Research on an Insulator Defect Detection Method Integrating Multi-Scale Perception and Triple Attention
تقترح هذه الورقة البحثية خوارزمية DTRW-YOLO11s، وهي خوارزمية محسنة للكشف عن عيوب العوازل تدمج وحدة تقليل العينات DSDown، وانتباه الثلاثي (Triplet Attention)، والإدراك متعدد المقاييس القائم على RFCAConv مع فقد WIoU لتحسين دقة الكشف وكفاءة الحوسبة بشكل كبير، مع تقليل الإيجابيات الكاذبة والتشخيصات المفقودة في بيئات خطوط النقل المعقدة.
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
تخيل أنك محقق يحاول العثور على قطع صغيرة مكسورة من الزجاج متناثرة عبر ملعب شاسع وفوضوي. بعض القطع ضخمة وواضحة، بينما البعض الآخر صغير جدًا لدرجة أنها تبدو مثل ذرات الغبار التي تتراقص في مهب الريح. الآن، تخيل أن الملعب هو خط طاقة عالي الجهد يمتد لأميال، وأن "قطع الزجاج" هي العيوب الموجودة في العوازل السيراميكية التي تحافظ على تدفق الكهربة بأمان. هذه العوازل هي الأبطال المجهولون للشبكة الكهربائية، فهي تحمل الأسلاك وتمنع الكهرباء من القفز إلى حيث لا ينبغي لها أن تذهب. لكنها تعيش في الخارج، حيث تتعرض للقصف من الأمطار والرياح والشمس، مما قد يتسبب في تشققها أو كسرها أو حتى انفجارها.
لفترة طويلة، كان على البشر تسلق الأعمدة أو توجيه الطائرات بدون طيار المزودة بكاميرات لرصد هذه المشكلات، لكن الأمر كان بطيئًا، ومجهدًا، ومن السهل تفويت شق صغير. وهنا يدخل عالم "الرؤية الحاسوبية"، وهو فرع من العلوم حيث نعلم الحواسيب كيف "ترى" وتفهم الصور تمامًا كما نفعل نحن. في هذا المجال، توجد برامج خاصة تسمى "كاشفات الأشياء". فكر في هذه الكاشفات كأنها ماسحات ضوئية فائقة السرعة يمكنها النظر إلى صورة والصراخ فورًا: "هناك عازل مكسور هناك تمامًا!". ومع ذلك، غالبًا ما ترتبك هذه الماسحات؛ فقد تفوت شقًا صغيرًا لأنه أصغر من اللازم، أو قد تخدعها سحابة غريبة أو غصن شجرة في الخلفية، فتظن أنه عيب بينما هو ليس كذلك. التحدي الكبير هو تعليم الكمبيوتر أن يكون حادًا بما يكفي لرصد العيوب الصغيرة والمراوغة دون أن يتشتت بالخلفية الفوضوية.
هنا تدخل فريق من الباحثين من جامعة تشانغتشو بفكرة جديدة. لقد أخذوا أداة مسح صور حديثة وقوية تسمى YOLO11s (والتي ترمز إلى "أنت تنظر مرة واحدة فقط"، وهو اسم يوحي بأنها سريعة جدًا) ومنحوها ترقية حقيقية. أرادوا بناء نسخة يمكنها التعامل مع عالم خطوط الطاقة الفوضوي والمعقد بشكل أفضل من النسخة الأصلية. وقد أطلقوا على ابتكارهم الجديد اسم DTRW-YOLO11s.
إليك كيف قاموا بترقية حقيبة أدوات المحقق، باستخدام بعض الحيل الذكية:
أولاً، لاحظ أن الكمبيوتر عندما ينظر إلى صورة، فإنه غالبًا ما يقوم بتصغير الصورة لتسهيل معالجتها. ولكن عند القيام بذلك، فإنه أحيانًا يفقد التفاصيل الدقيقة عن غير قصد، مثل شق صغير على العازل. ولإصلاح ذلك، قدم الباحثون وحدة خاصة تسمى DSDown. تخيل أنك تلتقط صورة لحشد من الناس، وبدلاً من مجرد التصغير وفقدان الوجوه، تستخدم مرشحًا خاصًا يحافظ على التفاصيل الدقيقة للأشخاص في الخلف بينما يجعل الصورة أصغر حجمًا. تساعد هذه الوحدة الكمبيوتر على الاحتفاظ بتلك الميزات "للأهداف الصغيرة" التي تضيع عادةً.
بعد ذلك، أدركوا أن الكمبيوتر كان يتشتت بسبب الخلفية. كان ينظر إلى السماء والأشجار والأسلاك، ويصاب بالارتباك حول ما هو العيب الفعلي. ولمساعدة الكمبيوتر على التركيز، أضافوا آلية Triplet Attention. فكر في هذا كأنك تعطي المحقق ثلاثة أزواج من النظارات الخارقة؛ زوج واحد يساعده على رؤية شكل الجسم، والآخر يساعده على فهم الألوان والقوام، والثالث يساعده على رؤية كيفية ارتباط الجسم بمحيطه. من خلال النظر إلى الصورة عبر هذه العدسات الثلاث في آن واحد، يتعلم الكمبيوتر تجاهل الخلفية المزعجة والتركيز على العازل الفعلي، حتى لو كان مختبئًا في مشهد معقد.
