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

Hoog boven de grond strekken hoogspanningslijnen zich uit over landschappen en vervoeren ze elektriciteit naar huizen en steden. Het veilig houden van deze lijnen is een constante uitdaging. Vogels bouwen vaak nesten op de metalen masten die de draden ondersteunen. Hoewel de vogels simpelweg op zoek zijn naar een thuis, kunnen hun nesten serieuze problemen veroorzaken voor het elektriciteitsnet. De materialen in een nest kunnen de kloof tussen elektrische onderdelen overbruggen, wat leidt tot vonken, stroomuitval of zelfs brand. Tegelijkertijd vormen de lijnen een gevaar voor de vogels zelf. Om deze problemen te voorkomen, moeten nutsbedrijven de nesten snel vinden en verwijderen. Decennialang werd dit gedaan door mensen die de masten beklommen of langs de lijnen reden, maar dat is traag, gevaarlijk en moeilijk om grote gebieden te bestrijken.

In de afgelopen jaren zijn bedrijven overgestapt op drones, of onbemande luchtvaartuigen, om langs de lijnen te vliegen en foto's te maken. De hoop is dat een computer deze foto's kan bekijken en automatisch een nest kan opsporen. Dit is echter moeilijker dan het lijkt. Een drone kan dicht bij een mast vliegen, waardoor een nest groot en gedetailleerd lijkt, of het kan ver weg zijn, waardoor hetzelfde nest eruitziet als een minuscuul stipje pixels. De achtergrond is vaak rommelig met bomen, draden en de metalen structuur van de mast zelf, wat erg veel op een nest kan lijken. Bovendien zijn de computers die op de drones vliegen klein en hebben ze een beperkt vermogen, wat betekent dat ze niet de enorme, complexe softwareprogramma's kunnen draaien die meestal het beste werken voor het opsporen van objecten. Het doel is om een manier te vinden om deze nesten nauwkeurig op te sporen zonder een supercomputer nodig te hebben.

Een team van onderzoekers heeft een nieuw systeem ontwikkeld genaamd CXS-YOLO om dit specifieke probleem op te lossen. Ze begonnen met een bekend, efficiënt computer vision-model en ontwierpen de interne onderdelen ervan opnieuw om de unieke uitdagingen van vogel nesten op hoogspanningslijnen aan te pakken. In plaats van de computer slimmer te maken door meer complexiteit toe te voegen, hebben ze hem zorgvuldiger gemaakt in waar hij op let. De onderzoekers richtten zich op drie belangrijke zwakheden van standaard detectiesystemen: het verlies van fijne details wanneer een object ver weg is, de verwarring veroorzaakt door fel zonlicht of schaduwen, en de verspilling van rekenkracht aan redundante berekeningen.

Om het probleem van het verliezen van details op te lossen, hebben het team de manier waarop de computer afbeeldingen verwerkt wanneer ze kleiner worden, veranderd. Normaal gesproken, wanneer een computer een afbeelding verkleint om deze te analyseren, gooit hij simpelweg pixels weg, wat de kleine randen van een verafgelegen nest kan wissen. De nieuwe methode gebruikt een speciale techniek die naar de inhoud van de afbeelding kijkt voordat deze wordt verkleind. Het bepaalt welke delen van de afbeelding belangrijk zijn om te behouden, waardoor wordt gewaarborgd dat zelfs de zwakste texturen van een verafgelegen nest worden bewaard voor de uiteindelijke controle. Hierdoor kan het systeem kleine doelwitten zien die andere modellen volledig zouden missen.

De onderzoekers pakten ook het probleem van verwarrend licht aan. Aan de hemel kan de zon heldere plekken creëren die op delen van een nest lijken, of schaduwen die ze verbergen. Standaard systemen laten zich vaak misleiden door deze heldere gebieden. Het nieuwe model bevat een functie die de helderheid van de scène aanpast voordat het probeert het nest te vinden. Het normaliseert de lichtniveaus zodat de computer zich concentreert op de vorm en structuur van het object in plaats van afgeleid te worden door een schittering of een donker deel. Dit maakt het systeem veel betrouwbaarder wanneer het weer verandert of de zon direct op de mast schijnt.

Ten slotte hebben het team het deel van het systeem dat daadwerkelijk de beslissing neemt, gestroomlijnd. Standaard modellen gebruiken vaak aparte, zware machines om objecten op verschillende formaten te controleren, wat energie verspilt. Het nieuwe ontwerp deelt het werk tussen deze verschillende controles door, waarbij gebruik wordt gemaakt van een enkel, efficiënt proces dat zich aanpast aan de grootte van het nest waarnaar het zoekt. Dit vermindert de hoeveelheid geheugen en vermogen die het systeem nodig heeft om te draaien, waardoor het licht genoeg is om op een drone te vliegen zonder deze te vertragen.

Toen de onderzoekers hun nieuwe systeem testten, waren de resultaten duidelijk. Ze gebruikten een collectie van meer dan 3.500 echte foto's genomen door drones, die nesten van alle formaten en in diverse weersomstandigheden bevatten. Het nieuwe systeem identificeerde vogel nesten correct in 89,6% van de gevallen waarin het een gok maakte, en het vond 83,4% van alle nesten die er daadwerkelijk waren. Vergeleken met het vorige beste lichtgewicht model was het nauwkeuriger en vond het meer nesten, terwijl het aanzienlijk minder rekenkracht gebruikte. Specifiek vereiste het 57,1% minder geheugenelementen en verbruikte het 31,7% minder verwerkingsenergie.

De echte test kwam toen ze het systeem op daadwerkelijke hardware draaiden. Op een krachtige desktopcomputer verwerkte het bijna 36 afbeeldingen per seconde. Op een standaard laptop handelde het ongeveer 18 afbeeldingen per seconde. Het meest indrukwekkend was dat het op een kleine, goedkope computerboard, vergelijkbaar met die gebruikt worden voor hobbyprojecten, nog steeds meer dan 6 afbeeldingen per seconde kon verwerken. Deze snelheid is snel genoeg om een live videofeed van een drone te bekijken en een nest in realtime te spotten. De onderzoekers bouwden een werkend prototype van de software-interface, waarmee werd aangetoond dat het afbeeldingen kan laden, de detectie kan uitvoeren en de resultaten direct kan weergeven.

De studie concludeert dat deze nieuwe aanpak een praktische oplossing biedt voor het veilig houden van hoogspanningslijnen. Door de manier waarop de computer de afbeelding ziet en verwerkt zorgvuldig te herontwerpen, heeft het team een hulpmiddel gecreëerd dat zowel slim als efficiënt is. Het vertrouwt niet op enorme rekenkracht, wat betekent dat het kan worden ingezet op de kleine drones die nutsbedrijven al gebruiken. Dit maakt snellere, veiligere en frequentere inspecties van het elektriciteitsnet mogelijk, waardoor zowel de elektriciteitsvoorziening als de vogels die in de buurt leven, worden beschermd. Het werk demonstreert dat met de juiste aanpassingen zelfs eenvoudige computers complexe visuele problemen in de echte wereld kunnen oplossen.