Développement d’un algorithme de détection de câbles électriques et de localisation pour drone d’inspection de lignes électriques haute tension
Bibliographic record
Abstract
Afin d’améliorer l’efficacité de l’entretien de son réseau de lignes électriques haute tension (LEHT), Hydro-Québec met sur pied de nouvelles méthodes d’inspection de LEHT. Depuis quelques années, Hydro-Québec développe le LineDrone, un drone opéré par un pilote, qui peut atterrir et rouler sur les conducteurs afin de réaliser une inspection par contact direct de ceux-ci. Récemment, Hydro-Québec s'est associé à L'entreprise DroneVolt afin d'assurer la l'industrialisation et la commercialisation du LineDrone. Dans le but d’automatiser l’opération du LineDrone, une collaboration entre l’Université de Sherbrooke, Hydro-Québec et DroneVolt a été mise sur pied. Un des nombreux défis reliés à ce projet d’automatisation est la localisation du drone dans l’environnement des conducteurs des LEHT. Pour cela, un algorithme de détection de câbles électriques et de localisation pour drone d’inspection de LEHT a été développé. Cet algorithme permet de déterminer la position du drone dans son environnement à proximité des câbles des LEHT afin de lui permettre de naviguer et d’atterrir sur des conducteurs électriques de façon autonome. Ce mémoire présente le fonctionnement des différentes parties de l’algorithme de détection de câbles électriques et de localisation pour drone d’inspection de LEHT. De plus, les résultats d’essais en vol de l’algorithme sont présentés. Ces essais démontrent le bon fonctionnement de l’algorithme dans des scénarios d’utilisation réels. Finalement, des résultats sur les performances en précision et en temps de calcul sont présentés.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.001 | 0.004 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.002 | 0.001 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.003 | 0.002 |
| Open science | 0.002 | 0.001 |
| Research integrity | 0.002 | 0.002 |
| Insufficient payload (model declined to judge) | 0.006 | 0.004 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".