CXS-YOLO: a lightweight bird-nest detection model for UAV inspection of overhead transmission lines

Hoch über dem Boden erstrecken sich Stromleitungen durch Landschaften und transportieren Elektrizität zu Häusern und Städten. Diese Leitungen sicher zu halten, ist eine ständige Herausforderung. Vögel bauen oft Nester auf den Metallmasten, die die Drähte stützen. Während die Vögel lediglich nach einem Zuhause suchen, können ihre Nester ernsthafte Probleme für das Stromnetz verursachen. Die Materialien in einem Nest können die Lücke zwischen elektrischen Teilen überbrücken, was zu Funken, Stromausfällen oder sogar Bränden führen kann. Gleichzeitig stellen die Leitungen eine Gefahr für die Vögel selbst dar. Um diese Probleme zu verhindern, müssen Versorgungsunternehmen die Nester schnell finden und entfernen. Seit Jahrzehnten geschieht dies durch Menschen, die auf Türme klettern oder entlang der Leitungen fahren, aber das ist langsam, gefährlich und schwierig, um riesige Gebiete abzudecken.

In den letzten Jahren haben sich Unternehmen an Drohnen, oder unbemannten Luftfahrzeugen, gewandt, um entlang der Leitungen zu fliegen und Fotos zu machen. Die Hoffnung ist, dass ein Computer diese Fotos betrachten und ein Nest automatisch erkennen kann. Dies ist jedoch schwieriger, als es klingt. Eine Drohne fliegt vielleicht nah an einem Mast vorbei, wodurch ein Nest groß und detailliert erscheint, oder sie ist weit entfernt, wodurch dasselbe Nest wie ein winziger Pixelpunkt aussieht. Der Hintergrund ist oft überladen mit Bäumen, Drähten und der Metallstruktur des Turms selbst, was einem Nest sehr ähnlich sehen kann. Zudem sind die Computer, die auf den Drohnen fliegen, klein und haben eine begrenzte Leistung, was bedeutet, dass sie nicht die massiven, komplexen Softwareprogramme ausführen können, die normalerweise am besten für das Aufspüren von Objekten geeignet sind. Das Ziel war es, einen Weg zu finden, diese Nester genau zu erkennen, ohne einen Supercomputer zu benötigen.

Ein Forscherteam hat ein neues System namens CXS-YOLO entwickelt, um genau dieses Problem zu lösen. Sie begannen mit einem bekannten, effizienten Computer-Vision-Modell und gestalteten dessen interne Teile neu, um die einzigartigen Herausforderungen von Vogelnestern an Stromleitungen zu bewältigen. Anstatt zu versuchen, den Computer intelligenter zu machen, indem sie mehr Komplexität hinzufügen, machten sie ihn vorsichtiger bei dem, worauf er seine Aufmerksamkeit richtet. Die Forscher konzentrierten sich auf drei Hauptschwachstellen standardmäßiger Erkennungssysteme: den Verlust feiner Details, wenn ein Objekt weit entfernt ist, die Verwirrung durch helles Sonnenlicht oder Schatten und die Verschwendung von Rechenleistung durch redundante Berechnungen.

Um das Problem des Detailverlusts zu lösen, änderte das Team die Art und Weise, wie der Computer Bilder verarbeitet, wenn sie kleiner werden. Normalerweise, wenn ein Computer ein Bild schrumpft, um es zu analysieren, wirft er einfach Pixel weg, was die winzigen Kanten eines fernen Nestes auslöschen kann. Das neue System nutzt eine spezielle Methode, die den Inhalt des Bildes betrachtet, bevor es es schrumpft. Es entscheidet, welche Teile des Bildes wichtig sind, um sie beizubehalten, wodurch sichergestellt wird, dass selbst die schwächsten Texturen eines fernen Nestes für die abschließende Prüfung erhalten bleiben. Dies ermöglicht es dem System, kleine Ziele zu erkennen, die andere Modelle komplett übersehen würden.