ثم، عالجوا مشكلة الحجم. يمكن أن تكون العوازل ضخمة أو صغيرة جدًا اعتمادًا على مدى بعد الطائرة بدون طيار. يحتاج الكمبيوتر إلى القدرة على رؤية الصورة الكبيرة والتفاصيل الدقيقة في نفس الوقت. بنى الباحثون وحدة جديدة تسمى C3k2_RFCAConv. يمكنك التفكير في هذا كعدسة كاميرا يمكنها تغيير تركيزها فورًا؛ فأحيانًا تقوم بالتقريب الشديد لرؤية شريحة صغيرة على حافة العازل، وأحيانًا أخرى تقوم بالابتعاد لرؤية القطعة المكسورة بالكامل. هذه "العدسة التكيفية" تسمح للكمبيوتر بفهم العيوب بجميع أحجامها دون ارتباك.
أخيرًا، قاموا بتحسين كيفية تعلم الكمبيوتر من أخطائه. في البرنامج الأصلي، عندما كان الكمبيوتر يخمن الموقع الخاطئ للعيب، كان يُعاقب بقسوة شديدة، مما جعله أحيانًا يخاف من التخمين على الإطلاق. استبدل الباحثون نظام تسجيل النقاط القديم بنظام جديد يسمى WIoU. هذا يشبه معلمًا أكثر ذكاءً يعرف أن بعض الأخطاء هي مجرد "تخمينات سيئة" والبعض الآخر هي "أخطاء فادحة حقًا". إنه يوجه الكمبيوتر بلطف للتركيز على العينات التي يمكنه التعلم منها بشكل أفضل، مما يساعده على تحديد مكان العيب بدقة أكبر.
عندما اختبر الباحثون محققهم الجديد DTRW-YOLO11s، كانت النتائج مبهرة. لقد عرضوا عليه آلاف الصور لخطوط الطاقة، بما في ذلك صور لعوازل طبيعية، أو مكسورة، أو منفجرة، أو بها حروق كهربائية (flashovers). مقارنة بـ YOLO11s الأصلي، كانت نسختهم المطورة أفضل بكثير في العثور على العيوب. فقد حدد العيوهات بشكل صحيح بنسبة 90.3% من الوقت (وهو مقياس يسمى mAP@0.5)، وهو تحسن بنسبة 4.1% عن النسخة الأصلية. كما أصبح أفضل في عدم تفويت أي عيوب (ارتفع الاستدعاء/Recall بنسبة 4.2%) وفي عدم اختلاق عيوب وهمية (ارتفعت الدقة/Precision بنسبة 3.3%).
والأكثر إثارة للحماس، هو أنهم تمكنوا من جعل الكمبيوتر أصغر وأسرع مع جعله أكثر ذكاءً. يستخدم النموذج الجديد موارد ذاكرة (Parameters) أقل بنسبة 10.6% وقوة حوسبة (FLOPs) أقل بنسبة 19.7% من النموذج الأصلي. وهذا يعني أنه يمكن تشغيله على طائرات بدون طيار أصغر وأرخص أو أجهزة محمولة تستخدمها شركات الكهرباء، مما يجعل عمليات التفتيش اليومية أسرع وأكثر موثوقية.
كما اختبر الباحثون نموذجهم على مجموعة مختلفة تمامًا من الصور (مجموعة بيانات PASCAL VOC2007، التي تحتوي على صور لأشياء يومية مثل القطط والسيارات والقوارب) لمعرفة ما إذا كانت ترقياتهم مجرد خدعة حظ لخطوط الطاقة أم أنها جعلت الكمبيوتر "عينًا" أفضل بشكل عام. وتبين أن النموذج أصبح أفضل في رصد تلك الأشياء أيضًا، مما أثبت أن تحسيناتهم كانت قوية ومفيدة.
باختصار، تشير هذه الورقة البحثية إلى أنه من خلال منح نموذج الرؤية الحاسوبية طريقة أفضل لتصغير الصور دون فقدان التفاصيل، وطريقة أذكى للتركيز على الأجزاء المهمة، وعدسة مرنة لمختلف الأحجام، وطريقة أكثر إنصافًا للتعلم من الأخطاء، يمكننا بناء نظام أفضل بكثير للحفاظ على سلامة خطوط الطاقة لدينا. إنه ليس عصا سحرية تحل كل المشكلات فورًا، ولكنه خطوة كبيرة للأمام نحو جعل عمليات تفتيش شبكتنا الكهربائية أكثر أمانًا وذكاءً.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.