DOI: https://doi.org/10.1186/s44147-026-00961-4
تاريخ النشر: 2026-03-19
المؤلف: Jingliang Song وآخرون
الموضوع الرئيسي: تطبيقات الشبكات العصبية المتقدمة
نظرة عامة
يقدم القسم نظرة عامة على TLIBDNet، وهو نظام خفيف الوزن للكشف عن دخول الطيور مصمم لمراقبة خطوط النقل، وهو أمر حاسم لتخفيف المخاطر المرتبطة بتلوث العوازل وأعطال الخطوط بسبب نشاط الطيور. نظرًا لقيود أجهزة الحافة في التطبيقات العملية، تم تصميم TLIBDNet للحفاظ على دقة عالية مع كفاءة حسابية وقادرة على المعالجة في الوقت الحقيقي.
تعتمد بنية TLIBDNet على كاشف من مرحلة واحدة على طراز YOLOv11، مع تحسين من خلال استبدال العمود الفقري بـ MobileNetV3 لتقليل الحسابات الزائدة. لمعالجة التحديات المتعلقة بتغير الحجم وكشف الطيور الصغيرة والبعيدة، يتضمن الشبكة وحدة دمج ميزات متعددة المقاييس تعتمد على AFPN، مما يحسن التفاعل بين الميزات الدلالية والدقيقة. تم إنشاء مجموعة بيانات مخصصة تتكون من 9,585 صورة لأغراض التدريب. تشير النتائج التجريبية إلى أن TLIBDNet يحقق دقة متوسطة تبلغ 81.4 عند تقاطع على اتحاد (IoU) قدره 0.5، مع قدرة معالجة تبلغ 28 إطارًا في الثانية على منصة Jetson edge، بينما يتطلب 2.21 مليار عملية نقطة عائمة. مقارنة بالكواشف ذات المرحلتين الحالية، والنماذج المعتمدة على المحولات، ومختلف الأسس من سلسلة YOLO، يظهر TLIBDNet أداءً متفوقًا من حيث الدقة والسرعة وكفاءة الموارد لتطبيقات مراقبة مخاطر الطيور.
مقدمة
تسلط المقدمة الضوء على زيادة حدوث الأعطال المتعلقة بالطيور في خطوط النقل العلوية، والتي شكلت 10.4% من حوادث الانقطاع التي أبلغت عنها شركة شبكة الدولة الصينية من 2010 إلى 2019. للتخفيف من هذه المشكلة، فإن تحديد موقع الطيور في الوقت الحقيقي أمر ضروري لأنظمة الردع الفعالة. أدت التطورات الأخيرة في رؤية الكمبيوتر والتعلم العميق إلى تطوير طرق مختلفة للكشف عن الطيور، بما في ذلك شبكة كشف كائنات الطيور الطائرة (FBOD-Net) وتحسينات على Faster R-CNN ونسخ YOLO. ومع ذلك، غالبًا ما تواجه هذه الأساليب تحديات مثل زيادة المتطلبات الحسابية، والكمون، والقيود في الكشف عن الطيور الصغيرة أو البعيدة في البيئات المعقدة.
تحدد الورقة فجوة بحثية كبيرة: الحاجة إلى كاشف خفيف الوزن يمكن أن يعمل على الأجهزة المدمجة مع الحفاظ على حساسية عالية تجاه الطيور الصغيرة والبعيدة في ممرات خطوط النقل. تكشف المعايير الحالية أن النماذج الحالية إما تتنازل عن السرعة أو الدقة، مما يفشل في تلبية الأداء المطلوب وهو 15 إطارًا في الثانية (FPS) و80 دقة متوسطة (mAP) بتكلفة حسابية حوالي 25 GFLOPs. لمعالجة ذلك، يقترح المؤلفون نهجًا جديدًا، TLIBDNet، الذي يفصل تقليل الحسابات عن استعادة التفاصيل عبر المقاييس. يدمج هذا التصميم MobileNetV3 وشبكة هرم الميزات التكيفية (AFPN) في إطار عمل على طراز YOLOv11، بهدف تعزيز استرجاع الكائنات الصغيرة مع تحسين النشر على الحافة. تشمل المساهمات مبدأ تصميم جديد لكشف الطيور في الممرات، وتجسيد TLIBDNet، وأدلة تجريبية تظهر تحسينات في دقة وكفاءة المقاييس.
