O sistema AE-YOLO representa um marco importante na automação da detecção de defeitos em isoladores de linhas de transmissão de alta tensão. Utilizando imagens obtidas por veículos aéreos não tripulados (UAVs), essa nova ferramenta é projetada para enfrentar desafios como o desbalanceamento entre classes e as variações de escala, que historicamente dificultam a identificação precisa de falhas.
Este framework incorpora autoencoders leves dentro de uma rede piramidal de recursos, garantindo que informações cruciais sobre anomalias sejam mantidas durante a fusão de dados em diferentes escalas. Para aprimorar a distinção das características e minimizar as interferências do fundo, módulos de atenção baseados em convolução são integrados ao longo da estrutura do sistema. Além disso, o modelo introduz uma estratégia de regularização com autoencoders que visa maximizar a variância, promovendo representações latentes diversificadas e eficazes dos defeitos.
No processo de treinamento, o AE-YOLO utiliza um objetivo unificado que combina perda focal, perda de interseção sobre união completa (CIoU) e regularização do autoencoder. Essa metodologia ajuda a corrigir o desbalanceamento entre o primeiro plano e o fundo, melhorando assim a precisão na localização dos defeitos. Durante a fase de inferência, as previsões são otimizadas por meio da fusão de caixas ponderadas, que combina resultados de diferentes versões do YOLO, aumentando a sensibilidade a categorias raras através de um mecanismo guiado por autoencoders que eleva a confiança nas previsões.
Avaliações realizadas com um conjunto específico para detecção de defeitos em isoladores mostraram que o AE-YOLO, utilizando uma espinha dorsal EfficientNetV2, obteve 95,10% no mAP a 0,5, além de 96,40% em precisão e 93,80% em recall. Esses números superam em 5 pontos o melhor baseline da família YOLO no mAP a 0,5 e em 6,7 pontos no recall, evidenciando a eficácia e adaptabilidade dessa nova abordagem.
Portanto, o modelo se apresenta como uma solução prática e escalável para a inspeção e monitoramento de defeitos em linhas de transmissão utilizando UAVs, conforme descrito no estudo disponível na plataforma arXiv.