An Improved Anomaly Detection Model for Automated Inspection of Power Line Insulators

要約

絶縁体の検査は、電力システムの信頼性の高い動作を確保するために重要です。
ディープラーニングは、物体検出モデルを活用してドローンによって捕捉された航空画像を分析することにより、検査プロセスを自動化するためにますます活用されています。
ただし、純粋にオブジェクト検出ベースのアプローチでは、クラスの不均衡に起因するパフォーマンスの低下が問題となり、まれで検出が難しい初期の障害によってさらに顕著になる可能性があります。
この記事では、データ効率の高い方法で初期障害を検出するための 2 段階のアプローチで、異常検出とオブジェクト検出を併用することを提案します。
異常検出には説明可能な畳み込み 1 クラス分類器が採用されています。
1 クラスの定式化により、欠陥のある絶縁体の豊富に入手可能な画像への依存が軽減され、モデルの説明可能性により業界での採用が促進されることが期待されます。
既存のモデルの計算上および解釈可能性の問題に対処する修正損失関数が開発され、他の損失の統合も可能になります。
新しい損失関数の優位性は、MVTec-AD データセットで実証されます。
モデルは、データが豊富なシナリオとデータが少ないシナリオを表す 2 つのデータセットを使用して、教師なし設定と半教師あり設定で絶縁体検査用にトレーニングされます。
この結果は、トレーニング データセットに実際の異常を 5 つだけ含めることで、モデルのパフォーマンスが大幅に向上し、めったに発生しない碍子の初期故障を確実に検出できることを示唆しています。

要約(オリジナル)

Inspection of insulators is important to ensure reliable operation of the power system. Deep learning is being increasingly exploited to automate the inspection process by leveraging object detection models to analyse aerial images captured by drones. A purely object detection-based approach, however, suffers from class imbalance-induced poor performance, which can be accentuated for infrequent and hard-to-detect incipient faults. This article proposes the use of anomaly detection along with object detection in a two-stage approach for incipient fault detection in a data-efficient manner. An explainable convolutional one-class classifier is adopted for anomaly detection. The one-class formulation reduces the reliance on plentifully available images of faulty insulators, while the explainability of the model is expected to promote adoption by the industry. A modified loss function is developed that addresses computational and interpretability issues with the existing model, also allowing for the integration of other losses. The superiority of the novel loss function is demonstrated with MVTec-AD dataset. The models are trained for insulator inspection with two datasets — representing data-abundant and data-scarce scenarios — in unsupervised and semi-supervised settings. The results suggest that including as few as five real anomalies in the training dataset significantly improves the model’s performance and enables reliable detection of rarely occurring incipient faults in insulators.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google