Technische Samenvatting: HCL-YOLOv8 voor defectdetectie van transmissielijn-isolatoren

1. Probleemstelling

Nauwkeurige detectie van defecten in transmissielijn-isolatoren (specifiek overslag en gebroken isolatoren) is cruciaal voor de veiligheid van elektrische systemen, maar blijft uitdagend vanwege drie primaire factoren:

1. Lokalisatie van minuscule objecten: Defecten zijn extreem klein ten opzichte van de volledige afbeelding, wat leidt tot instabiele lokalisatie en detailverlies tijdens herhaalde downsampling in diepe netwerken.
2. Complexe achtergrondinterferentie: Visuele gelijkenissen tussen defecten en andere structuren (bijv. draden, torencomponenten) veroorzaken een hoog aantal fout-positieven, vooral in complexe omgevingen met nevel, overbelichting of occlusie.
3. Onderbenutte hiërarchische priors: Bestaande methoden negeren vaak de inherente structurele relatie waarbij defecten onvermijdelijk binnen of nabij de regio's van de isolatorkettingen liggen. Deze omissie leidt tot inconsistente monsterassignatie en trainingsdoelstellingen, wat resulteert in valse alarmen buiten de isolatorkettingen.

Daarnaast kampt het vakgebied met een data-imbalans, waarbij defectmonsters schaars zijn vergeleken met omgevingsdegradaties, wat leidt tot overfitting.

2. Methodologie: HCL-YOLOv8

Het artikel stelt HCL-YOLOv8 voor, een lichtgewicht detectiekader gebouwd op de YOLOv8n baseline. De kernfilosofie is om de natuurlijke hiërarchische relatie tussen defecten en isolatorkettingen een leerbaar supervisiesignaal te maken. Het framework integreert de volgende componenten:

2.1 Data-augmentatiestrategie

Om data-schaarste en -imbalans aan te pakken, gebruiken de auteurs een defect-sensitieve gestratificeerde offline augmentatiestrategie.

• Gelaagde aanpak: Monsters worden verdeeld in drie niveaus op basis van schaarste: Niveau 1 (gebroken defecten), Niveau 2 (overslagdefecten) en Niveau 3 (normale isolatorkettingen).
• Augmentatielogica: Schaarse defectklassen (Niveau 1 & 2) ontvangen minder, deterministische augmentaties (bijv. sneeuwglinstering, nevel, ruis) om de textuurintegriteit te behouden en zware occlusie te vermijden. De overvloedige normale klasse (Niveau 3) ondergaat agressieve augmentatie (tot 40 afbeeldingen per origineel) met willekeurige combinaties van omgevingsdegradaties en zware occlusie.
• Implementatie: Dit wordt offline uitgevoerd met de Albumentations-bibliotheek om de originele train/val/test-verdeling strikt te bewaren en distributiecontaminatie te voorkomen.

2.2 Netwerkarchitectuurverbeteringen

• P2 High-Resolution Detectiekop: Een $P2$-kenmerklaag wordt toegevoegd aan de standaard $\{P3, P4, P5\}$ piramide. Dit biedt een hogere ruimtelijke resolutie om fijne details van minuscule defecten vast te leggen, wat dichtere kandidaat-locaties biedt voor daaropvolgende beperkingen.
• Soft Boundary Prior Branch (SBP-Branch): Een lichtgewicht hulpbranch geeft een single-channel prior map uit, gesuperviseerd door een soft mask afgeleid van de ground-truth boxen van de ouder-isolatorketting. Het gebruikt een soft-boundary ontwerp (centraal gebied = 1, vervalt nabij de randen) om het netwerk te sturen om zich te concentreren op kenmerkleren binnen de isolatorregio's, terwijl annotatiefouten worden getolereerd.

2.3 Hiërarchische Consistentie Leermechanismen

De kerninnovatie ligt in het afdwingen van structurele consistentie over de trainings- en inferentiepipeline:

1. Hierarchy-Constrained Task-Aligned Label Assignment (HC-TAL):

   • Ouder-matching: Voor elke defect ground truth wordt een bijbehorend ouder-isolatorketting box geïdentificeerd.
   • Geometrische filtering: De selectie van positieve monsters voor defectklassen wordt beperkt tot kandidaatpunten die binnen de intersectie van de uitgebreide defect box en de uitgebreide ouder box vallen.
   • Doel: Dit elimineert pseudo-positieve monsters buiten de isolatorkettingen bij de bron, wat trainingsruis vermindert.

2. Small-Object-aware Normalized Gaussian Wasserstein Distance (SO-NWD) Loss:

   • Om de instabiliteit van IoU-gebaseerde losses voor minuscule boxen aan te pakken, wordt de bounding box gemodelleerd als een 2D Gaussische verdeling.
   • De loss gebruikt de Wasserstein-afstand tussen voorspelde en ground-truth verdelingen.
   • Een invers-oppervlakte gewicht wordt toegepast op defectmonsters om de regressie van kleinere objecten te prioriteren.

