izvestswsuИзвестия Юго-Западного государственного университетаProceedings of the Southwest State University2223-15602686-6757ЮЗГУ10.21869/2223-1560-2025-29-1-8-26izvestswsu-1409Research ArticleМашиностроение и машиноведениеMechanical engineering and machine scienceМетод для определения наклона столба линии связи на основе изображений с БпЛАMethod for determining the inclination of a communication line pole based on UAV imageshttps://orcid.org/0009-0001-8149-5804ЗаикинМ. И.ZaikinM. I.

Заикин Михаил Игоревич - ведущий программист лаборатории автономных робототехнических систем.

14-я линия В.О., д. 39, Санкт-Петербург 199178

Mikhail I. Zaikin - Lead Programmer of the Autonomous Robotic Systems Laboratory.

39, 14th Line, St. Petersburg 199178

zmaik@live.comhttps://orcid.org/0000-0002-9121-894XАстаповаМ. А.AstapovaM. A.

Астапова Марина Алексеевна - младший научный сотрудник лаборатории технологий больших данных социокиберфизических систем.

14-я линия В.О., д. 39, Санкт-Петербург 199178

Marina A. Astapova - Junior Researcher of Laboratory of Big Data Technologies in Socio-Cyberphysical Systems.

39, 14th Line, St. Petersburg 199178

astapova.m@iias.spb.suhttps://orcid.org/0009-0003-5030-677XВолковД. М.VolkovD. M.

Волков Данила Михайлович - младший научный сотрудник лаборатории автономных робототехнических систем.

14-я линия В.О., д. 39, Санкт-Петербург 199178

Danila M. Volkov - Junior Researcher, Laboratory of Autonomous Robotic Systems (SPC RAS), St. Petersburg Institute for Informatics and Automation of the Russian Academy of Sciences.

39, 14th Line, St. Petersburg 199178

volkov.d@iias.spb.suСанкт-Петербургский Федеральный исследовательский центр Российской академии наук (СПБ ФИЦ РАН)St. Petersburg Federal Research Center of the Russian Academy of Sciences (SPC RAS)202511062025291826Copyright © Заикин М.И., Астапова М.А., Волков Д.М., 20252025Заикин М.И., Астапова М.А., Волков Д.М.Zaikin M.I., Astapova M.A., Volkov D.M.Данная работа распространяется под лицензией Creative Commons Attribution 4.0.This work is licensed under a Creative Commons Attribution 4.0 License.https://izvestswsu.elpub.ru/jour/article/view/1409Цель исследования

Цель исследования. Воздушные линии связи (ВЛС) являются важным элементом коммуникационной инфраструктуры, однако их техническое состояние требует регулярного контроля и осмотра. Традиционные методы осмотра, включающие визуальную проверку специалистами, не всегда позволяют эффективно собирать и фиксировать все необходимые данные. С целью улучшения качества осмотра ВЛС был разработан метод для определения наклона столба линии связи на основе изображений с беспилотного летательного аппарата (БпЛА).

Методы

Методы. Для решения задачи использовалась комбинация математических преобразований и методов машинного обучения. Обработка данных включала использование параметров камеры, координат объекта на изображении, высоты полета и координат БпЛА. На основе этих данных разрабатывался алгоритм детекции ключевых точек опоры и расчета угла наклона столбов.

Результаты

Результаты. В результате проведенных экспериментов на основе данных, полученных с БпЛА, была достигнута точность детектирования ключевых точек опоры по метрике mAP50 равна 0,71. В пределах корректно предсказанной опоры точность детекции ее вершины и основания составила 0,88 по метрике F1-score. Для определения наклона столбов ВЛС была выведена формула, которая позволила рассчитать максимальный наклон столба – 24,5°, а минимальный – 0,6°. Средний угол наклона опор для всего набора изображений составил примерно 6,1°.

Заключение

Заключение. Разработанный метод позволяет автоматизировать процесс технического осмотра ВЛС, обеспечивая высокую точность определения их ключевых параметров. Применение БпЛА и машинного обучения снижают временные и финансовые затраты, а также улучшает качество сбора и анализа данных. Использование БпЛА в сочетании с методами машинного обучения позволяет значительно сократить временные и финансовые затраты, повышают качество сбора и анализа данных и снижают риск ошибок, связанных с человеческим фактором.

