Enhanced insulator fault detection using optimized ensemble of deep learning models based on weighted boxes fusion
Notice bibliographique
Résumé
Fault identification in transmission line insulators is essential to keep the power system running. Using deep learning-based models combined with interpretative techniques can be an alternative to improve power grid inspections and increase their reliability. Based on that consideration, this paper proposes an optimized ensemble of deep learning models (OEDL) based on weighted boxes fusion (WBF), called OEDL-WBF, to enhance the fault detection of power grid insulators. The proposed model is hypertuned considering a tree-structured Parzen estimator (TPE), and interpretative results are provided using the eigenvector-based class activation map (Eigen-CAM) algorithm. The Eigen-CAM had better results than Grad-CAM, Activation-CAM, MaxActivation-CAM, and WeightedActivation-CAM. The multi-criteria optimization of the structure by TPE ensures that the appropriate hyperparameters of the you only look once (YOLO) model are used for object detection. With a mean average precision (mAP)@[0.5] of 0.9841 and mAP@[0.5:0.95] of 0.9722 the proposed OEDL-WBF outperforms other deep learning-based structures, such as YOLOv8, YOLOv9, YOLOv10, YOLOv11, and YOLOv12 in a benchmarking. The Eigen-CAM further helps to interpret the outcomes of the model.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».