Um avanço significativo na detecção automatizada de defeitos em isoladores de linhas de transmissão de alta tensão foi alcançado com o desenvolvimento do sistema AE-YOLO. Este novo framework utiliza imagens capturadas por veículos aéreos não tripulados (UAVs) e promete superar desafios como o desequilíbrio de classes e a variação de escala, que tradicionalmente dificultam a identificação precisa de defeitos.
O AE-YOLO integra autoencoders leves em uma rede de pirâmide de recursos, preservando informações sensíveis a anomalias durante a fusão de recursos em múltiplas escalas. Para melhorar a discriminação de características e suprimir interferências de fundo, módulos de atenção de bloco convolucional são empregados ao longo da espinha dorsal do sistema. O modelo também introduz uma estratégia de regularização de autoencoder que maximiza a variância, incentivando representações latentes diversificadas e discriminativas de defeitos.
Durante o treinamento, o sistema adota um objetivo unificado que combina perda focal, perda de interseção sobre união completa (CIoU) e regularização de autoencoder. Essa abordagem corrige o desequilíbrio entre primeiro plano e fundo e aprimora a precisão de localização. Na fase de inferência, a fusão de caixas ponderadas combina previsões de diferentes versões do YOLO, aumentando a sensibilidade a categorias raras de defeitos por meio de um mecanismo de aumento de confiança guiado por autoencoders.
Testes realizados no conjunto de dados de detecção de defeitos em isoladores demonstraram que o AE-YOLO, com uma espinha dorsal EfficientNetV2, alcançou 95,10% de mAP a 0,5, 96,40% de precisão e 93,80% de recall. Esses resultados superam em 5,0 pontos o baseline mais forte da família YOLO em mAP a 0,5 e em 6,7 pontos em recall, confirmando a eficácia e adaptabilidade do framework.
O modelo representa uma solução prática e escalável para inspeção e monitoramento de defeitos em linhas de transmissão baseadas em UAV, conforme detalhado no estudo disponível no arXiv.