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

Acima do solo, linhas de energia estendem-se pelas paisagens, transportando eletricidade para casas e cidades. Manter essas linhas seguras é um desafio constante. Pássaros frequentemente constroem ninhos nas torres metálicas que sustentam os fios. Embora os pássaros estejam apenas procurando um lar, seus ninhos podem causar sérios problemas para a rede elétrica. Os materiais em um ninho podem criar uma ponte entre partes elétricas, levando a faíscas, interrupções de energia ou até incêndios. Ao mesmo tempo, as linhas representam um perigo para os próprios pássaros. Para evitar esses problemas, as empresas de utilidades públicas devem encontrar e remover os ninhos rapidamente. Por décadas, isso foi feito por pessoas escalando torres ou dirigindo ao longo das linhas, mas é um processo lento, perigoso e difícil de cobrir áreas vastas.

Nos últimos anos, as empresas recorreram a drones, ou veículos aéreos não tripulados, para voar ao longo das linhas e tirar fotos. A esperança é que um computador possa olhar para essas fotos e detectar um ninho automaticamente. No entanto, isso é mais difícil do que parece. Um drone pode estar voando perto de uma torre, fazendo um ninho parecer grande e detalhado, ou pode estar longe, fazendo o mesmo ninho parecer um minúsculo ponto de pixels. O plano de fundo é frequentemente poluído com árvores, fios e a própria estrutura metálica da torre, que pode ser muito semelhante a um ninho. Além disso, os computadores que voam nos drones são pequenos e têm energia limitada, o que significa que não podem executar os programas de software massivos e complexos que geralmente funcionam melhor para detectar objetos. O objetivo tem sido encontrar uma maneira de detectar esses ninhos com precisão sem a necessidade de um supercomputador.

Uma equipe de pesquisadores desenvolveu um novo sistema chamado CXS-YOLO para resolver este problema específico. Eles começaram com um modelo de visão computacional conhecido e eficiente e redesenharam suas partes internas para lidar com os desafios únicos dos ninhos de pássaros em linhas de energia. Em vez de tentar tornar o computador mais inteligente adicionando mais complexidade, eles o tornaram mais cuidadoso sobre o que ele observa. Os pesquisadores focaram em três fraquezas principais dos sistemas de detecção padrão: a perda de detalhes finos quando um objeto está longe, a confusão causada pela luz solar brilhante ou sombras e o desperdício de poder de computação em cálculos redundantes.

Para corrigir o problema de perder detalhes, a equipe alterou a forma como o computador processa as imagens à medida que elas diminuem. Normalmente, quando um computador reduz uma imagem para analisá-la, ele simplesmente descarta pixels, o que pode apagar as bordas minúsculas de um ninho distante. O novo sistema utiliza um método especial que observa o conteúdo da imagem antes de reduzi-la. Ele decide quais partes da imagem são importantes para manter, garantindo que mesmo as texturas mais tênues de um ninho distante sejam preservadas para a verificação final. Isso permite que o sistema veja alvos pequenos que outros modelos poderiam ignorar inteiramente.

Os pesquisadores também enfrentaram o problema da luz confusa. No céu, o sol pode criar pontos brilhantes que parecem partes de um ninito, ou sombras que os escondem. Os sistemas padrão costumam ser enganados por essas áreas brilhantes. O novo modelo inclui um recurso que ajusta o brilor da cena antes de tentar encontrar o ninho. Ele normaliza os níveis de luz para que o computador foque na forma e estrutura do objeto, em vez de se distrair com um reflexo ou uma mancha escura. Isso torna o sistema muito mais confiável quando o tempo está mudando ou o sol está brilhando diretamente na torre.

Finalmente, a equipe simplificou a parte do sistema que realmente toma a decisão. Modelos padrão frequentemente utilizam maquinário separado e pesado para verificar objetos de diferentes tamanhos, o que desperdiça energia. O novo design compartilha o trabalho entre essas diferentes verificações, usando um processo único e eficiente que se adapta ao tamanho do ninho que está procurando. Isso reduz a quantidade de memória e energia que o sistema precisa para rodar, tornando-o leve o suficiente para voar em um drone sem atrasá-lo.

Quando os pesquisadores testaram seu novo sistema, os resultados foram claros. Eles utilizaram uma coleção de mais de 3.500 fotos reais tiradas por drones, que incluíam ninhos de todos os tamanhos e em várias condições climáticas. O novo sistema identificou corretamente os ninhos de pássaros em 89,6% dos casos em que fez um palpite, e encontrou 83,4% de todos os ninhos que realmente estavam lá. Comparado ao melhor modelo leve anterior, ele foi mais preciso e encontrou mais ninhos, enquanto utilizou significativamente menos poder de computação. Especificamente, exigiu 57,1% menos componentes de memória e usou 31,7% menos energia de processamento.

O verdadeiro teste ocorreu quando eles executaram o sistema em hardware real. Em um computador desktop potente, ele processou quase 36 imagens por segundo. Em um laptop padrão, lidou com cerca de 18 imagens por segundo. Mais impressionante ainda, em uma pequena placa de computador de baixo custo, semelhante às usadas em projetos de entusiastas, ele ainda conseguiu processar mais de 6 imagens por segundo. Essa velocidade é rápida o suficiente para assistir a uma transmissão de vídeo ao vivo de um drone e detectar um ninho em tempo real. Os pesquisadores construíram um protótipo funcional da interface do software, mostrando que ele pode carregar imagens, executar a detecção e exibir os resultados instantaneamente.

O estudo conclui que esta nova abordagem oferece uma solução prática para manter as linhas de energia seguras. Ao redesenhar cuidadosamente a forma como o computador vê e processa a imagem, a equipe criou uma ferramenta que é ao mesmo tempo inteligente e eficiente. Ela não depende de um poder computacional massivo, o que significa que pode ser implantada nos pequenos drones que as empresas de utilidades públicas já utilizam. Isso permite inspeções mais rápidas, seguras e frequentes da rede elétrica, protegendo tanto o fornecimento de eletricidade quanto os pássaros que vivem perto dela. O trabalho demonstra que, com os ajustes certos, até computadores simples podem resolver problemas visuais complexos no mundo real.