Die Forscher gingen auch das Problem des verwirrenden Lichts an. Am Himmel können die Sonne helle Flecken erzeugen, die wie Teile eines Nestes aussehen, oder Schatten, die sie verbergen. Standardmäßige Systeme lassen sich oft von diesen hellen Bereichen täuschen. Das neue Modell enthält eine Funktion, die die Helligkeit der Szene anpasst, bevor es versucht, das Nest zu finden. Es normalisiert die Lichtverhältnisse, sodass sich der Computer auf die Form und Struktur des Objekts konzentriert, anstatt durch eine Blendung oder einen dunklen Fleck abgelenkt zu werden. Dies macht das System viel zuverlässiger, wenn sich das Wetter ändert oder die Sonne direkt auf den Turm scheint.

Schließlich optimierte das Team den Teil des Systems, der tatsächlich die Entscheidung trifft. Standardmodelle verwenden oft separate, schwere Maschinen, um Objekte bei verschiedenen Größen zu prüfen, was Energie verschwendet. Das neue Design teilt die Arbeit zwischen diesen verschiedenen Prüfungen auf und nutzt einen einzigen, effizienten Prozess, der sich an die Größe des gesuchten Nestes anpasst. Dies reduziert die Menge an Speicher und Leistung, die das System benötigt, um darauf zu laufen, was es leicht genug macht, um auf einer Drohne zu fliegen, ohne diese zu verlangsamen.

Als die Forscher ihr neues System testeten, waren die Ergebnisse eindeutig. Sie verwendeten eine Sammlung von über 3.500 echten Fotos, die von Drohnen aufgenommen wurden und Nester aller Größen sowie in verschiedenen Wetterbedingungen enthielten. Das neue System identifizierte Vogtnester in 89,6 % der Fälle korrekt, in denen es eine Vermutung anstellte, und es fand 83,4 % aller tatsächlich vorhandenen Nester. Im Vergleich zum bisher besten leichtgewichtigen Modell war es genauer und fand mehr Nester, während es signifikant weniger Rechenleistung verbrauchte. Speziell benötigte es 57,1 % weniger Speicherkomponenten und verbrauchte 31,7 % weniger Verarbeitungsenergie.

Der wahre Test kam, als sie das System auf tatsächlicher Hardware ausführten. Auf einem leistungsstarken Desktop-Computer verarbeitete es fast 36 Bilder pro Sekunde. Auf einem Standard-Laptop bearbeitete es etwa 18 Bilder pro Sekunde. Am beeindruckendsten war, dass es auf einem kleinen, kostengünstigen Computerboard, ähnlich denen für Hobbyprojekte, immer noch mehr als 6 Bilder pro Sekunde verarbeiten konnte. Diese Geschwindigkeit ist schnell genug, um einen Live-Video-Feed von einer Drohne zu verfolgen und ein Nest in Echtzeit zu entdecken. Die Forscher bauten einen funktionierenden Prototyp der Softwareoberfläche, der zeigt, dass er Bilder laden, die Erkennung durchführen und die Ergebnisse sofort anzeigen kann.

Die Studie kommt zu dem Schluss, dass dieser neue Ansatz eine praktische Lösung für die Sicherheit von Stromleitungen bietet. Indem sie die Art und Weise, wie der Computer das Bild sieht und verarbeitet, sorgfältig neu gestalteten, schuf das Team ein Werkzeug, das sowohl intelligent als auch effizient ist. Es ist nicht auf massive Rechenleistung angewiesen, was bedeutet, dass es auf den kleinen Drohnen eingesetzt werden kann, die Versorgungsunternehmen bereits nutzen. Dies ermöglicht schnellere, sicherere und häufigere Inspektionen des Stromnetzes und schützt sowohl die Stromversorgung als auch die Vögel, die in der Nähe leben. Die Arbeit zeigt, dass mit den richtigen Anpassungen selbst einfache Computer komplexe visuelle Probleme in der realen Welt lösen können.