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

En lo alto del suelo, las líneas eléctricas se extienden a través de los paisajes, transportando electricidad a hogares y ciudades. Mantener estas líneas seguras es un desafío constante. Las aves suelen construir nidos en las torres metálicas que sostienen los cables. Aunque las aves simplemente buscan un hogar, sus nidos pueden causar graves problemas para la red eléctrica. Los materiales de un nido pueden cerrar la brecha entre las partes eléctricas, provocando chispas, cortes de energía o incluso incendios. Al mismo tiempo, las líneas representan un peligro para las propias aves. Para prevenir estos problemas, las empresas de servicios públicos deben encontrar y retirar los nidos rápidamente. Durante décadas, esto se ha hecho mediante personas escalando torres o conduciendo a lo largo de las líneas, pero es lento, peligroso y difícil de cubrir en áreas vastas.

En años recientes, las empresas han recurrido a los drones, o vehículos aéreos no tripulados, para volar a lo largo de las líneas y tomar fotografías. La esperanza es que una computadora pueda mirar estas fotos y detectar un nido automáticamente. Sin embargo, esto es más difícil de lo que parece. Un dron podría estar volando cerca de una torre, haciendo que un nido parezca grande y detallado, o podría estar lejos, haciendo que el mismo nido parezca una diminuta mancha de píxeles. El fondo suele estar saturado de árboles, cables y la propia estructura metálica de la torre, que puede parecerse mucho a un nido. Además, las computadoras que vuelan en los drones son pequeñas y tienen potencia limitada, lo que significa que no pueden ejecutar los programas de software masivos y complejos que suelen funcionar mejor para la detección de objetos. El objetivo ha sido encontrar una manera de detectar estos nques con precisión sin necesidad de una supercomputadora.

Un equipo de investigadores ha desarrollado un nuevo sistema llamado CXS-YOLO para resolver este problema específico. Comenzaron con un modelo de visión por computadora conocido y eficiente y rediseñaron sus partes internas para manejar los desafíos únicos de los nidos de aves en las líneas eléctricas. En lugar de intentar hacer la computadora más inteligente añadiendo más complejidad, la hicieron más cuidadosa con aquello a lo que presta atención. Los investigadores se centraron en tres debilidades principales de los sistemas de detección estándar: la pérdida de detalles finos cuando un objeto está lejos, la confusión causada por la luz solar brillante o las sombras, y el desperdicio de potencia de cómputo en cálculos redundantes.

Para solucionar el problema de la pérdida de detalle, el equipo cambió la forma en que la computadora procesa las imágenes a medida que se vuelven más pequeñas. Normalmente, cuando una computadora reduce el tamaño de una imagen para analizarla, simplemente desecha píxeles, lo que puede borrar los bordes diminutos de un nido distante. El nuevo sistema utiliza un método especial que observa el contenido de la imagen antes de reducirla. Decide qué partes de la imagen son importantes para conservar, asegurando que incluso las texturas más tenues de un nido lejano se preserven para la verificación final. Esto permite que el sistema vea objetivos pequeños que otros modelos podrían pasar por alto por completo.

Los investigadores también abordaron el problema de la luz confusa. En el cielo, el sol puede crear puntos brillantes que parecen partes de un nido, o sombras que los ocultan. Los sistemas estándar suelen ser engañados por estas áreas brillantes. El nuevo modelo incluye una función que ajusta el brillo de la escena antes de intentar encontrar el nido. Normaliza los niveles de luz para que la computadora se concentre en la forma y la estructura del objeto en lugar de distraerse con un resplandor o una mancha oscura. Esto hace que el sistema sea mucho más confiable cuando el clima cambia o el sol brilla directamente sobre la torre.

Finalmente, el equipo optimizó la parte del sistema que realmente toma la decisión. Los modelos estándar suelen utilizar maquinaria pesada y separada para verificar objetos de diferentes tamaños, lo que desperdicia energía. El nuevo diseño comparte el trabajo entre estas diferentes verificaciones, utilizando un proceso único y eficiente que se adapta al tamaño del nido que está buscando. Esto reduce la cantidad de memoria y potencia que el sistema necesita para funcionar, haciéndolo lo suficientemente ligero como para volar en un dron sin retrasarlo.

Cuando los investigadores probaron su nuevo sistema, los resultados fueron claros. Utilizaron una colección de más de 3,500 fotos reales tomadas por drones, que incluían nidos de todos los tamaños y en diversas condiciones climáticas. El nuevo sistema identificó correctamente los nidos de aves en el 89.6% de los casos en los que realizó una suposición, y encontró el 83.4% de todos los nidos que realmente estaban allí. En comparación con el mejor modelo ligero anterior, fue más preciso y encontró más nidos, utilizando significativamente menos potencia de cómputo. Específicamente, requirió un 57.1% menos de componentes de memoria y utilizó un 31.7% menos de energía de procesamiento.

La verdadera prueba llegó cuando ejecutaron el sistema en hardware real. En una computadora de escritorio potente, procesó casi 36 imágenes por segundo. En una computadora portátil estándar, manejó unas 18 imágenes por segundo. Lo más impresionante fue que, en una pequeña placa de computadora de bajo costo similar a las utilizadas en proyectos de aficionados, aún logró procesar más de 6 imágenes por segundo. Esta velocidad es lo suficientemente rápida como para ver una transmisión de video en vivo desde un dron y detectar un nido en tiempo real. Los investigadores construyeron un prototipo funcional de la interfaz de software, demostrando que puede cargar imágenes, ejecutar la detección y mostrar los resultados instantáneamente.

El estudio concluye que este nuevo enfoque ofrece una solución práctica para mantener seguras las líneas eléctricas. Al rediseñar cuidadosamente la forma en que la computadora ve y procesa la imagen, el equipo creó una herramienta que es tanto inteligente como eficiente. No depende de una potencia de cómputo masiva, lo que significa que puede implementarse en los pequeños drones que las empresas de servicios públicos ya utilizan. Esto permite inspecciones más rápidas, seguras y frecuentes de la red eléctrica, protegiendo tanto el suministro eléctrico como a las aves que viven cerca de él. El trabajo demuestra que, con los ajustes adecuados, incluso las computadoras simples pueden resolver problemas visuales complejos en el mundo real.