Китайские ученые разработали нейросетевую модель SESYOLO для обнаружения посторонних предметов на линиях электропередачи. Алгоритм достиг точности 93,9% при выявлении птичьих гнезд и показал улучшение среднего показателя точности на 9% по сравнению с исходной версией.
Подход исследователей
По данным ученых, посторонние предметы на линиях электропередачи являются второй по частоте причиной аварий после ударов молнии и внешних воздействий. Птичьи гнезда, пластик, воздушные змеи и шары могут вызывать короткие замыкания. Традиционные методы проверки с использованием дронов сталкиваются с трудностями при распознавании мелких объектов на сложном фоне.
Исследователи из Центрального университета национальностей Китая применили технологии генеративного искусственного интеллекта для создания обучающих данных и разработали архитектуру SESYOLO, специально адаптированную для аэрофотосъемки. Результаты их работы были опубликованы в журнале Scientific Reports.
Технические решения
В основе модели лежит модифицированная версия YOLOv8n. Ученые интегрировали модуль пространственной и канальной реконструкции свертки, который уменьшает избыточные вычисления и улучшает выделение признаков. Реконструированная сеть Efficient RepGFPN обеспечивает эффективный обмен информацией между разными масштабами без дополнительной вычислительной нагрузки.
Новый детектор SE-Detect на основе механизма сжатия и возбуждения позволяет извлекать информацию с меньшим количеством параметров. Для обучения использовалась функция потерь WIoU, которая балансирует качество выборок, и схема дистилляции знаний.
Результаты экспериментов
Модель SESYOLO достигла среднего показателя точности 89,6%, что на 9% выше, чем у версии YOLOv8n. Полнота выявления объектов выросла на 9,1% и составила 81,2%. При обнаружении птичьих гнезд точность достигла 93,9%. Модель занимает 7,9 мегабайта памяти и обрабатывает 142 кадра в секунду на GPU RTX 4060.
Такая производительность позволяет использовать ее в реальном времени при инспекции линий электропередачи с беспилотников. Тепловые карты подтверждают, что новая версия лучше фокусируется на центральных областях объектов и эффективнее подавляет фоновый шум по сравнению с базовой моделью.
Практическое значение
Разработка позволяет автоматизировать обнаружение посторонних предметов на линиях электропередачи, что критически важно для предотвращения аварий. Авторы исследования подчеркнули, что предложенные улучшения специально разработаны для работы в условиях сложного фонового шума и при обнаружении мелких объектов неправильной формы, что характерно для аэрофотосъемки.
VK
OK
Telegram
Дзен