Purpose of research

Purpose of research. Overhead communication lines (OCL) are an important element of the communication infrastructure, but their technical condition requires regular monitoring and inspection. Traditional inspection methods, including visual inspection by specialists, do not always allow for the efficient collection and recording of all necessary data. In order to improve the quality of OCL inspection, a method was developed for determining the tilt of a communication line pole based on images from an unmanned aerial vehicle (UAV).

Methods

Methods. A combination of mathematical transformations and machine learning methods was used to solve the problem. Data processing included the use of camera parameters, object coordinates in the image, flight altitude, and UAV coordinates. Based on these data, an algorithm was developed for detecting key support points and calculating the tilt angle of the poles.

Results

Results. As a result of the experiments conducted based on the data obtained from the UAV, the accuracy of detecting key support points according to the mAP50 metric was 0.71. Within the correctly predicted support, the accuracy of detecting its top and base was 0.88 according to the F1-score metric. To determine the tilt of the VLS pillars, a formula was derived that made it possible to calculate the maximum tilt of the pillar is 24.5°, and the minimum is 0.6°. The average tilt angle of the pillars for the entire set of images is approximately 6.1°.

Conclusion

Conclusion. The developed method allows automating the technical inspection of VLS, ensuring high accuracy in determining their key parameters. The use of UAVs and machine learning reduces time and cost, and improves the quality of data collection and analysis. The use of UAVs in combination with machine learning methods can significantly reduce time and cost, improve the quality of data collection and analysis, and reduce the risk of human error.

