← أحدث الأبحاث
💻 computer science

Insulator Defect Detection Based on Multi-Scale Perception and Context-Guided Feature Aggregation

لمعالجة تحديات تباين الحجم، وضعف الأنسجة، وتشابه الخلفية في الكشف عن عيوب العوازل باستخدام الطائرات بدون طيار، تقترح هذه الورقة شبكة تجميع السياق المدركة للمقياس (SACANet)، والتي تدمج تجميع المجال الاستقبالي المدرك للمقياس، وصقل الميزات ثنائي الاتجاه رباعي المقاييس، والتنبؤ متعدد المقاييس المتوافق مكانيًا لتحقيق أداء رائد على مجموعة بيانات FLOWID.

المؤلفون الأصليون: Dongqi Zhang, Xiaoxia Liu, Zainura Idrus, Shuai Liu

نُشر 2026-09-23
📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة
CC BY 4.0

المؤلفون الأصليون: Dongqi Zhang, Xiaoxia Liu, Zainura Idrus, Shuai Liu

البحث الأصلي مرخَّص بموجب CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل

تحلق الطائرات المسيرة غير المأهولة عالياً فوق الأرض على طول الشبكات الواسعة لخطوط الطاقة التي تنقل الكهرباء إلى المدن والبلدات. وتتمثل مهمتها في رصد الأضرار في العوازل السيراميكية التي تثبت هذه الأسلاك الثقيلة في مكانها. وتعد هذه العوازل بالغة الأهمية؛ فإذا تشققت أو انكسرت، يمكن أن تنهار شبكة الطاقة، مما يؤدي إلى انقطاع التيار الكهربائي أو نشوب حرائق كهربائية خطيرة. ومع ذلك، فإن اكتشاف هذه العيوب أمر صعب للغاية بالنسبة للكمبيوتر للقيام به تلقائياً. فغالباً ما تلتقط الكاميرات الموجودة على الطائرات المسيرة صوراً من مسافات بعيدة، مما يجعل الشقوق الصغيرة تبدو وكأنها مجرد ذرات غبار. علاوة على ذلك، تكون الخلفية عادةً مزدحمة بالهيكل المعدي للبرج، والأسلاك نفسها، وأنسجة الأشجار والسماء، وكلها أشياء يمكن أن تبدو مشابهة بشكل مريب للعيب. وعندما يحاول الكمبيوتر تحليل هذه الصور، فإنه غالباً ما يبسط الصورة لتسهيل معالجتها، ولكن في القيام بذلك، فإنه يمحو عن طريق الخطأ الأدلة الباهتة جداً اللازمة لرصد قطعة مكسورة.

ولحل هذه المشكلة، طور فريق من الباحثين من جامعات في الصين وماليزيا نظام رؤية حاسوبية جديداً يسمى SACANet. وبدلاً من التعامل مع الصورة كصورة مسطحة واحدة، تم تصميم هذا النظام لينظر إلى الصورة في طبقات، تماماً مثل تقشير طبقات البصل لرؤية التفاصيل المخفية بداخلها. أدرك الباحثون أن الطرق القياسية غالباً ما تفقد العيوب الصغيرة ذات التباين المنخفض أثناء عملية تقليص حجم بيانات الصورة. ويحافظ نهجهم الجديد على هذه التفاصيل الدقيقة حية من خلال ضبط كيفية "رؤية" الكمبيوتر للصورة باستمرار. وهو يفعل ذلك عن طريق تغيير حجم المنطقة التي يركز عليها الكمبيوتر في أي لحظة، مما يسم يسمح له بالتقريب (الزوم) لرؤية الشقوق الصغيرة مع استيعاب السياق الأكبر للبرج والسماء في آن واحد. وهذا يضمن عدم الخلط بين عيب صغير وبين ظل أو قطعة من النباتات.

يعمل النظام من خلال بناء سلسلة مستمرة من الانتباه من اللحظة التي يتم فيها التقاط الصورة إلى اللحظة التي يتم فيها اتخاذ القرار. أولاً، ينظر إلى الصورة الخام ويضبط تركيزه لالتقاط الأشكال المحددة للعيوب، سواء كانت كسوراً كبيرة أو فجوات صغيرة. بعد ذلك، يجمع المعلومات من مستويات مختلفة من التفاصيل، حيث يأخذ الحواف الحادة من العرض القريب ويمزجها مع الفهم الأوسع للمشهد من العرض الأوسع. وأخيراً، قبل أن يعلن عن وجود عيب، يقوم بوزن كل هذه المستويات المختلفة من الدقة معاً عند كل نقطة في الصورة. وهذه الخطوة النهائية حاسمة لأنها تسمح للنظام بأن يقرر، على سبيل المثال، أن مجموعة معينة من البكسلات هي شق لأنها تطابق نمط عيب تم رصده على مقاييس تفصيل متعددة، وليس مجرد مقياس واحد فقط.

اختبر الباحثون هذا النظام الجديد على مجموعة من الصور الواقعية المأخوذة من عمليات تفتيش فعلية لخطوط الطاقة، والتي تضمنت 1,426 صورة تحتوي على إجمالي 1,632 حالة عيب محددة. وأظهرت النتائج أن النظام الجديد كان أفضل بكثير في العثور على هذه العيوب مقارنة بالطرق السابقة. فقد حدد موقع العيوب بدقة عالية، مما أدى إلى تحسين الدقة الإجمالية بهامش ملحوظ مقارنة بأفضل الأدوات الموجودة. وبشكل محدد، وجد المزيد من العيوب الصغيرة التي يصعب رؤيتها وكان أفضل بكثير في تجاهل ازدحام الخلفية المربك. وقد تمكن النظام من تحقيق هذه النتائج دون أن يصبح معقداً لدرجة تجعل من المستحيل تشغيله على المعدات القياسية، محققاً توازناً بين كونه ذكياً بما يكفي لإيجاد الضرر وفعالاً بما يكفي ليكون عملياً.

تشير الدراسة إلى أن مفتاح النجاح لم يكن مجرد إضافة المزيد من القدرة الحوسبية، بل في تنظيم كيفية معالجة الكمبيوتر للمعلومات. فمن خلال الحفاظ على التفاصيل الصغيرة من الضياع ومن خلال دمج الرؤى المختلفة للصورة بعناية، تعلم النظام رؤية ما فاتت الطرق الأخرى. وأشار الباحثون إلى أن التحسينات كانت أكثر دراماتيكية عند النظر إلى الأجسام الصغيرة أو المشاهد ذات الخلفيات المزدحمة جداً، وهي بالضبط الحالات التي تعاني فيها التكنولوجيا الحالية عادةً. وبينما تم اختبار النظام على مجموعة محددة من الصور، فإن النتائج تشير إلى أن هذا النهج المتمثل في الإدارة الدقيقة لكيفية دمج مستويات مختلفة من المعلومات يمكن أن يكون أداة قوية للحفاظ على سلامة وموثوقية شبكات الطاقة لدينا. إن هذا العمل يثبت أنه مع التصميم الصحيح، يمكن تعليم الحواسيب رؤية العلامات الدقيقة للتآكل والتهالك التي قد تخطئها العين البشرية من مسافة بعيدة، مما يوفر طريقة أكثر قابلية للتوسع لمراقبة البنية التحتية التي تدير عالمنا الحديث.

غارق في أبحاث مجالك؟

تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.

جرّب Digest →

أبحاث مشابهة

عرض الكل في هذا التصنيف 💻 cs →