Real-time Insulator Defect Detection and Damage Assessment on Edge for UAV-Based Inspection
Notice bibliographique
Résumé
Outdoor insulators are essential for power transmission and distribution, providing both mechanical support and electrical insulation. There is a growing need for inspection and assessment of insulators as many of these insulators have reached their end of life. Outdoor insulators classical inspection methods are time consuming and labor intensive, and hence there is a growing need for more efficient techniques. Detecting defects and assessing damage automatically using drones equipped with edge devices is one of the potential solutions. However, this approach remains challenging due to limited labeled data sets and the computational constraints of edge devices. This paper addresses these challenges by introducing the Insulator Defects and Damage Assessment Dataset (IDDAD), a relabeled dataset merging CPLID and IDID datasets, which captures broken and missing discs, as well as multiple levels of insulator damage based on the number of defective discs. We perform a comprehensive evaluation of YOLO models (versions 5-12) across nano, small, and medium sizes, along with small RT-DETR v1 and v2 models, with a focus on edge deployment efficiency. Results show that YOLOv8n in NCNN format achieves the best balance of accuracy and speed, attaining a mean average precision (mAP50) of 0.942 at 11.3 frames per second (FPS).
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 | 0,001 |
| Études des sciences et des technologies | 0,001 | 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 ».