Macro Micro News Global Pulse. Local Truth.

AI Deteksi Cacat Menara Transmisi: Peningkatan Presisi 59% untuk Keselamatan Jaringan Listrik

15 November 2026 · 2 min read

We compile, generate and translate using Artificial Intelligence from the below given source. Macro Micro News is responsible for its editorial publication.

Article image by Salam Habash
Image by Salam Habash

Jaringan energi modern mengandalkan keandalan infrastruktur transmisi listrik. Inspeksi manual pada struktur baja yang menjulang masih memakan banyak tenaga dan rentan terhadap kesalahan manusia. Terobosan terbaru dalam teknologi computer vision menawarkan solusi transformatif untuk mengidentifikasi kelemahan struktural pada menara transmisi tegangan tinggi. Para peneliti telah mengembangkan model kecerdasan buatan canggih yang secara signifikan meningkatkan pelokalan area koneksi struktural bagian atas dan bawah. Area ini merupakan titik vital untuk pemeliharaan dan penilaian keselamatan.

Inovasi inti terletak pada versi modifikasi dari arsitektur Real-Time DEtection TRansformer. Model ini mengintegrasikan backbone C2f_SHSA_CGLU dengan mekanisme perhatian encoder yang dapat berubah bentuk. Sistem ini juga dilengkapi modul khusus SBA_fused yang beroperasi pada tingkat resolusi P2 yang tinggi. Peningkatan teknis ini memungkinkan sistem memproses data visual kompleks dengan lebih efektif. Sistem mampu menangani objek kecil atau detail jarak jauh yang sering terlewatkan oleh algoritma deteksi standar. Studi ini menggunakan dataset pribadi yang terdiri dari 818 gambar dan lebih dari 12.500 kotak pembatas. Hal ini memastikan model dilatih berdasarkan kondisi lapangan yang realistis dan spesifik, bukan dataset generik.

Metrik kinerja dari fase validasi menunjukkan peningkatan substansial dibandingkan model dasar. Arsitektur yang diusulkan mencapai Average Precision sebesar 59,14%. Angka ini melampaui model RT-DETR-r18 standar yang mencatat AP 56,68%. Yang lebih penting, model baru ini unggul dalam mendeteksi objek kecil. Model ini mencapai AP objek kecil sebesar 52,06%, dibandingkan 44,88% untuk model dasar. Studi ablasi semakin mengonfirmasi bahwa kombinasi tingkat resolusi P2 dan komponen SBA_fused berkontribusi signifikan terhadap peningkatan tersebut. Hal ini menaikkan rata-rata presisi menjadi 58,33% di berbagai seed.

Meskipun model menunjukkan hasil yang kuat pada set validasi pribadi, generalisasi ke adegan independen tetap menjadi area yang perlu diverifikasi di masa depan. Pada benchmark publik STN PLAD, model ini mencapai AP sebesar 37,53%. Angka ini lebih rendah daripada kinerja baseline RT-DETR-r18 yang mencapai 44,18%. Ketimpangan ini menyoroti tantangan dalam mentransfer data pelatihan khusus ke lingkungan yang lebih luas dan beragam. Namun, utilitas praktis sistem terlihat jelas dari kecepatan pemrosesannya. Berjalan di GPU NVIDIA GeForce RTX 3090, pipeline file-input desktop beroperasi sekitar 14,94 frame per detik. Ini membuatnya layak untuk aplikasi inspeksi real-time atau hampir real-time.

Langkah maju ini menandai tonggak penting menuju otomatisasi pemeliharaan jaringan listrik. Dengan mengurangi ketergantungan pada pemeriksaan visual manual dan memberikan pelokalan otomatis yang tepat untuk fitur struktural kritis, teknologi ini menjanjikan peningkatan keselamatan dan efisiensi jaringan transmisi daya secara global. Seiring penuaan infrastruktur jaringan di seluruh dunia, alat diagnostik berbasis AI akan semakin esensial untuk mencegah kegagalan dan memastikan pasokan energi yang tidak terputus.