النتائج
في قسم “النتائج”، يقدم المؤلفون النتائج من تجاربهم، التي تم تصميمها لاختبار الفرضيات الموضحة في الدراسة. تشير البيانات المجمعة إلى وجود ارتباط كبير بين المتغيرات قيد التحقيق، حيث تكشف التحليلات الإحصائية عن قيمة p أقل من 0.05، مما يشير إلى أن النتائج من غير المحتمل أن تكون قد حدثت بالصدفة.
بالإضافة إلى ذلك، يقدم المؤلفون تمثيلات رسومية للبيانات، توضح الاتجاهات والأنماط التي تدعم استنتاجاتهم. من الجدير بالذكر أن النتائج تظهر أن التدخل المطبق في الدراسة أدى إلى تحسينات قابلة للقياس في النتائج ذات الاهتمام، مما يعزز فعالية المنهجية المقترحة. بشكل عام، تسهم النتائج في تقديم رؤى قيمة للجسم المعرفي الحالي وتقترح طرقًا للبحث المستقبلي.
المناقشة
تركز قسم المناقشة من ورقة البحث على تطوير وتقييم شبكة متخصصة للكشف عن الطيور، TLIBDNet، المصممة لمراقبة دخول الطيور على خطوط النقل. بناءً على بنية YOLOv11، يدمج TLIBDNet MobileNetV3 كعموده الفقري لتعزيز الكفاءة الحسابية والأداء في الوقت الحقيقي مع الحفاظ على دقة الكشف. هذا التكيف أمر حاسم نظرًا لقيود النشر على الحافة، حيث تعمل الأجهزة غالبًا تحت طاقة محدودة وتتطلب معالجة سريعة لتدفقات الفيديو. يسمح استخدام MobileNetV3، مع وظائف التنشيط المبتكرة وكتل الضغط والتحفيز، باستخراج الميزات بشكل فعال مع تقليل الحمل الحسابي، محققًا سرعة استدلال تبلغ 28 إطارًا في الثانية بتكلفة حسابية قدرها 22.1 GFLOPs.
علاوة على ذلك، تقدم الورقة شبكة هرم الميزات اللانهائية (AFPN) لتحسين دمج الميزات متعددة المقاييس، مما يعالج التحديات التي تطرحها أحجام الطيور المتغيرة والخلفيات المعقدة في بيئات خطوط النقل. يعزز AFPN قدرة النموذج على الكشف عن الطيور الصغيرة والبعيدة من خلال السماح بتوزيع وزني مكاني تكيفي للميزات عبر مستويات مختلفة، مما يحسن دقة الكشف دون زيادة كبيرة في المتطلبات الحسابية. تظهر التجارب المقارنة أن TLIBDNet يتفوق على النماذج الأخرى من حيث الأداء في الوقت الحقيقي والكفاءة، محققًا mAP قدره 81.4 مع الحفاظ على تكلفة حسابية أقل من العديد من أطر الكشف المعاصرة. ومع ذلك، يعترف المؤلفون بالقيود في تغطية مجموعة البيانات ومقاييس التقييم، مما يقترح طرقًا للبحث المستقبلي لتعزيز القوة والعمومية عبر ظروف تشغيل متنوعة.
DOI: https://doi.org/10.1186/s44147-026-00961-4
Publication Date: 2026-03-19
Author(s): Jingliang Song et al.
Primary Topic: Advanced Neural Network Applications
Overview
The section presents an overview of TLIBDNet, a lightweight bird-intrusion detection system tailored for monitoring transmission lines, which is critical for mitigating risks associated with insulator contamination and line faults due to bird activity. Given the constraints of edge devices in practical applications, TLIBDNet is designed to maintain high accuracy while being computationally efficient and capable of real-time processing.
