Elektrik enerjisinin iletimi ve dağıtımı, modern toplumların işleyişinde hayati bir rol oynamaktadır. Bu enerjinin güvenli ve kesintisiz bir şekilde taşınması, elektrik sistemlerinin sağlıklı bir şekilde çalışmasıyla mümkün olmaktadır. Ancak, elektrik iletim hatlarındaki kusurlar, sistemde arızalara ve enerji kesintilerine neden olabilmektedir. İzolatör kusurları, elektrik hatlarındaki en yaygın arızalar arasında yer almaktadır. Bu kusurlar, genellikle izolatör yüzeyindeki çatlaklar, kırıklar, erozyon veya kimyasal bozulmalar şeklinde ortaya çıkmaktadır. Son yıllarda, yapay zeka ve makine öğrenmesi teknikleri, izolatör kusurlarının belirlenmesi için alternatif bir çözüm sunmuştur. Bu alanda transfer öğrenme, özellikle dikkat çeken bir yaklaşım olarak ön plana çıkmaktadır. Bu yaklaşım, izolatör kusurlarının tespitinde kullanılan verilerden öğrenilen bilgilerin, yeni bir izolatördeki kusurların belirlenmesinde kullanılmasına olanak sağlamaktadır. Bu çalışmada izolatör görüntülerinden transfer öğrenme yaklaşımı kullanılarak izolatör türü ve sağlamlık durumu (normal/kusurlu) tespiti yapılmıştır. Bu problemlerin verimli çözümü için Çoklu Öğrenme yaklaşımı dikkate alınmıştır. Bu durumlar literatürde yaygın olarak kullanılan çok sınıflı görüntü veri setlerinde iyi başarımlar gösteren AlexNet, ResNet50 ve GoogLeNet gibi mimarilere giriş olarak uygulanmıştır. İzolatörün sağlamlık durumunun tespitinde en iyi doğruluk oranına % 97.674 ile AlexNet ve ResNe50 mimarilerinde ulaşılmıştır. İzolatör türünün belirlenmesinde en iyi doğruluk oranına % 90.698 ile ResNe50 mimarisinde ulaşılmıştır.
The transmission and distribution of electrical energy play a vital role in the functioning of modern societies. The safe and uninterrupted transportation of this energy is made possible by the healthy operation of electrical systems. However, defects in electricity transmission lines can cause malfunctions in the system and even power outages. Insulator defects are among the most common defects in power lines. These defects usually occur in the form of cracks, fractures, erosion, or chemical distortions on the insulator surface. In recent years, artificial intelligence and machine learning techniques have provided an alternative solution for the determination of insulator defects. Transfer learning comes to the fore in this field as an approach that attracts particular attention. This approach allows the information learned from the data used in the detection of insulator defects to be used in the determination of defects in a new insulator. In this study, the type of insulator and the state of robustness (normal or defective) were determined using the transfer learning approach from the insulator images. A Multiple Learning approach has been taken into account for the efficient solution of these problems. These cases have been applied as an introduction to architectures such as AlexNet, ResNet50, and GoogLeNet, which show good performance in multi-class image datasets widely used in the literature. The best accuracy rate in determining the stability status of the insulator was reached in the AlexNet and ResNe50 architectures with 97.674%. The best accuracy rate in determining the insulator type was reached in ResNe50 architecture with 90.698%.
