Recognizing transmission line defects with YOLO & Convolutional Block Attention Modules

Abstract

Trygg og stabil energiforsyning i strømnett er kritisk for operatører av transmisjonsnettet (TSO) og distribusjonsnettet (DSO) på global basis. Ettersom strømnettene eldes og etterspørselen av fornybar energi øker blir avdekking og prioritering av behov for oppgraderinger og vedlikehold spesielt viktig. I denne bacheloroppgaven har vi utforsket potensialet for anvendelse av kunstig syn for å oppdage feil i kraftlinjer. Helt spesifikt har vi implementert en modifisert YOLO (You Only Look Once) modell, med Convolutional Block Attention Modules (CBAM). Ved å utnytte store datasett og nevrale nettverksarkitekturer (CNN), tar den foreslåtte metoden sikte på å forbedre forebyggende vedlikeholdsstrategier for strømnett. Oppgaven inkluderer en omfattende litteraturgjennomgang om komponenter i kraftlinjer, vanlige feil og eksisterende datasynsmodeller. Deretter utvikles en ny modell og trenes ved hjelp av en kombinasjon av offentlig tilgjengelige datasett, noe som sikrer robust- og generaliserbarhet. Resultatene viser at modellen presterer godt i feiloppdagelse, og fremhever potensialet til AI-drevne løsninger for å opprettholde integriteten til kraftinfrastruktur.

The reliability and safety of power grids are critical concerns for Transmission System Operators (TSOs) and Distribution System Operators (DSOs) worldwide. As power grids age and the demand for renewable energy sources increases, efficient and accurate maintenance becomes paramount. This thesis explores the application of computer vision, specifically the YOLO (You Only Look Once) model and Convolutional Block Attention Modules (CBAM), for detecting defects in transmission lines. By leveraging large datasets and state-of-the-art neural network architectures, the proposed method aims to enhance the preventative maintenance strategies of power grids. The thesis includes a comprehensive literature review on transmission line components, common defects, and existing computer vision models. A new model is developed and trained using a combination of publicly available datasets, ensuring robustness and generalizability. Results demonstrate the models ability to detect defects with high accuracy, highlighting the potential of AI-driven solutions in maintaining the integrity of power infrastructure.