KI erkennt Mängel an Strommasten: Präzisionsgewinn von 59 Prozent für die Netzsicherheit
We compile, generate and translate using Artificial Intelligence from the below given source. Macro Micro News is responsible for its editorial publication.
Moderne Energieversorgungsnetze sind auf die Zuverlässigkeit ihrer Hochspannungsinfrastruktur angewiesen. Manuelle Inspektionen der massiven Stahlkonstruktionen sind arbeitsintensiv und fehleranfällig. Ein Durchbruch in der Computervision-Technologie bietet nun eine transformative Lösung zur Identifizierung struktureller Schwachstellen. Forscher haben ein fortschrittliches KI-Modell entwickelt, das die Lokalisierung kritischer Verbindungsregionen oben und unten am Turm deutlich verbessert. Diese Bereiche sind entscheidend für Wartung und Sicherheitsbewertungen.
Der Kern der Innovation ist eine modifizierte Version der RT-DETR-Architektur. Das Modell integriert einen C2f_SHSA_CGLU-Backbone mit deformierbaren Encoder-Aufmerksamkeitsmechanismen. Zudem verfügt es über ein spezialisiertes SBA_fused-Modul, das auf einem hohen P2-Auflösungslevel arbeitet. Diese technischen Verbesserungen ermöglichen eine effektivere Verarbeitung komplexer visueller Daten. Das System erfasst kleine Objekte oder entfernte Details, die Standard-Algorithmen oft übersehen. Die Studie stützte sich auf einen privaten Datensatz mit 818 Bildern und mehr als 12.500 Bounding Boxes. So wurde sichergestellt, dass das Modell unter realistischen Feldbedingungen trainiert wurde und nicht nur auf generischen Daten.
Die Leistungsmetriken während der Validierungsphase zeigen erhebliche Verbesserungen gegenüber Basismodellen. Die vorgeschlagene Architektur erzielte eine durchschnittliche Präzision (Average Precision) von 59,14 Prozent. Damit schlägt sie das Standardmodell RT-DETR-r18, das eine AP von 56,68 Prozent erreichte. Noch wichtiger ist, dass das neue Modell bei der Erkennung kleiner Objekte glänzt. Es erzielte hier eine AP von 52,06 Prozent im Vergleich zu 44,88 Prozent beim Basismodell. Ablationsstudien bestätigten zudem, dass die Kombination aus dem P2-Auflösungslevel und der SBA_fused-Komponente maßgeblich zu diesen Ergebnissen beitrug. Dies erhöhte die durchschnittliche Präzision auf 58,33 Prozent über mehrere Starts hinweg.
Obwohl das Modell auf dem privaten Validierungssatz starke Ergebnisse lieferte, bleibt die Verallgemeinerbarkeit auf unabhängige Szenen ein Punkt für zukünftige Überprüfungen. Auf dem öffentlichen STN PLAD Benchmark erreichte das Modell eine AP von 37,53 Prozent. Dies lag unter der Performance des Basismodells RT-DETR-r18 mit 44,18 Prozent. Diese Diskrepanz zeigt die Herausforderungen bei der Übertragung spezialisierter Trainingsdaten auf breitere, vielfältigere Umgebungen. Dennoch ist der praktische Nutzen des Systems durch seine Verarbeitungsgeschwindigkeit offensichtlich. Auf einer NVIDIA GeForce RTX 3090 GPU läuft die Desktop-Pipeline mit Dateieingabe mit etwa 14,94 Frames pro Sekunde. Das macht es für Echtzeit- oder Nahe-Echtzeit-Inspektionsanwendungen tauglich.
Dieser Fortschritt ist ein signifikanter Schritt hin zur Automatisierung der Netzwartung. Durch die Reduzierung der Abhängigkeit von manuellen Sichtprüfungen und die präzise automatisierte Lokalisierung kritischer Strukturmerkmale verspricht diese Technologie, die Sicherheit und Effizienz von Stromübertragungsnetzen weltweit zu steigern. Da die Infrastruktur der Netze weltweit altert, werden solche KI-gestützten Diagnosewerkzeuge zunehmend unverzichtbar sein, um Ausfälle zu verhindern und eine unterbrechungsfreie Energieversorgung zu gewährleisten.