Imaginez que vous êtes un détective essayant de trouver de minuscules morceaux de verre brisés éparpillés sur un immense terrain de jeu désordonné. Certains morceaux sont énormes et évidents, tandis que d'autres sont si petits qu'ils ressemblent à des grains de poussière dansant dans le vent. Maintenant, imaginez que le terrain de jeu est une ligne à haute tension s'étendant sur des kilomètres, et que les « morceaux de verre » sont des défauts sur les isolateurs en céramique qui permettent à l'électricité de circuler en toute sécurité. Ces isolateurs sont les héros méconnus du réseau électrique, soutenant les câbles et empêchant l'électricité de sauter là où elle ne devrait pas. Mais ils vivent à l'extérieur, malmenés par la pluie, le vent et le soleil, ce qui peut provoquer des fissures, des cassures ou même des explosions.

Pendant longtemps, les humains ont dû grimper aux poteaux ou faire voler des drones avec des caméras pour repérer ces problèmes, mais c'était lent, fatigant et on pouvait facilement passer à côté d'une petite fissure. Entrez dans le monde de la « vision par ordinateur », une branche de la science où l'on apprend aux ordinateurs à « voir » et à comprendre les images tout comme nous le faisons. Dans ce domaine, il existe des programmes spéciaux appelés détecteurs d'objets. Considérez-les comme des scanners super rapides qui peuvent regarder une photo et crier instantanément : « Il y a un isolateur cassé juste là ! » Cependant, ces scanners se trompent souvent. Ils peuvent manquer une petite fissure parce qu'elle est trop petite, ou ils peuvent être trompés par un nuage bizarre ou une branche d'arbre en arrière-plan, pensant qu'il s'agit d'un défaut alors qu'il n'en est pas un. Le grand défi est d'apprendre à l'ordinateur à être assez aiguisé pour repérer les défauts minuscules et complexes sans être distrait par l'arrière-plan désordonné.

C'est là qu'une équipe de chercheurs de l'Université de Changzhou est intervenue avec une nouvelle idée. Ils ont pris un outil de balayage d'images moderne et puissant appelé YOLO11s (qui signifie « You Only Look Once », un nom qui suggère qu'il est très rapide) et lui ont donné une sérieuse mise à niveau. Ils voulaient construire une version capable de gérer le monde complexe et désordonné des lignes électriques mieux que l'original. Ils ont appelé leur nouvelle création DTRW-YOLO11s.

Voici comment ils ont amélioré la boîte à outils du détective, en utilisant des astuces ingénieuses :

D'abord, ils ont remarqué que lorsque l'ordinateur regarde une image, il la réduit souvent pour faciliter son traitement. Mais ce faisant, il jette parfois accidentellement les détails minuscules, comme une petite fissure sur un isolateur. Pour corriger cela, les chercheurs ont introduit un module spécial appelé DSDown. Imaginez que vous preniez une photo d'une foule, et qu'au lieu de simplement dézoomer et perdre les visages, vous utilisez un filtre spécial qui conserve les détails minuscules des personnes au fond, tout en rendant l'image plus petite. Ce module aide l'ordinateur à conserver ces caractéristiques de « petite cible » cruciales qui se perdent habituellement.

Ensuite, ils ont réalisé que l'ordinateur était distrait par l'arrière-plan. Il regardait le ciel, les arbres et les fils, se confondant sur ce qui était réellement un défaut. Pour aider l'ordinateur à se concentrer, ils ont ajouté un mécanisme de Triplet Attention. Considérez cela comme le fait de donner au détective trois paires de lunettes super puissantes. Une paire l'aide à regarder la forme de l'objet, une autre l'aide à comprendre les couleurs et les textures, et la troisième l'aide à voir comment l'objet se rapporte à son environnement. En regardant l'image à travers ces trois lentilles simultanément, l'ordinateur apprend à ignorer le bruit de l'arrière-plan et à se focaliser sur l'isolateur réel, même s'il se cache dans une scène complexe.

Puis, ils ont abordé le problème de la taille. Les isolateurs peuvent être énormes ou minuscules selon la distance du drone. L'ordinateur doit être capable de voir à la fois la vue d'ensemble et les détails fins en même temps. Les chercheurs ont construit un nouveau module appelé C3k2_RFCAConv. Vous pouvez voir cela comme un objectif de caméra qui peut changer instantanément de mise au point. Parfois, il zoome très près pour voir une petite puce sur le bord d'un isolateur, et d'autres fois, il dézoome pour voir la pièce entière cassée. Cet « objectif adaptatif » permet à l'ordinateur de comprendre les défauts de toutes tailles sans être confus.

Enfin, ils ont amélioré la façon dont l'ordinateur apprend de ses erreurs. Dans le programme original, quand l'ordinateur devinait la mauvaise position d'un défaut, il était puni trop sévèrement, ce qui le rendait parfois trop effrayé pour oser deviner. Les chercheurs ont remplacé l'ancien système de notation par un nouveau appelé WIoU. C'est comme un enseignant plus intelligent qui sait que certaines erreurs sont juste de « mauvaises suppositions » et d'autres sont de « très mauvaises suppositions ». Il guide doucement l'ordinateur pour qu'il se concentre sur les échantillons qu'il peut le mieux apprendre, l'aidant ainsi à localiser précisément où se trouve le défaut.

Lorsque les chercheurs ont testé leur nouveau détective DTRW-YOLO11s, les résultats ont été impressionnants. Ils lui ont montré des milliers de photos de lignes électriques, incluant des images d'isolateurs normaux, cassés, explosés ou présentant des brûlures électriques (amorçages). Comparée à l'original YOLO11s, leur version améliorée a bien mieux identifié les défauts. Elle a correctement identifié les défauts 90,3 % du temps (une métrique appelée mAP@0.5), soit une amélioration de 4,1 % par rapport à l'original. Elle est également devenue meilleure pour ne manquer aucun défaut (le Rappel a augmenté de 4,2 %) et pour ne pas inventer de faux défauts (la Précision a augmenté de 3,3 %).

Plus excitant encore, ils ont réussi à rendre l'ordinateur plus petit et plus rapide tout en le rendant plus intelligent. Le nouveau modèle utilise 10,6 % de ressources mémoire en moins (Paramètres) et 19,7 % de puissance de calcul en moins (FLOPs) que l'original. Cela signifie qu'il pourrait potentiellement fonctionner sur des drones plus petits, moins chers ou des appareils portables utilisés par les compagnies d'électricité, rendant les inspections quotidiennes plus rapides et plus fiables.

Les chercheurs ont également testé leur modèle sur un ensemble d'images complètement différent (le jeu de données PASCAL VOC2007, qui contient des images d'objets du quotidien comme des chats, des voitures et des bateaux) pour voir si leurs améliorations étaient juste un coup de chance pour les lignes électriques ou si elles faisaient de l'ordinateur un meilleur « œil » en général. Il s'est avéré que le modèle est devenu meilleur pour repérer ces objets aussi, prouvant que leurs améliorations étaient solides et utiles.

En bref, cet article suggère qu'en donnant à un modèle de vision par ordinateur une meilleure façon de réduire les images sans perdre de détails, une façon plus intelligente de se concentrer sur les parties importantes, un objectif flexible pour différentes tailles, et une façon plus équitable d'apprendre de ses erreurs, nous pouvons construire un bien meilleur système pour assurer la sécurité de nos lignes électriques. Ce n'est pas une baguette magique qui résout tous les problèmes instantanément, mais c'est une étape significative vers la création d'un réseau électrique plus sûr et de nos inspections plus intelligentes.