الذكاء الاصطناعي يكشف عيوب أبراج نقل الكهرباء ودقة أعلى بنسبة 59 في المئة لسلامة الشبكة
We compile, generate and translate using Artificial Intelligence from the below given source. Macro Micro News is responsible for its editorial publication.
تعتمد الشبكات الكهربائية الحديثة على موثوقية البنية التحتية لنقل الطاقة. لا تزال عمليات التفتيش اليدوي للهياكل الفولاذية الشاهقة مكلفة وتحتاج إلى جهد كبير وعرضة لأخطاء الإنسان. يقدم تقدم حديث في تقنيات الرؤية الحاسوبية حلاً تحويلياً لتحديد نقاط الضعف الهيكلي في أبراج نقل الجهد العالي. طور الباحثون نموذج ذكاء اصطناعي متقدم يحسن بشكل كبير تحديد مواقع مناطق الاتصال الهيكلية العلوية والسفلية. تُعد هذه المناطق نقاطاً حيوية لتقييمات الصيانة والسلامة.
تكمن الابتكارية الأساسية في نسخة معدلة من بنية Real-Time DEtection TRansformer. يدمج هذا النموذج العمود الفقري C2f_SHSA_CGLU مع آليات انتباه مشفرة قابلة للتشويه. كما يتميز بوحدة SBA_fused المتخصصة التي تعمل عند مستوى دقة P2 عالي. تتيح هذه التحسينات التقنية للنظام معالجة البيانات المرئية المعقدة بفعالية أكبر. يتعامل النظام مع الأجسام الصغيرة أو التفاصيل البعيدة التي غالباً ما تفوتها خوارزميات الكشف القياسية. استخدمت الدراسة مجموعة بيانات خاصة تتألف من 818 صورة وأكثر من 12500 مربع محدد. تضمن ذلك تدريب النموذج على ظروف ميدانية واقعية محددة بدلاً من مجموعات البيانات العامة.
أظهرت مقاييس الأداء خلال مرحلة التحقق تحسناً كبيراً مقارنة بالنماذج الأساسية. حققت البنية المقترحة متوسط دقة قدره 59.14 في المئة. وهذا يتفوق على نموذج RT-DETR-r18 القياسي الذي سجل متوسط دقة يبلغ 56.68 في المئة. والأهم من ذلك أن النموذج الجديد برع في اكتشاف الأجسام الصغيرة. وحقق متوسط دقة للأجسام الصغيرة بنسبة 52.06 في المئة مقارنة بـ 44.88 في المئة للنموذج الأساسي. أكدت دراسات الاستبعاد أيضاً أن الجمع بين مستوى الدقة P2 ومكون SBA_fused ساهم بشكل كبير في هذه المكاسب. ورفع هذا متوسط الدقة إلى 58.33 في المئة عبر بذور متعددة.
على الرغم من ظهور نتائج قوية للنموذج على مجموعة التحقق الخاصة، فإن تعميم النتائج على مشاهد مستقلة لا يزال مجالاً يحتاج إلى تحقق مستقبلي. على معيار STN PLAD العام، حقق النموذج متوسط دقة قدره 37.53 في المئة. وكان هذا أقل من أداء نموذج RT-DETR-r18 القياسي البالغ 44.18 في المئة. يبرز هذا التباين تحديات نقل البيانات المدربة تخصصياً إلى بيئات أوسع وأفضل تنوعاً. ومع ذلك، تظهر الفائدة العملية للنظام بوضوح في سرعة معالجته. يعمل خط أنابيب إدخال الملفات المكتبي بسرعة حوالي 14.94 إطاراً في الثانية عند التشغيل على وحدة معالجة رسومات NVIDIA GeForce RTX 3090. مما يجعله قابلاً للتطبيق في تطبيقات التفتيش الحقيقية أو شبه الحقيقية الوقت.
يمثل هذا التقدم خطوة كبيرة نحو أتمتة صيانة الشبكة. ومن خلال تقليل الاعتماد على الفحوصات البصرية اليدوية وتوفير تحديد دقيق وآلي للميزات الهيكلية الحرجة، تعد هذه التكنولوجيا بتحسين سلامة وكفاءة شبكات نقل الطاقة عالمياً. ومع شيخوخة البنية التحتية للشبكات حول العالم، ستصبح أدوات التشخيص المدعومة بالذكاء الاصطناعي أكثر أهمية لمنع الأعطال وضمان إمداد الطاقة دون انقطاع.