تشخيص هوشمند عيوب كوچك خطوط انتقال برق در تصاوير پهپادي با استفاده از DRSPTL

Automatic Small Defect Detection in Unmanned Aerial Vehicle Images of Power Transmission Lines using DRSPTL

در سال­هاي اخير تشخيص اشياء كوچك با استفاده از تكنيك­هاي يادگيري عميق در بسياري از كاربردهاي عملي مورد توجه خاص قرار گرفته است و امري چالش برانگيز مي­باشد، زيرا اشياء كوچك در تصاوير وضوح كمي دارند و حاوي اطلاعات دقيق نيستند. در اين مقاله يك آشكارساز دومرحله ­اي جديد مبتني بر تشخيص اشياء با هرم ويژگي بازگشتي و نرخ Atrousبا استفاده از آشكارساز (DetectoRS) جهت تشخيص هوشمند عيوب كوچك و مهم خطوط انتقال برق معرفي شده و معماري DetectoRS در اين راستا به طور كامل اصلاح شده است. در روش پيشنهادي DRSPTL از Cascade R-CNN با ResNext-101جهت افزايش دقت در تشخيص عيوب كوچك استفاده شده است. در اين مقاله تصاوير RGB با وضوح بالا توسط پهپاد از خطوط انتقال شركت­هاي برق منطقه­اي تهران، كرمان، شيراز، اصفهان و اهواز تهيه شده، و مجموعه داده­هاي آموزش و تست مربوط به عيوب توسط گروهي از متخصصين آماده شده است. براي ساخت داده­هاي آموزش، تقريباً 80% از كل مجموعه تصاوير حاوي عيوب كوچك، انتخاب و برچسب­ گذاري شدند. DRSPTL بالاترين دقت را در مقايسه با دو روش معتبر در زمينه تشخيص اشياء RetinaNet و RepPoints دارا مي­باشد. قابل ذكر است كه با توجه به نتايج بدست آمده مي­ توان با شناسايي اتوماتيك عيوب و جلوگيري از وقوع بسياري از قطعي­ هاي برق، باعث كاهش چشمگير زمان و هزينه شركت­هاي برق منطقه­ اي شد.

Recently, small object recognition based on deep learning techniques has gained particular attention in many practical applications and is challenging because small objects have low resolution and do not contain detailed information. In this article, a new two-stage detector based on detecting objects with recursive feature pyramid and switchable atrous convolution (DetectoRS) has been introduced to find small and important defects such as loose nut-bolts and missing-nut in power transmission lines (PTL). The architecture of DetectoRS was necessarily modified. The proposed technique which is called DRSPTL, the Cascade R-CNN with ResNext-101 is used to increase the accuracy of small defect detection. In this work, high-resolution RGB images are captured by unmanned aerial vehicles (UAVs) imaging PTL from Tehran, Kerman, Shiraz, Isfahan, and Ahwaz regional electric companies, Iran. The training and test datasets from the captured faulty images are created from annotation by experts. To construct the training dataset, nearly eighty percent of the whole set of faulty images were selected and labeled. The performance of the proposed method with two state-of-the-art object detection techniques RetinaNet and RepPoints has been compared. DRSPTL has the highest small defect detection accuracy. It is noteworthy that the obtained results could significantly reduce the time and cost of electric power companies by detecting the defects automatically and preventing the occurrence of many power outages.