L'IA détecte les défauts des pylônes : une précision en hausse de 59 % pour la sécurité du réseau
We compile, generate and translate using Artificial Intelligence from the below given source. Macro Micro News is responsible for its editorial publication.
La fiabilité des infrastructures de transport d'électricité est le pilier des réseaux énergétiques modernes. Les inspections manuelles de ces structures métalliques imposantes restent fastidieuses et sujettes aux erreurs humaines. Une avancée récente en vision par ordinateur propose une solution transformatrice pour identifier les faiblesses structurelles des pylônes haute tension. Les chercheurs ont mis au point un modèle d'intelligence artificielle qui améliore considérablement la localisation des zones de connexion supérieures et inférieures. Ces points sont cruciaux pour les opérations de maintenance et les évaluations de sécurité.
Le cœur de l'innovation réside dans une version modifiée de l'architecture Real-Time DEtection TRansformer. Ce modèle intègre un squelette C2f_SHSA_CGLU avec des mécanismes d'attention à encodeur déformable. Il comprend également un module spécialisé SBA_fused fonctionnant à un niveau P2 haute résolution. Ces améliorations techniques permettent au système de traiter les données visuelles complexes plus efficacement. Le système gère les petits objets ou les détails lointains souvent ignorés par les algorithmes de détection standards. L'étude s'est appuyée sur un jeu de données privé composé de 818 images et de plus de 12 500 boîtes englobantes. Cela a garanti que le modèle était formé sur des conditions de terrain réalistes plutôt que sur des jeux de données génériques.
Les indicateurs de performance lors de la phase de validation montrent des progrès substantiels par rapport aux modèles de base. L'architecture proposée a atteint une Précision Moyenne de 59,14 %. Elle surpasse le modèle standard RT-DETR-r18 qui affichait une PM de 56,68 %. Plus important encore, le nouveau modèle excelle dans la détection des petits objets. Il a obtenu une PM de 52,06 % pour les petits objets contre 44,88 % pour le modèle de base. Des études d'ablation ont confirmé que la combinaison du niveau de résolution P2 et du composant SBA_fused a contribué de manière significative à ces gains. Cela a élevé la précision moyenne à 58,33 % sur plusieurs graines aléatoires.
Bien que le modèle ait montré de solides résultats sur l'ensemble de validation privé, sa généralisation à des scènes indépendantes reste un domaine à vérifier davantage. Sur le benchmark public STN PLAD, le modèle a atteint une PM de 37,53 %. Ce résultat est inférieur à la performance du modèle de base RT-DETR-r18 qui s'établissait à 44,18 %. Cet écart met en lumière les défis liés au transfert de données d'entraînement spécialisées vers des environnements plus vastes et diversifiés. Cependant, l'utilité pratique du système est évidente grâce à sa vitesse de traitement. Fonctionnant sur un GPU NVIDIA GeForce RTX 3090, le pipeline de fichier en entrée sur bureau opère à environ 14,94 images par seconde. Cela le rend viable pour des applications d'inspection en temps réel ou quasi temps réel.
Cette avancée marque un pas significatif vers l'automatisation de la maintenance des réseaux. En réduisant la dépendance aux vérifications visuelles manuelles et en fournissant une localisation automatisée précise des caractéristiques structurelles critiques, cette technologie promet d'améliorer la sécurité et l'efficacité des réseaux de transmission d'énergie à l'échelle mondiale. À mesure que les infrastructures vieillissent partout dans le monde, ces outils de diagnostic alimentés par l'IA deviendront de plus en plus essentiels pour prévenir les pannes et garantir un approvisionnement énergétique ininterrompu.