Object detection-based inspection of power line insulators: Incipient fault detection in the low data-regime

要約

ディープ ラーニング ベースの物体検出は、電力線の絶縁体の欠陥を検出するための強力なアプローチです。
これには、オブジェクト検出モデルをゼロからトレーニングするか、ベンチマークのコンピューター ビジョン データセットで事前トレーニングされたモデルを微調整することが含まれます。
このアプローチは、多数の絶縁体画像でうまく機能しますが、データが少ない体制では信頼性の低いモデルになる可能性があります。
現在の文献では、検出作業が比較的容易な絶縁体キャップの有無の検出に主に焦点が当てられており、ディスクのフラッシュや破損などのより細かい障害の検出は考慮されていません。
この記事では、ディスクの初期障害に焦点を当てて、空中画像から絶縁体と資産を検査するための 3 つの物体検出タスクを定式化します。
健全な絶縁体と欠陥のある絶縁体を検出するための堅牢な機能を学習するために使用できる、絶縁体画像の大規模な参照データセットをキュレートします。
参照データセットで事前トレーニングを行った後、ターゲット データセットを微調整することにより、低ターゲット データ体制でこのデータセットを使用する利点を調べます。
この結果は、物体検出モデルを使用して、非常に初期の段階で絶縁体の障害を検出できること、および物体検出モデルのタイプに応じて転移学習が価値を追加することを示唆しています。
低データ体制でのパフォーマンスを左右する重要な要因を特定し、最先端技術を改善するための潜在的なアプローチを概説します。

要約(オリジナル)

Deep learning-based object detection is a powerful approach for detecting faulty insulators in power lines. This involves training an object detection model from scratch, or fine tuning a model that is pre-trained on benchmark computer vision datasets. This approach works well with a large number of insulator images, but can result in unreliable models in the low data regime. The current literature mainly focuses on detecting the presence or absence of insulator caps, which is a relatively easy detection task, and does not consider detection of finer faults such as flashed and broken disks. In this article, we formulate three object detection tasks for insulator and asset inspection from aerial images, focusing on incipient faults in disks. We curate a large reference dataset of insulator images that can be used to learn robust features for detecting healthy and faulty insulators. We study the advantage of using this dataset in the low target data regime by pre-training on the reference dataset followed by fine-tuning on the target dataset. The results suggest that object detection models can be used to detect faults in insulators at a much incipient stage, and that transfer learning adds value depending on the type of object detection model. We identify key factors that dictate performance in the low data-regime and outline potential approaches to improve the state-of-the-art.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google