高圧送電線の保守において、碍子の欠陥検出は電力網の安全性を確保するための重要な作業である。しかし、無人航空機（UAV）が撮影した画像を用いた自動検出には、欠陥クラスの極端な不均衡、欠陥のスケール変動の大きさ、そして欠陥が画像内で占める面積が非常に小さいという三つの課題がある。本論文では、これらの課題に対処するため、注意誘導オートエンコーダ強化YOLOフレームワーク「AE-YOLO」を提案する。
AE-YOLOの中核は、軽量ボトルネックオートエンコーダを特徴ピラミッドネットワーク・パス集約ネットワーク（FPN-PAN）のネックに組み込む点にある。これにより、マルチスケールの特徴融合過程で異常に敏感な情報を保持し、小目標の欠陥特徴が深層ネットワークで失われるのを防ぐ。また、バックボーン全体に畳み込みブロック注意モジュール（CBAM）を適用し、チャネル注意と空間注意の両方で特徴の識別能力を高め、背景の干渉を効果的に抑制する。
さらに、フレームワークは分散最大化オートエンコーダ正則化戦略を導入する。この戦略は、オートエンコーダが多様で欠陥判別性の高い潜在表現を学習することを促し、クラス不均衡問題を緩和する。ネットワークの訓練には、焦点損失（focal loss）、完全IoU（CIoU）損失、オートエンコーダ正則化項を組み合わせた統一的な目的関数を用いる。これにより、前景と背景の極端な不均衡に対処しつつ、位置特定精度を向上させる。
推論段階では、AE-YOLOは重み付きボックス融合（WBF）技術を採用し、YOLOv8、YOLOv10、YOLO11の三モデルの予測結果を統合する。加えて、オートエンコーダが導く信頼度向上メカニズムにより、稀な欠陥カテゴリに対する検出感度を高め、見逃しを防ぐ。
実験は碍子欠陥検出データセットで実施され、EfficientNetV2をバックボーンとするAE-YOLOは[email protected]で95.10%、精度96.40%、再現率93.80%を達成した。これは最强のYOLOファミリーベースラインと比較して、[email protected]で5.0ポイント、再現率で6.7ポイントの向上である。これらの結果はフレームワークの有効性と適応性を確認するものであり、UAVベースの送電線検査と欠陥モニタリングのための実用的でスケーラブルなソリューションであることを示している。