Elektrik dağıtım sistemlerinde görüntü işleme tabanlı anomali tespiti: SAM ve derin öğrenme uygulaması

Elektrik dağıtım şebekelerinde izolatörler, direkler (towers) ve spancer gibi bileşenlerde meydana gelen kırık, çatlak, ark yanığı ve diğer anomalilerin hızlı ve doğru bir şekilde tespit edilmesi, enerji iletim sistemlerinin güvenliği ve bakım süreçlerinin verimliliği açısından büyük önem taşımaktadır. Literatürde bu tür anomalilerin tespiti için çeşitli yöntemler geliştirilmiş olsa da, mevcut çalışmalar çoğunlukla belirli kısıtlamalara sahiptir ve genellikle tek bir bileşen üzerine yoğunlaşmaktadır. Bu çalışmada, dağıtım şebekesindeki farklı bileşenlerdeki anomalilerin belirlenmesi amacıyla Segment Anything Model (SAM) ve dört farklı derin öğrenme tabanlı sınıflandırıcı kullanılarak kapsamlı bir analiz gerçekleştirilmiştir. Roboflow platformundan sağlanan açık kaynaklı veri seti, toplamda 1539 görüntü içermekte olup; kırık izolatör, ark yanığı olan izolatör, sağlam izolatör, direk (towers) ve spancer gibi bileşenlere ait etiketlenmiş verilerden oluşmaktadır. Ön işleme aşamasında veri seti tekrar etiketlenerek genişletilmiş ve veri artırma (data augmentation) teknikleri uygulanmıştır. Analizler, Google Colab platformunda pandas, numpy, torch gibi açık kaynak kütüphaneleri kullanılarak Python programlama dili ile gerçekleştirilmiştir. Çalışma segmentasyon ve sınıflandırma olmak üzere iki aşamadan oluşmaktadır. İlk aşamada, SAM algoritması kullanılarak görüntülerdeki bileşenlerin otomatik segmentasyonu gerçekleştirilmiş ve modelin %88,55 doğruluk oranı ile başarılı bir ayrıştırma yaptığı belirlenmiştir. İkinci aşamada ise SAM tarafından üretilen segmentasyon maskeleri dört farklı derin öğrenme modeli olan MobileNetV2, ResNet50, Vision Transformer (ViT) ve VGG-16 ile sınıflandırılmış ve modellerin başarımı doğruluk (accuracy), kesinlik (precision), duyarlılık (recall) ve F1 skoru metrikleri üzerinden değerlendirilmiştir. Yapılan karşılaştırmalar sonucunda, MobileNetV2 modelinin diğer sınıflandırıcılara kıyasla en yüksek doğruluk oranına (%84,21) ulaştığı ve dağıtım şebekesindeki anomalilerin tespitinde en iyi performansı gösterdiği belirlenmiştir. Sonuçlar, Segment Anything Model (SAM) algoritmasının elektrik dağıtım hatlarındaki anomali tespit süreçlerinde başarılı bir yaklaşım sunduğunu, farklı derin öğrenme modelleri ile entegre edilerek kullanımının modelin genelleme yeteneğini artırabileceğini ve enerji dağıtım şebekelerinin bakım süreçlerini daha hızlı ve etkin hale getirebileceğini ortaya koymuştur.