 megabayt belleğe ihtiyaç duyuyor—ve standart bir grafik kartında saniyede yaklaşık 142 görüntü işleyebilecek kadar hızlıydı. Elektrik şirketleri için bu, drone’ların hatları hızlıca tarayıp muhtemel tehlikeleri otomatik olarak işaretleyebileceği; ekiplerin manuel arama yerine zamanında onarımlara odaklanabileceği anlamına geliyor. Günlük ifadeyle, bu çalışma daha az beklenmedik kesinti, yüksek voltaj hatları çevresinde daha yüksek güvenlik ve daha güvenilir bir elektrik şebekesi için bir yol sunuyor.

Atıf: 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

Anahtar kelimeler: enerji hattı denetimi, drone görüntüleme, nesne tespiti, derin öğrenme, altyapı güvenliği