商傳媒｜林昭衡／綜合外電報導

根據科技媒體《Bioengineer.org》報導，一項新開發的人工智慧（AI）方法 DFEN（Dual Fusion Enhancement Net），能有效提升電力網低光源圖像的清晰度，解決色彩偏差與雜訊問題，對於強化基礎設施監測與智慧電網的穩定運作至關重要。

現行的電力網檢測主要依賴監控設備捕捉的圖像，再由人員審查或電腦視覺系統進行分析。然而，在夜間或惡劣天氣下，這些圖像常因光線不足而模糊，導致對比度降低及色彩失真，不僅影響人眼判讀，也降低自動化系統的辨識精準度。這款 AI 模型正能改善此類「低光源電力網圖像」的具體應用場景，例如協助夜間巡檢輸電線路與變電站，確保電力供應穩定。

DFEN 模型採用獨特的雙 U 型網路架構，分為兩個連續階段：首先進行亮度調整，接著修正細節，這與數位相機的成像流程相似。該模型還整合了雙分支特徵融合模組，能夠重建相同尺度的特徵，有效保留圖像的高解析度資訊與紋理細節。此外，其可學習的正規化注意力模組，能透過提取照明圖來引導自適應調整，避免亮區過度曝光，並區分亮度相近但顏色不同的區域。

研究團隊在公開數據集以及專為電力檢查場景設計的 Dark Grids 數據集上測試 DFEN。Dark Grids 數據集包含 530 組訓練樣本與 103 組測試樣本，圖像解析度為 1224x1024 像素。DFEN 在結構相似性指標、峰值信噪比和亮度順序誤差等關鍵指標上，均優於其他十三種主流的低光源增強方法。其中，最輕量版的 DFEN 模型在 RTX 3090 圖形處理器（GPU）上，處理 1224x1024 像素圖像時，每秒可達 11 幀的速度。

未來，研究人員將探索無監督訓練策略，以減少對配對數據集的依賴，並計畫將 DFEN 模型部署到邊緣運算平台，實現更廣泛的實地應用。這項技術的發展，對於提升電力基礎設施的維護效率、強化電網韌性，以及推動能源轉型下的智慧電網發展，都具有重要的啟示意義。