Stel je voor dat je een detective bent die probeert kleine, gebroken stukjes glas te vinden die verspreid liggen over een enorme, rommelige speeltuin. Sommige stukjes zijn enorm en overduidelijk, terwijl andere zo klein zijn dat ze lijken op stofdeeltjes die in de wind dansen. Stel je nu voor dat de speeltuin een hoogspanningslijn is die kilometers lang is, en de "glasstukjes" zijn defecten op de keramische isolatoren die de elektriciteit veilig laten stromen. Deze isolatoren zijn de onbezongen helden van het elektriciteitsnet; ze houden de draden omhoog en zorgen ervoor dat de elektriciteit niet naar plekken springt waar het niet hoort. Maar ze leven buiten, waar ze worden geteisterd door regen, wind en zon, wat kan leiden tot scheuren, breuken of zelfs explosies.

Lange tijd moesten mensen palen beklimmen of drones met camera's laten vliegen om deze problemen op te sporen, maar dat was traag, vermoeiend en het was makkelijk om een minuscuul scheurtje te missen. Hier komt de wereld van "computer vision" om de hoek kijken, een tak van de wetenschap waarbij we computers leren om afbeeldingen te "zien" en te begrijpen, net zoals wij dat doen. In dit veld zijn er speciale programma's genaamd objectdetectoren. Denk aan ze als supersnelle scanners die naar een foto kunnen kijken en direct roepen: "Daar zit een gebroken isolator!" Echter, deze scanners raken vaak in de war. Ze kunnen een klein scheurtje missen omdat het te klein is, of ze kunnen worden misleid door een vreemde wolk of een tak van een boom op de achtergrond, waardoor ze denken dat het een defect is terwijl dat niet zo is. De grote uitdaging is om de computer scherp genoeg te maken om de kleine, lastige gebreken te ontdekken zonder afgeleid te worden door de rommelige achtergrond.

Dit is waar een team onderzoekers van de Changzhou University met een nieuw idee naar voren kwam. Ze namen een krachtig, modern beeldscantool genaamd YOLO11s (wat staat voor "You Only Look Once", een naam die suggereert dat het erg snel is) en gaven het een serieuze upgrade. Ze wilden een versie bouwen die de chaotische, complexe wereld van hoogspanningslijnen beter aan kon dan het origineel. Ze noemden hun nieuwe creatie DTRW-YOLO11s.

Zo hebben ze de gereedschapskist van de detective opgegradeerd, met behulp van enkele slimme trucs:

Ten eerste merkten ze op dat wanneer de computer naar een afbeelding kijkt, deze de foto vaak verkleint om het makkelijker te verwerken. Maar bij het doen hiervan gooit de computer soms per ongeluk kleine details weg, zoals een klein scheurtje op een isolator. Om dit op te lossen, introduceerden de onderzoekers een speciale module genaamd DSDown. Stel je voor dat je een foto maakt van een menigte, en in plaats van alleen maar uit te zoomen en gezichten te verliezen, gebruik je een speciaal filter dat de kleine details van de mensen op de achtergrond behoudt terwijl je de afbeelding toch kleiner maakt. Deze module helpt de computer om die cruciale "kleine doelwit"-kenmerken te behouden die normaal gesproken verloren gaan.

Vervolgens realiseerden ze zich dat de computer werd afgeleid door de achtergrond. De computer keek naar de lucht, de bomen en de draden, en raakte in de war over wat daadwerkelijk een defect was. Om de computer te helpen focussen, voegden ze een Triplet Attention-mechanisme toe. Denk aan het geven van drie paar superbrillen aan de detective. Eén paar helpt het kijken naar de vorm van het object, een ander helpt het de kleuren en texturen te begrijpen, en het derde helpt het te zien hoe het object zich verhoudt tot de omgeving. Door de afbeelding door alle drie de lenzen tegelijk te bekijken, leert de computer de ruisende achtergrond te negeren en in te zoomen op de eigenlijke isolator, zelfs als deze verborgen is in een complexe scène.

Daarna pakten ze het probleem van grootte aan. Isolatoren kunnen groot of klein zijn, afhankelijk van hoe ver de drone is. De computer moet zowel het grote plaatje als de fijne details tegelijkertijd kunnen zien. De onderzoekers bouwden een nieuwe module genaamd C3k2_RFCAConv. Je kunt dit zien als een cameraleensysteem dat onmiddellijk van focus kan veranderen. Soms zoomt het diep in om een klein chipje aan de rand van een isolator te zien, en op andere momenten zoomt het uit om het hele gebroken stuk te zien. Deze "adaptieve lens" stelt de computer in staat om defecten van alle formaten te begrijpen zonder in de war te raken.

Ten slotte verbeterden ze hoe de computer leert van zijn fouten. In het oorspronkelijke programma, wanneer de computer de verkeerde locatie voor een defect raadde, werd het te streng gestraft, wat er soms toe leidde dat het te bang was om überhaupt een gok te wagen. De onderzoekers vervingen het oude scoresysteem voor een nieuw systeem genaamd WIoU. Dit is als een slimmere leraar die weet dat sommige fouten gewoon "slechte gokken" zijn en andere "echt slechte gokken". Het begeleidt de computer voorzichtig om zich te concentreren op de monsters waar het het beste van kan leren, wat helpt om exact te bepalen waar het defect zich bevindt.

Toen de onderzoekers hun nieuwe DTRW-YOLO11s-detective testten, waren de resultaten indrukwekkend. Ze lieten het duizenden foto's van hoogspanningslijnen zien, inclusief afbeeldingen van isolatoren die normaal, gebroken, geëxplodeerd of met elektrische brandplekken (flashovers) waren. Vergeleken met de originele YOLO11s was hun geüpgradede versie veel beter in het vinden van de defecten. Het identificeerde defecten correct in 90,3% van de gevallen (een metriek genaeld als mAP@0.5), wat een verbetering van 4,1% is ten opzien van het origineel. Het werd ook beter in het niet missen van defecten (Recall steeg met 4,2%) en in het niet verzinnen van valse defecten (Precision steeg met 3,3%).

Nog spannender is dat ze erin slaagden de computer kleiner en sneller te maken, terwijl deze ook slimmer werd. Het nieuwe model gebruikt 10,6% minder geheugenbronnen (Parameters) en 19,7% minder rekenkracht (FLOPs) dan het origineel. Dit betekent dat het potentieel kan draaien op kleinere, goedkopere drones of handheld apparaten die door elektriciteitsbedrijven worden gebruikt, waardoor dagelijkelijke inspecties sneller en betrouwbaarder worden.

De onderzoekers testten hun model ook op een volledig andere set afbeeldingen (de PASCAL VOC2007-dataset, die foto's bevat van alledaagse objecten zoals katten, auto's en boten) om te zien of hun upgrades slechts een gelukkige truc waren voor hoogspanningslijnen of of ze de computer in algemene zin een beter "oog" hadden gemaakt. Het bleek dat het model ook die objecten beter kon ontdekken, wat bewees dat hun verbeteringen solide en nuttig waren.

Kortom, dit artikel suggereert dat door een computer vision-model een betere manier te geven om afbeeldingen te verkleinen zonder details te verliezen, een slimmere manier om te focussen op de belangrijke delen, een flexibele lens voor verschillende formaten, en een eerlijkere manier om van fouten te leren, we een veel beter systeem kunnen bouwen om onze hoogspanningslijnen veilig te houden. Het is geen toverstaf die elk probleem onmiddellijk oplost, maar het is een belangrijke stap voorwaarts in het veiliger en slimmer maken van onze inspecties.