Метод для определения наклона столба линии связи на основе изображений с БпЛА

Цель исследования. Воздушные линии связи (ВЛС) являются важным элементом коммуникационной инфраструктуры, однако их техническое состояние требует регулярного контроля и осмотра. Традиционные методы осмотра, включающие визуальную проверку специалистами, не всегда позволяют эффективно собирать и фиксировать все необходимые данные. С целью улучшения качества осмотра ВЛС был разработан метод для определения наклона столба линии связи на основе изображений с беспилотного летательного аппарата (БпЛА).

Методы. Для решения задачи использовалась комбинация математических преобразований и методов машинного обучения. Обработка данных включала использование параметров камеры, координат объекта на изображении, высоты полета и координат БпЛА. На основе этих данных разрабатывался алгоритм детекции ключевых точек опоры и расчета угла наклона столбов.

Результаты. В результате проведенных экспериментов на основе данных, полученных с БпЛА, была достигнута точность детектирования ключевых точек опоры по метрике mAP50 равна 0,71. В пределах корректно предсказанной опоры точность детекции ее вершины и основания составила 0,88 по метрике F1-score. Для определения наклона столбов ВЛС была выведена формула, которая позволила рассчитать максимальный наклон столба – 24,5°, а минимальный – 0,6°. Средний угол наклона опор для всего набора изображений составил примерно 6,1°.

Заключение. Разработанный метод позволяет автоматизировать процесс технического осмотра ВЛС, обеспечивая высокую точность определения их ключевых параметров. Применение БпЛА и машинного обучения снижают временные и финансовые затраты, а также улучшает качество сбора и анализа данных. Использование БпЛА в сочетании с методами машинного обучения позволяет значительно сократить временные и финансовые затраты, повышают качество сбора и анализа данных и снижают риск ошибок, связанных с человеческим фактором.

1. Астапова М.А., Уздяев М.Ю. Детектирование дефектов неисправных элементов линий электропередач при помощи нейронных сетей семейства YOLO // Моделирование, оптимизация и информационные технологии. 2021; 9(4): 35.

2. Паньков Д.Н., Бугорский И.А. Применение искусственного интеллекта для обнаружения дефектов воздушных линий электропередач // Перспективы развития технологий обработки и оборудования в машиностроении. 2023; 282–285.

3. Fang Z., Savkin A.V. Strategies for Optimized UAV Surveillance in Various Tasks and Scenarios: A Review // Drones. 2024; 8(5): 193.

4. Epifani L, Caruso A. A Survey on Deep Learning in UAV Imagery for Precision Agriculture and Wild Flora Monitoring: Datasets, Models and Challenges // Smart Agricultural Technology. 2024; 100625.

5. Overview of Large Scale Map Production with UAV-Based Photogrammetric Technique: A Case Study in Izmir-Cesme Territory of Turkey / Y. Yılmaz, M. Gürtürk, B. Süleymanoğlu, A. Soycan, M. Soycan // Journal of Geography and Cartography. 2023; 6(2): 2164.

6. A UAV Intelligent System for Greek Power Lines Monitoring / A. Tsellou, G. Livanos, D. Ramnalis, V. Polychronos, G. Plokamakis, M. Zervakis, K. Moirogiorgou // Sensors. 2023; 23(20): 8441.

7. Bellou E., Pisica I., Banitsas K. Aerial Inspection of High-Voltage Power Lines Using YOLOv8 Real-Time Object Detector // Energies. 2024; 17(11): 2535.

8. UAV Photogrammetry for Mapping and 3D Modeling: Current Status and Future Perspectives / F. Remondino, L. Barazzetti, F. Nex, M. Scaioni, D. Sarazzi // Proceedings of the International Conference on Unmanned Aerial Vehicle in Geomatics (UAV-g). 2011; 25–31.

9. Bhowmick S., Nagarajaiah S., Veeraraghavan A. Vision and Deep Learning-Based Algorithms to Detect and Quantify Cracks on Concrete Surfaces from UAV Videos // Sensors. 2020; 20(21): 6299.

10. Automatic Measurement of Inclination Angle of Utility Poles Using 2D Image and 3D Point Cloud / L. Chen, J. Chang, J. Xu, Z. Yang // Applied Sciences. 2023; 13(3): 1688.

11. Automatic Assessment and Prediction of the Resilience of Utility Poles Using Unmanned Aerial Vehicles and Computer Vision Techniques / M.M. Alam, Z. Zhu, B. Eren Tokgoz, J. Zhang, S. Hwang // International Journal of Disaster Risk Science. 2020; 11: 119–132.

12. PTTE: Power Tower Tilt Estimation Algorithm Based on LiDAR Point Cloud / F. Chen, Y. Li, F. Shuang, M. Huang // 2023 International Conference on Advanced Robotics and Mechatronics (ICARM). IEEE. 2023; 309–315.

13. Алгоритм определения наклона опор ЛЭП методами глубокого обучения по видеоданным / О.В. Лимановская, Е.А. Титов, Д.И. Волкова, А.В. Лемех // Вестник Ивановского государственного энергетического университета. 2020; (2): 72–80.

14. NB-IoT Based Method for Monitoring the Tilt Status of Transmission Towers. Journal of Physics / Y. Zheng, Y. Wu, J. Gao, S. Cui // Conference Series. IOP Publishing. 2021; 2108(1): 012033.

15. A Transmission Tower Tilt State Assessment Approach Based on Dense Point Cloud from UAV-Based LiDAR / Z. Lu, H. Gong, Q. Jin, Q. Hu, S. Wang // Remote Sensing. 2022; 14(2): 408.

16. Automatic Utility Pole Inclination Angle Measurement Using Unmanned Aerial Vehicle and Deep Learning / Z. Zhu, J. Zhang, M.M. Alam, B.E. Tokgoz, S. Hwang // Proceedings of the Institute of Industrial and Systems Engineers Annual Conference. 2019.

17. Sun L., et al. Power Tower Tilt Monitoring Method Based on Beidou and Improved YOLOv3. AIoTC. 2022; 58–66.

18. Yue K. Multi-Sensor Data Fusion for Autonomous Flight of Unmanned Aerial Vehicles in Complex Flight Environments // Drone Systems and Applications. 2024; 12: 1–12.

19. Power Transmission Lines Foreign Object Intrusion Detection Method for Drone Aerial Images Based on Improved YOLOv8 Network / H. Sun, Q. Shen, H. Ke, Z. Duan, X. Tang // Drones. 2024; 8(8): 346.

20. An Improved YOLOv8 Network for Detecting Electric Pylons Based on Optical Satellite Image / X. Chi, Y. Sun, Y. Zhao, D. Lu, Y. Gao, Y. Zhang // Sensors. 2024; 24(12): 4012.

21. YOLO-Pose: Enhancing YOLO for Multi-Person Pose Estimation Using Object Keypoint Similarity Loss / D. Maji, S. Nagori, M. Mathew, D. Poddar // Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition. 2022; 2637–2646.

22. Farnebäck G. Two-Frame Motion Estimation Based on Polynomial Expansion // Image Analysis: 13th Scandinavian Conference, SCIA 2003, Halmstad, Sweden, June 29–July 2, 2003 Proceedings 13. Springer Berlin Heidelberg. 2003; 363–370.