воздушные линии связиглубокое обучениебеспилотная воздушная системадетекция объектов на изображенииoverhead communication linesdeep learningunmanned aerial vehicleimage object detectionReferencesАстапова М.А., Уздяев М.Ю. Детектирование дефектов неисправных элементов линий электропередач при помощи нейронных сетей семейства YOLO // Моделирование, оптимизация и информационные технологии. 2021; 9(4): 35.Astapova M.A., Uzdaev M.Yu. Detection of defects in faulty elements of power lines using YOLO neural networks. Modelirovanie, optimizatsiya i informatsionnye tekhnologii = Modeling, Optimization and Information Technologies. 2021; 9(4): 35. (In Russ.).Паньков Д.Н., Бугорский И.А. Применение искусственного интеллекта для обнаружения дефектов воздушных линий электропередач // Перспективы развития технологий обработки и оборудования в машиностроении. 2023; 282–285.Pankov D.N., Bugorskiy I.A. Application of artificial intelligence for defect detection in overhead power lines. Perspektivy razvitiya tekhnologij obrabotki i oborudovaniya v mashinostroenii = Perspectives of development of technologies for processing and equipment in mechanical engineering. 2023; 282–285. (In Russ.).Fang Z., Savkin A.V. Strategies for Optimized UAV Surveillance in Various Tasks and Scenarios: A Review // Drones. 2024; 8(5): 193.Fang Z., Savkin A.V. Strategies for Optimized UAV Surveillance in Various Tasks and Scenarios: A Review. Drones. 2024; 8(5): 193.Epifani L, Caruso A. A Survey on Deep Learning in UAV Imagery for Precision Agriculture and Wild Flora Monitoring: Datasets, Models and Challenges // Smart Agricultural Technology. 2024; 100625.Epifani L., Caruso A. A Survey on Deep Learning in UAV Imagery for Precision Agriculture and Wild Flora Monitoring: Datasets, Models and Challenges. Smart Agricultural Technology. 2024; 100625.Overview of Large Scale Map Production with UAV-Based Photogrammetric Technique: A Case Study in Izmir-Cesme Territory of Turkey / Y. Yılmaz, M. Gürtürk, B. Süleymanoğlu, A. Soycan, M. Soycan // Journal of Geography and Cartography. 2023; 6(2): 2164.Yılmaz Y., Gürtürk M., Süleymanoğlu B., Soycan A., Soycan M. Overview of Large Scale Map Production with UAV-Based Photogrammetric Technique: A Case Study in Izmir-Cesme Territory of Turkey. Journal of Geography and Cartography. 2023; 6(2): 2164.A UAV Intelligent System for Greek Power Lines Monitoring / A. Tsellou, G. Livanos, D. Ramnalis, V. Polychronos, G. Plokamakis, M. Zervakis, K. Moirogiorgou // Sensors. 2023; 23(20): 8441.Tsellou A., Livanos G., Ramnalis D., Polychronos V., Plokamakis G., Zervakis M., Moirogiorgou K. A UAV Intelligent System for Greek Power Lines Monitoring. Sensors. 2023; 23(20): 8441.Bellou E., Pisica I., Banitsas K. Aerial Inspection of High-Voltage Power Lines Using YOLOv8 Real-Time Object Detector // Energies. 2024; 17(11): 2535.Bellou E., Pisica I., Banitsas K. Aerial Inspection of High-Voltage Power Lines Using YOLOv8 Real-Time Object Detector. Energies. 2024; 17(11): 2535.UAV Photogrammetry for Mapping and 3D Modeling: Current Status and Future Perspectives / F. Remondino, L. Barazzetti, F. Nex, M. Scaioni, D. Sarazzi // Proceedings of the International Conference on Unmanned Aerial Vehicle in Geomatics (UAV-g). 2011; 25–31.Remondino F., Barazzetti L., Nex F., Scaioni M., Sarazzi D. UAV Photogrammetry for Mapping and 3D Modeling: Current Status and Future Perspectives. Proceedings of the International Conference on Unmanned Aerial Vehicle in Geomatics (UAV-g). 2011; 25–31.Bhowmick S., Nagarajaiah S., Veeraraghavan A. Vision and Deep Learning-Based Algorithms to Detect and Quantify Cracks on Concrete Surfaces from UAV Videos // Sensors. 2020; 20(21): 6299.Bhowmick S., Nagarajaiah S., Veeraraghavan A. Vision and Deep Learning-Based Algorithms to Detect and Quantify Cracks on Concrete Surfaces from UAV Videos. Sensors. 2020; 20(21): 6299.Automatic Measurement of Inclination Angle of Utility Poles Using 2D Image and 3D Point Cloud / L. Chen, J. Chang, J. Xu, Z. Yang // Applied Sciences. 2023; 13(3): 1688.Chen L., Chang J., Xu J., Yang Z. Automatic Measurement of Inclination Angle of Utility Poles Using 2D Image and 3D Point Cloud. Applied Sciences. 2023; 13(3): 1688.Automatic Assessment and Prediction of the Resilience of Utility Poles Using Unmanned Aerial Vehicles and Computer Vision Techniques / M.M. Alam, Z. Zhu, B. Eren Tokgoz, J. Zhang, S. Hwang // International Journal of Disaster Risk Science. 