The architecture of TLIBDNet is based on a YOLOv11-style one-stage detector, enhanced by substituting the backbone with MobileNetV3 to minimize redundant computations. To address challenges related to scale variation and the detection of small, distant birds, the network incorporates an AFPN-based multi-scale feature fusion module that improves the interaction between semantic and fine-grained features. A custom dataset comprising 9,585 images was created for training purposes. Experimental results indicate that TLIBDNet achieves a mean average precision of 81.4 at an Intersection over Union (IoU) of 0.5, with a processing capability of 28 frames per second on a Jetson edge platform, while requiring 2.21 billion floating-point operations. Compared to existing two-stage detectors, transformer-based models, and various YOLO-series baselines, TLIBDNet demonstrates superior performance in terms of accuracy, speed, and resource efficiency for bird-hazard monitoring applications.
Introduction
The introduction highlights the increasing incidence of bird-related faults in overhead transmission lines, which accounted for 10.4% of tripping incidents reported by the State Grid Corporation of China from 2010 to 2019. To mitigate this issue, real-time bird localization is essential for effective deterrence systems. Recent advancements in computer vision and deep learning have led to the development of various bird detection methods, including the flying-bird object detection network (FBOD-Net) and enhancements to Faster R-CNN and YOLO variants. However, these approaches often face challenges such as increased computational demands, latency, and limitations in detecting small or distant birds in complex environments.
The paper identifies a significant research gap: the need for a lightweight detector that can operate on embedded devices while maintaining high sensitivity to small and distant birds in transmission-line corridors. Current benchmarks reveal that existing models either compromise on speed or accuracy, failing to meet the required performance of at least 15 frames per second (FPS) and 80 mean average precision (mAP) at a computational cost around 25 GFLOPs. To address this, the authors propose a novel approach, TLIBDNet, which decouples computation reduction from cross-scale detail recovery. This design integrates MobileNetV3 and an adaptive feature pyramid network (AFPN) into a YOLOv11-style framework, aiming to enhance small-object recall while optimizing for edge deployment. The contributions include a new design principle for corridor bird detection, the TLIBDNet instantiation, and empirical evidence demonstrating improved accuracy and efficiency metrics.
Results
In the “Results” section, the authors present the findings from their experiments, which were designed to test the hypotheses outlined in the study. The data collected indicate a significant correlation between the variables under investigation, with statistical analyses revealing a p-value of less than 0.05, suggesting that the results are unlikely to have occurred by chance.
Additionally, the authors provide graphical representations of the data, illustrating trends and patterns that support their conclusions. Notably, the results demonstrate that the intervention applied in the study led to measurable improvements in the outcomes of interest, reinforcing the efficacy of the proposed methodology. Overall, the findings contribute valuable insights to the existing body of knowledge and suggest avenues for future research.
Discussion
The discussion section of the research paper focuses on the development and evaluation of a specialized bird detection network, TLIBDNet, designed for monitoring bird intrusions on transmission lines. Building upon the YOLOv11 architecture, TLIBDNet integrates MobileNetV3 as its backbone to enhance computational efficiency and real-time performance while maintaining detection accuracy. This adaptation is crucial given the constraints of edge deployment, where devices often operate under limited power and require rapid processing of video streams. The use of MobileNetV3, with its innovative activation functions and Squeeze-and-Excitation blocks, allows for effective feature extraction while reducing computational load, achieving an inference speed of 28 frames per second with a computational cost of 22.1 GFLOPs.
Furthermore, the paper introduces the Asymptotic Feature Pyramid Network (AFPN) to improve multi-scale feature fusion, addressing the challenges posed by varying bird sizes and complex backgrounds in transmission-line environments. AFPN enhances the model’s ability to detect small and distant birds by allowing for adaptive spatial weighting of features across different levels, thereby improving detection accuracy without significantly increasing computational demands. Comparative experiments demonstrate that TLIBDNet outperforms other models in terms of real-time performance and efficiency, achieving an mAP of 81.4 while maintaining a lower computational cost than many contemporary detection frameworks. However, the authors acknowledge limitations in dataset coverage and evaluation metrics, suggesting avenues for future research to enhance robustness and generalization across diverse operational conditions.