Görüntü renk analizi ve çok ölçekli özellik telafisine dayalı iletim hatları için izolatör dizi arızası tespit yöntemi

Gücün Sürekli Sağlanması

Modern yaşam, yüksek gerilim hatlarından sarkan ve elektriği metal kulelerden güvenli uzak tutan cam ve seramik parçalar dizisi—izolatör dizileri—üzerine kuruludur. Bu parçalar çatladığında, yanma izleri veya kırılma olduğunda elektrik kesintilerine ve hatta yangınlara yol açabilir. Binlerce kilometrelik hatları elle denetlemek yavaş ve riskli olduğundan, işletmeler giderek daha fazla drone fotoğraflarına dayanıyor. Bu makale, bilgisayarların bu görüntüleri tarayıp izolatör arızalarını mevcut yöntemlerden daha doğru ve güvenilir biçimde bulmasını sağlayan daha akıllı bir yaklaşım sunuyor.

Bu Dizileri Neden Kontrol Etmek Zordur

İzolatör dizileri yıllarca dış ortamda asılı kalır; güneş, yağmur, buz, kirlilik ve yıldırım gibi etkenlere maruz kalırlar. Zamanla küçük çatlaklar, eksik parçalar veya yanık izleri oluşabilir ve bu durum ani arızalara yol açabilir. Dronlar bu dizilerin ayrıntılı görüntülerini yakalayabilir, ancak fotoğraflar karmaşık sahneler içerir: ormanlar, bulutlar, kuleler, teller, kuş yuvaları ve gölgeler kareyi doldurur. Arızalar birkaç milimetre genişliğinde olabilir ve parlama veya bulanıklık içinde kolayca kaybolur. Mevcut bilgisayarlı görme araçları ya sabit renk aralıkları veya basit şekil ölçümleri gibi elle ayarlanmış kurallara dayanıyor ya da gündelik sahneler üzerinde eğitilmiş genel amaçlı derin öğrenme modelleri kullanıyor; ışık, hava, bakış açısı ve arka plan her görüntüde değiştiğinde her iki yaklaşım da zorlanıyor.

Gürültülü Bir Resimde Doğru Parçaları Bulmak

Yeni yöntemdeki ilk adım, herhangi bir derin öğrenme işine başlamadan önce her drone fotoğrafını temizlemektir. Yazarlar iki kararlı ipucundan yararlanır: belirli bir hattın izolatörlerinin tipik renkleri ve tekrar eden şekillerinin düzenli dokusu. İlk olarak parlaklığı normalize ederek şiddetli güneş ışığı veya derin gölgelerin etkisini azaltıyorlar, ardından aynı kuleden gelen geçmiş denetim verilerini kullanarak izolatörlerin genellikle düştüğü esnek kırmızı–yeşil–mavi renk aralıklarını tanımlıyorlar. Bu, gökyüzü, bitki örtüsü ve çelik yapıların büyük parçalarını hızla ortadan kaldırır. Renk tek başına yanıltıcı olabileceği için—pas, kir veya gölgeler benzer görünebilir—yöntem aday bölgelerin içindeki dokuyu da kontrol ediyor. İzolatörler düzenli, periyodik desenler oluşturur; arka plan karmaşası genellikle oluşturmaz. Bölge üzerinde küçük pencerelerden oluşan bir ızgara kaydırıp farklı gri seviyelerinin birlikte ne sıklıkta ortaya çıktığını ölçerek, algoritma yalnızca temiz izolatör örneklerinin dokusuna uyan alanları tutar ve bunları sıkı yatay dikdörtgenlerle çerçeveler.