2020; 11: 119–132.Alam M.M., Zhu Z., Eren Tokgoz B., Zhang J., Hwang S. Automatic Assessment and Prediction of the Resilience of Utility Poles Using Unmanned Aerial Vehicles and Computer Vision Techniques. International Journal of Disaster Risk Science. 2020; 11: 119–132.PTTE: Power Tower Tilt Estimation Algorithm Based on LiDAR Point Cloud / F. Chen, Y. Li, F. Shuang, M. Huang // 2023 International Conference on Advanced Robotics and Mechatronics (ICARM). IEEE. 2023; 309–315.Chen F., Li Y., Shuang F., Huang M. PTTE: Power Tower Tilt Estimation Algorithm Based on LiDAR Point Cloud. 2023 International Conference on Advanced Robotics and Mechatronics (ICARM). IEEE. 2023; 309–315.Алгоритм определения наклона опор ЛЭП методами глубокого обучения по видеоданным / О.В. Лимановская, Е.А. Титов, Д.И. Волкова, А.В. Лемех // Вестник Ивановского государственного энергетического университета. 2020; (2): 72–80.Limanovskaya O.V., Titov E.A., Volkova D.I., Lemeh A.V. Algorithm for determining the inclination of power line supports using deep learning methods on video data. Vestnik Ivanovskogo gosudarstvennogo energeticheskogo universiteta = Bulletin of Ivanovo State Power University. 2020; (2): 72–80. (In Russ.).NB-IoT Based Method for Monitoring the Tilt Status of Transmission Towers. Journal of Physics / Y. Zheng, Y. Wu, J. Gao, S. Cui // Conference Series. IOP Publishing. 2021; 2108(1): 012033.Zheng Y., Wu Y., Gao J., Cui S. NB-IoT Based Method for Monitoring the Tilt Status of Transmission Towers. Journal of Physics: Conference Series. IOP Publishing. 2021; 2108(1): 012033.A Transmission Tower Tilt State Assessment Approach Based on Dense Point Cloud from UAV-Based LiDAR / Z. Lu, H. Gong, Q. Jin, Q. Hu, S. Wang // Remote Sensing. 2022; 14(2): 408.Lu Z., Gong H., Jin Q., Hu Q., Wang S. A Transmission Tower Tilt State Assessment Approach Based on Dense Point Cloud from UAV-Based LiDAR. Remote Sensing. 2022; 14(2): 408.Automatic Utility Pole Inclination Angle Measurement Using Unmanned Aerial Vehicle and Deep Learning / Z. Zhu, J. Zhang, M.M. Alam, B.E. Tokgoz, S. Hwang // Proceedings of the Institute of Industrial and Systems Engineers Annual Conference. 2019.Zhu Z., Zhang J., Alam M.M., Tokgoz B.E., Hwang S. Automatic Utility Pole Inclination Angle Measurement Using Unmanned Aerial Vehicle and Deep Learning. Proceedings of the Institute of Industrial and Systems Engineers Annual Conference. 2019.Sun L., et al. Power Tower Tilt Monitoring Method Based on Beidou and Improved YOLOv3. AIoTC. 2022; 58–66.Sun L., Ma C., Hu H., Ni T., Zhang M., Zhang Z. Power Tower Tilt Monitoring Method Based on Beidou and Improved YOLOv3. AIoTC. 2022; 58–66.Yue K. Multi-Sensor Data Fusion for Autonomous Flight of Unmanned Aerial Vehicles in Complex Flight Environments // Drone Systems and Applications. 2024; 12: 1–12.Yue K. Multi-Sensor Data Fusion for Autonomous Flight of Unmanned Aerial Vehicles in Complex Flight Environments. Drone Systems and Applications. 2024; 12: 1–12.Power Transmission Lines Foreign Object Intrusion Detection Method for Drone Aerial Images Based on Improved YOLOv8 Network / H. Sun, Q. Shen, H. Ke, Z. Duan, X. Tang // Drones. 2024; 8(8): 346.Sun H., Shen Q., Ke H., Duan Z., Tang X. Power Transmission Lines Foreign Object Intrusion Detection Method for Drone Aerial Images Based on Improved YOLOv8 Network. Drones. 2024; 8(8): 346.An Improved YOLOv8 Network for Detecting Electric Pylons Based on Optical Satellite Image / X. Chi, Y. Sun, Y. Zhao, D. Lu, Y. Gao, Y. Zhang // Sensors. 2024; 24(12): 4012.Chi X., Sun Y., Zhao Y., Lu D., Gao Y., Zhang Y. An Improved YOLOv8 Network for Detecting Electric Pylons Based on Optical Satellite Image. Sensors. 2024; 24(12): 4012.YOLO-Pose: Enhancing YOLO for Multi-Person Pose Estimation Using Object Keypoint Similarity Loss / D. Maji, S. Nagori, M. Mathew, D. Poddar // Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition. 2022; 2637–2646.Maji D., Nagori S., Mathew M., Poddar D. YOLO-Pose: Enhancing YOLO for Multi-Person Pose Estimation Using Object Keypoint Similarity Loss. In: Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition. 2022; 2637–2646.Farnebäck G. Two-Frame Motion Estimation Based on Polynomial Expansion // Image Analysis: 13th Scandinavian Conference, SCIA 2003, Halmstad, Sweden, June 29–July 2, 2003 Proceedings 13. Springer Berlin Heidelberg. 2003; 363–370.Farnebäck G. Two-Frame Motion Estimation Based on Polynomial Expansion. In: Image Analysis: 13th Scandinavian Conference, SCIA 2003, Halmstad, Sweden, June 29– July 2, 2003 Proceedings 13. Springer Berlin Heidelberg. 2003; 363–370.

The authors declare that there are no conflicts of interest present.