3. Hierarchical Containment Regularization Loss (HCR-Loss):

   • Deze loss straft expliciet voorspellingen af waarbij een defect box buiten zijn bijbehorende ouder box valt.
   • Het gebruikt een Softplus-functie om vloeiende straffen op grensovertredingen op te leggen.
   • Een kwaliteitspoort-coëfficiënt en een kwadratisch ramp-schema worden gebruikt om trainingsinstabiliteit in vroege epochs te voorkomen.

4. Hierarchy-aware Soft Re-scoring (HSR) Post-processing:

   • Wordt toegepast na Non-Maximum Suppression (NMS) tijdens de inferentie.
   • Als een voorspelling met een hoge betrouwbaarheid van een defect buiten de uitgebreide regio van een voorspelde ouder-isolatorketting valt, wordt de betrouwbaarheidsscore verlaagd (bijv. vermenigvuldigd met 0,4) in plaats van deze te verwijderen.
   • Dit balanceert de onderdrukking van fout-positieven met het behoud van recall voor het geval de ouder-object gemist is.

2.4 Totale Loss Functie

De totale trainingsloss combineert de standaard YOLOv8 detectie loss met de voorgestelde componenten:
$$\mathcal{L} = \mathcal{L}_{yolo} + \lambda_p \mathcal{L}_{prior} + \lambda_n \mathcal{L}_{sonwd} + w_h(e)\mathcal{L}_{hcr}$$
waarbij $w_h(e)$ een epoch-adaptief gewicht is voor de HCR-Loss.

3. Belangrijkste Bijdragen

1. Hiërarchisch Consistentie Framework: Het artikel introduceert een verenigde aanpak om de "onderdeel-van" relatie tussen defecten en isolatorkettingen te integreren in monsterassignatie, loss-regularisatie en besluitvorming tijdens de inferentie.
2. HC-TAL Strategie: Een nieuwe label assignatiemethode die positieve defectmonsters geometrisch beperkt tot geldige ouderregio's, wat achtergrond-geïnduceerde fout-positieven aanzienlijk vermindert.
3. Gespecialiseerde Loss Functies: De ontwikkeling van SO-NWD voor stabiele minuscule object regressie en HCR-Loss voor het afdwingen van geometrische inkapseling tijdens de training.
4. Gestratificeerde Offline Augmentatie: Een op maat gemaakte data-augmentatie pipeline die de klasse-imbalans aanpakt door verschillende intensiteiten toe te passen op schaarse defectklassen versus overvloedige normale klassen.
5. Lichtgewicht Prestaties: De methode bereikt state-of-the-art prestaties op de doel-dataset terwijl een lichtgewicht parameteraantal (3,12M) behouden blijft, geschikt voor edge-implementatie.

4. Experimentele Resultaten

Experimenten werden uitgevoerd op de publieke isolator defect dataset uitgebracht door Zheng et al. (Sensors), uitgebreid via de voorgestelde augmentatiestrategie naar 10.621 afbeeldingen.

• Prestatie-metrieken:

  • Precisie: 0,923
  • Recall: 0,911
  • mAP@0.5: 0,923
  • mAP@0.5:0.95: 0,599
  • Parameters: 3,12M
  • GFLOPs: 12,6

• Vergelijking met Baselines:

  • Vergeleken met de YOLOv8n baseline, verbeterde HCL-YOLOv8 de Recall met 3,4 procentpunt en mAP@0.5 met 1,5 procentpunt.
  • Het presteerde beter dan andere lichtgewicht detectoren (YOLOv5n, YOLOv10n, YOLOv11n) op het gebied van Precisie en Recall.
  • Hoewel de mAP@0.5:0.95 (0,599) iets lager was dan die van YOLOv11n (0,609), bereikte het dit met ongeveer 70% minder parameters en 50% lagere computationele kosten.

• Ablatie-studie:

  • De P2 Head en SBP-Branch legden de basis voor de zichtbaarheid van kleine objecten en regionale focus.
  • HC-TAL verbeterde de monsterzuiverheid (Precisie).
  • SO-NWD en HCR-Loss compenseerden voor lokalisatiestabiliteit en structurele consistentie, wat de Recall verhoogde.
  • HSR verfijnde de Precisie-Recall balans tijdens de inferentie.

5. Betekenis en Claims

Het artikel claimt dat HCL-YOLOv8 effectief de specifieke uitdagingen van isolator defectdetectie aanpakt door gebruik te maken van hiërarchische structurele priors in plaats van ze als impliciete kennis te behandelen. De betekenis van het werk ligt in:

• Verbeterde detectie van kleine objecten: Het aantonen dat expliciete hiërarchische beperkingen en gespecialiseerde losses de detectie van minuscule defecten zoals overslag aanzienlijk verbeteren.
• Technische Haalbaarheid: Het bereiken van een gunstige balans tussen hoge detectieprestaties en de vereisten voor lichtgewicht implementatie, wat het geschikt maakt voor real-time UAV of robot-gestuurde inspectie.
• Robuustheid: De methode toont veerkracht tegen complexe achtergronden en beelddegradaties door de combinatie van gestratificeerde augmentatie en hiërarchische consistentie-leren.

De auteurs concluderen dat het framework stabiele voordelen biedt voor de detectie van kleine object-defecten en praktisch potentieel heeft voor engineering-implementatie onder lichtgewicht restricties.