İHA görüntüleri üzerinde derin öğrenme yaklaşımları kullanılarak YG havai hatların gözlemi ve hata tespiti

Abstract

Enerji sektörü, sürdürülebilirlik ve güvenilirlik açısından dünyanın en kritik sektörlerinden biridir. Geleneksel yöntemlerle şebeke izleme, bakım ve yenileme karar mekanizmaları karmaşık hale gelmiştir. Bu bağlamda, görüntü işleme süreçleriyle farklı boyutlardaki nesnelerin tespiti ve arızaya neden olabilecek ekipmanların otomatik olarak belirlenmesi kritik önem taşımaktadır. Bu tez çalışmasında, makine öğrenmesi aşamasında toplam 588 görüntü YOLOV5 ile eğitildi ve değerlendirme aşamasında 207 adet görüntü ile kesinlik belirlendi. Uygulanan model, izolatör nesneleri tespit ederken daha az yanlış pozitif üreterek daha fazla doğru tespit yapmaktadır. İzolatör sınıfında 0,5 eşiği için mAP değeri 0,702 (% 70,2)’dir. Kırık izolatörlerde 0,5 eşiği için ise mAP 0,507 olup izolatör sınıfına göre daha düşüktür. İzolatör sınıfında yüksek güven oranlarında bile nispeten daha yüksek duyarlılık değerleri görülmekte olup uygulanan modelin izolatör sınıfını tanımakta daha iyi olduğunu göstermektedir. Kırık izolatör sınıfının düşük güven oranlarında duyarlılık değerlerini daha yüksek elde ettiği, fakat güven oranı arttıkça duyarlılığın hızla düştüğü görülmekte olup uygulanan modelin kırık izolatörleri ayırt etmekte daha zorlandığı anlaşılmaktadır. Her iki sınıf birlikte değerlendirildiğinde ortalama performans olarak oldukça başarılı olan 0.96 duyarlılık değeri göstermektedir. Uygulanan model, izolatör sınıfında kırık izolatör sınıfına göre daha iyi performans sergilemektedir. Modelin kırık izolatörleri tespit etmede gösterdiği nispeten düşük değerleri iyileştirmek için veri arttırmak, izolatör çeşitlerini farklı sınıflarda değerlendiren sınıflar oluşturmak gelecekte yapılacak çalışmalar için faydalı olacaktır.

The energy sector is one of the most critical industries globally in terms of sustainability and reliability. Traditional methods for grid monitoring, maintenance, and renewal decision-making have become increasingly complex. In this context, using image processing techniques to detect objects of varying sizes and automatically identify equipment that may cause faults is of critical importance. In this thesis study, a total of 588 images were used to train the YOLOV5 model during the machine learning phase, and accuracy was evaluated using 207 images during the testing phase. The applied model demonstrated better performance in detecting insulator objects by producing fewer false positives and achieving more correct detections. The mAP@0.5 threshold is 0.702 for insulator class. For broken insulators, the mean average precision (mAP) at 0.5 confidence threshold was calculated as 0.507, which is lower compared to the insulator class. In the insulator class, relatively higher recall values were observed even at high confidence thresholds, indicating that the applied model is better at recognizing insulator objects. In contrast, for the broken insulator class, higher recall values were achieved at lower confidence thresholds. However, as the confidence threshold increased, the recall dropped sharply, showing that the model struggles to distinguish broken insulators effectively. When both classes were evaluated together, the model demonstrated a strong average performance with a recall value of 0.96. This result indicates that the applied model performs better in the insulator class compared to the broken insulator class. To improve the relatively lower performance of the model in detecting broken insulators, future work could focus on increasing the dataset size and creating new classes to evaluate different types of insulators. Expanding the dataset and diversifying the insulator types for classification are expected to enhance the model's detection capabilities and overall accuracy in future studies