Ein neu entwickeltes KI‑Verfahren namens MLE‑YOLOv11n erzielt auf öffentlichen Testdatensätzen eine mittlere durchschnittliche Präzision von über 92 % bei der Erkennung von Defekten an Stromleitungsinsulatoren, die mit unbemannten Luftfahrzeugen (UAV) inspiziert werden.
Herausforderungen bei der Inspektionsaufgabe
Insulatoren von Hochspannungsleitungen entwickeln unter Dauerbelastung, thermischen Zyklen und Umwelteinflüssen Defekte, die zu Selbstentzündungen, Lichtbögen oder mechanischen Brüchen führen können. Die automatisierte Erkennung mittels UAV ist durch kleine Objektgrößen, komplexe Hintergründe und fehlende Multi‑Scale‑Ausgerichtungen erschwert.
Innovative Modulanpassungen
Forscher haben das Grundgerüst von YOLOv11n um drei spezialisierte Module erweitert: Das SPPELAN‑Modul ersetzt das herkömmliche SPPF‑Element im Backbone und bewahrt Zwischenergebnisse jeder Pooling‑Stufe, um mehr mehrstufige semantische Informationen in das Netzwerk zu leiten. Das MFCA‑Aufmerksamkeitsmodul übernimmt die Fusion im PANet‑Neck, kombiniert parallel mehrzweige Merkmalsverbesserungen mit asymmetrischen Kernen und adaptiver Kanalgewichtung. Schließlich ersetzt das MLLA‑Block die konventionelle Vorhersage‑Schicht im P4‑Detektionskopf und nutzt ein lineares Fenster‑Aufmerksamkeitsverfahren, das globale Strukturgültigkeit prüft.
Leistungsbewertung
Nach Angaben des Artikels von Wang et al. (2024) erreicht MLE‑YOLOv11n 92,1 % mAP@50 auf dem China Power Line Insulator Dataset (CPLID) und 95,3 % mAP@50 auf dem Insulator Defect Image Dataset (IDID). Diese Werte übertreffen das Ausgangs‑YOLOv11n um 4,4 bzw. 5,2 Prozentpunkte, wobei die größten Fortschritte bei seltenen und strukturell komplexen Defektklassen beobachtet wurden.
Rechenaufwand und Echtzeitfähigkeit
Der zusätzliche Aufwand beträgt lediglich 10,8 % der Parameterzahl, was einem Anstieg um 2,87 M Parameter auf insgesamt 7,2 GFLOPs entspricht. Trotz dieser Erweiterungen bleibt die Inferenzgeschwindigkeit bei 85 Frames pro Sekunde, was die Anwendbarkeit auf ressourcenbeschränkten Edge‑Plattformen bestätigt.
Bedeutung für die Praxis
Die Kombination aus hoher Genauigkeit und Echtzeit‑Performance macht das Verfahren zu einer vielversprechenden Lösung für die automatisierte Inspektion von Stromnetzen, insbesondere in schwer zugänglichen Gebieten, wo schnelle und zuverlässige Defekterkennung kritische Ausfallzeiten reduzieren kann.
Ausblick
Die Autoren planen, das System auf weitere UAV‑Plattformen zu übertragen und die Robustheit gegenüber variierenden Licht‑ und Wetterbedingungen zu prüfen, um eine breitere industrielle Adoption zu ermöglichen.
Dieser Bericht basiert auf Informationen von PLOS ONE, lizenziert unter Creative Commons BY 4.0 (Open Access). Wissenschaftliche Inhalte, offen zugänglich.
Ende der Uebertragung