ProtoDINet: End-to-End Interpretable Prototypical Model for Insulator Damage Detection
Notice bibliographique
Résumé
Damaged grid components such as insulators in transmission line can cause widespread impact in downstream connections such as outages. Preventing such failures requires frequent laborious inspection of thousands of power grid components, hence currently is done quite infrequently. In an era of societal electrification, there is an increasing need for an automated approach to continuous monitoring and inspection of grid components. In this paper, we propose an explainable deep learning based approach for damage detection and automated inspection of transmission lines from aerial images. We propose ProtoDINet - an interpretable end-to-end trained prototypical damaged insulator detection network. Unlike the black box machine learning models, ProtoDINet learns explainable prototypes during training-making it inherently interpretable. The most relevant prototypes are then automatically identified using a combinatorial multi-armed bandit (MAB) method targeted to improve class distinction. The final learned prototypes facilitate end users’ understanding of the model’s decision making process. We report promising results in F1 and AUC scores, visualize meaningful learnt prototypes, and demonstrate the effectiveness of the MAB-based prototype selection both quantitatively and qualitatively. This demonstrates the potential for more trustworthy interpretable solutions compared to existing black-box methods and encourages further research in the direction of prototypical networks for power grid.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».