تعتبر عملية الكشف الآلي عن عيوب العوازل في خطوط الكهرباء ذات الجهد العالي من التحديات الكبرى، وذلك بسبب تفاوت الفئات الشديد، وتنوع المقاييس، بالإضافة إلى صغر حجم العيوب في صور طائرات الدرون (UAV). لتجاوز هذه العقبات، تم تقديم تقنية جديدة تُعرف باسم AE-YOLO، وهي إطار عمل يعتمد على تعزيز انتباه الشبكة العصبية الموجه إلى العيوب.

يضم تصميمه هياكل خفيفة الوزن من المشفرات التلقائية (AutoEncoders) داخل شبكة مخطط هرم الميزات (Feature Pyramid Network) وشبكة تجميع المسارات (Path Aggregation Network). تعمل هذه التصميمات على الحفاظ على المعلومات الحساسة للكشف عن الشذوذ أثناء دمج الميزات على مقاييس مختلفة. كما تم استخدام وحدات انتباه الكتل التلافيفية (Convolutional Block Attention Modules - CBAM) بالكامل في الهيكل العظمي، مما يعزز تمييز الميزات ويقلل من تداخل الخلفية.

علاوة على ذلك، قدمت الإطار استراتيجية تنظيم تعتمد على تعزيز التباين في المشفرات التلقائية، مما يشجع على تطوير تمثيلات مميزة ومختلفة للعيوب. يتم تدريب الشبكة باستخدام هدف موحد يجمع بين خسارة التركيز (Focal Loss)، وخسارة تقارب معدل الانطباق (Complete IoU - CIoU)، وتنظيم المشفرات التلقائية، وذلك لمعالجة عدم التوازن بين المقدمة والخلفية وتحسين دقة تحديد المواقع.

أثناء عملية الاستدلال، يتم دمج التنبؤات بواسطة تقنية دمج الصناديق الموزونة (Weighted Boxes Fusion - WBF) من نماذج YOLOv8، YOLOv10، و YOLO11. كما أن هناك آلية لتعزيز الثقة موجهة بالاعتماد على المشفرات التلقائية التي تعمل على تحسين الحساسية تجاه الفئات النادرة من العيوب.

أظهرت التجارب على مجموعة بيانات اكتشاف عيوب العوازل أن تقنية AE-YOLO، مع هيكل EfficientNetV2، تحقق معدل دقة يتجاوز 95.10% عند 0.5، و96.40% دقة، و93.80% استرجاع. هذه النتائج تتفوق على أقوى الأسس من عائلة YOLO بمقدار 5.0 نقطة في معدل الدقة و6.7 نقطة في الاسترجاع. تؤكد هذه النتائج فعالية وقابلية تطبيق الإطار، مما يجعله حلاً عمليًا وقابلًا للتوسع لفحص خطوط الكهرباء ورصد العيوب باستخدام طائرات الدرون.