Ağın Hangi Ayrıntılara Önem Verdiğini Öğretmek

İzolatör dizileri izole edildikten sonra asıl zorluk başlar: üzerlerindeki ince arızaları tespit etmek. Geleneksel sinir ağları girişten son tahmine doğru ilerlerken görüntü bilgisini kademeli olarak sıkıştırır; bu da en çok önemli olan çok ince kenarları ve saç kılcığı çatlakları silikleştirir. Bunu dengelemek için yazarlar, farklı görsel bilgi türlerini kasıtlı olarak ayırıp güçlendiren yeni bir tespit ağı, MFCD-Net, tasarlıyorlar. Laplace piramidi kullanarak, kırpılmış her izolatör görüntüsünü genel şekli yakalayan düzgün bir bileşene ve keskin çizgiler ile dokuları yakalayan bir detay bileşenine ayırıyorlar. Üç paralel yol daha sonra orijinal görüntüyü, yüksek detay katmanını ve düzgün katmanı işler; her biri arızalar veya genel yapı ile en ilgili özellikleri vurgulayan hafif dikkat modülleri içerir.

Doğru Ölçekte Parçaları Yeniden Birleştirmek

Tüm bu özellikleri basitçe yığıp koymak yeterli değildir; çünkü farklı arıza türleri ve boyutları detay ile yapının farklı karışımlarından fayda sağlar. Bu nedenle MFCD-Net, her tespit ölçeği için bir kapıcı gibi davranan dinamik bir telafi modülü ekler. Ağdaki her seviye—tüm diziler için kaba, bireysel diskler için daha ince—için mevcut özellik haritasına bakar ve piksel piksel, ne kadarının keskinleştirilmiş detay akışından veya düzeltilmiş yapısal akıştan ödünç alınacağına karar verir. Küçük bir rezidüel blok sonra bu karışımı ana yol içine eklemeden önce rafine eder. Bu sayede ağ, çatlak olduğundan şüphelendiği yerlerde ekstra keskinliğe veya izolatörleri yanıltıcı arka plan desenlerinden ayırt etmesi gerektiğinde daha geniş şekil ipuçlarına odaklanabilir; sabit bir füzyon kuralına bağlı kalmaz.

Yöntem Pratikte Ne Kadar İyi Çalışıyor

Yazarlar tam boru hattını—ön segmentasyon artı MFCD-Net—5.793 drone görüntüsü üzerinde test ediyor; bu görüntülerde yaklaşık 10.000 etiketli izolatör dizisi ve 100.000’in üzerinde anotlanmış ünite bulunuyor. Renk ve doku ön işleme, sık bitki örtüsü veya parlak gökyüzü olan sahnelerde bile dizilerin yaklaşık %99’unu doğru şekilde geri getiriyor ve gerçek izolatör piksellerinin %97’sinden fazlasını yakalıyor. Arıza tanıma için YOLO, RetinaNet ve dönüştürücü tabanlı tasarımlar gibi iyi bilinen modeller dahil olmak üzere sekiz önde gelen nesne tespit sistemiyle karşılaştırma yapıyorlar. Standart örtüşme eşik değerinde ortalama Ortalama Hassasiyet (mAP) ile ölçüldüğünde, yaklaşımları en iyi rakibe göre genel tespit kalitesini yaklaşık 4 puan geliştirdi; özellikle önceki yöntemlerin sıklıkla gölgeler ve lekelerle karıştırdığı ince hasarlar ve geçiş izleri için güçlü kazanımlar elde etti.

Bu Şebeke İçin Ne Anlama Geliyor

Günlük terimlerle, bu çalışma basit fiziksel ipuçlarını—renk ve tekrar eden desenleri—dikkatle yapılandırılmış sinir ağlarıyla birleştirmenin, drone tabanlı iletim hattı denetimini hem daha güvenilir hem de daha bilgilendirici hale getirebileceğini gösteriyor. Önce alakasız arka planın çoğunu uzaklaştırıp ardından ağın dikkatini her ölçekte doğru karışımda ince detay ve genel şekle yönlendirerek, sistem yanlış alarm sayısını artırmadan daha tehlikeli arızaları yakalıyor. Renkleri çevre materyallerle yakından benzeşen izolatörler ve çok dallı tasarımın daha yüksek hesaplama maliyeti gibi bazı zorluklar devam etse de yöntem, kritik altyapının daha akıllı, daha güvenli ve daha ölçeklenebilir izlenmesine doğru bir yön gösteriyor.

Atıf: 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

Anahtar kelimeler: şebeke hattı muayenesi, izolatör arızaları, insansız hava aracı görüntüleri, derin öğrenme tespiti, şebeke güvenilirliği