Multiklassen-Datensatz zur intelligenten Erkennung von Rotorblattdefekten mit Drohnenaufnahmen

Überwachung riesiger Windkraftanlagen

Windturbinen drehen sich leise auf Feldern und Offshore-Flächen und tragen zur Versorgung unserer Haushalte mit sauberer Energie bei. Ihre langen Rotorblätter sind jedoch Sonne, Regen, Salz, Sand und sogar Blitzeinwirkung ausgesetzt, und kleine Mängel können sich zu ernsthaften Schäden entwickeln. Das Besteigen dieser riesigen Anlagen zur Schadenssuche ist langsam und riskant. Diese Studie stellt einen neuen Ansatz vor, um Computern zu helfen, Blattprobleme frühzeitig zu erkennen, mithilfe einer sorgfältig zusammengestellten Sammlung von Drohnenfotos, die reale Defekte in feinen Details erfassen.

Warum Defekte an Rotorblättern wichtig sind

Moderne Windparks sind auf Tausende von sich drehenden Blättern angewiesen, die rund um die Uhr sicher arbeiten. Jeder Riss, jede abgenutzte Stelle oder versteckte Kratzspur kann die Effizienz verringern oder im schlimmsten Fall zu gefährlichen Ausfällen und kostspieligen Stillständen führen. Inspektoren nutzen zunehmend Drohnen, um Blätter aus der Ferne zu fotografieren, doch Computern beizubringen, viele verschiedene Arten von Schäden in diesen Bildern zu erkennen, erfordert große, gut annotierte Beispielsammlungen. Bestehende Bilddatensätze waren entweder zu klein oder konzentrierten sich nur auf ein oder zwei Schadensarten, was die Intelligenz und Zuverlässigkeit von Inspektionssoftware einschränkte.

Aufbau einer reichhaltigen Luftbildbibliothek

Die Autoren erstellten den Datensatz Wind Turbine Blade Defect (WTBD), um diese Lücke zu schließen. Mit einer kamerabestückten Drohne flogen sie auf einem Küstenwindpark in der Nähe von Shanghai nahe an in Betrieb befindliche Turbinen heran und erfassten etwa 2.500 hochauflösende Fotos unter verschiedenen Wetter- und Lichtbedingungen. Nach dem Aussortieren von unscharfen Bildern und solchen ohne sichtbare Schäden behielten sie 1.065 klare Aufnahmen und standardisierten sie auf ein quadratisches Format, das für die maschinelle Analyse geeignet ist. Jedes Bild zeigt reale Blätter mit natürlichen Hintergründen wie Himmel und Wolken und bewahrt somit die unordentlichen Bedingungen, denen Inspektionssysteme im Feld ausgesetzt sind.

Sechs Arten, wie ein Blatt beschädigt werden kann

Statt sich nur darauf zu stützen, wo Schäden auftraten, gruppierte das Team Defekte nach ihrem tatsächlichen Erscheinungsbild. Auf Basis ingenieurtechnischer Erfahrung und dessen, was aus der Luft sichtbar ist, definierten sie sechs gängige Kategorien: feine Oberflächenrisse, tiefere Brüche, Korrosion durch Sand und Salz, Beschichtungsabschürfungen und -ablösungen, subtile Haarrissfehler und markante, brandähnliche Schäden durch Blitzeinschläge. Menschliche Experten nutzten ein spezialisiertes Zeichentool, um jede beschädigte Region mit einer Box zu umreißen und einer dieser sechs Gruppen zuzuordnen. Zwei unabhängige Annotatoren bearbeiteten die Bilder, und Uneinigkeiten wurden in Diskussionen geklärt, was zu 1.568 präzise markierten Schadensbereichen führte. Eine statistische Überprüfung zeigte eine sehr hohe Übereinstimmung, was Vertrauen in die Zuverlässigkeit der Labels gibt.

Bewertung der Schwierigkeit der Bilder

Um zu prüfen, wie anspruchsvoll dieser Datensatz für Computer-Vision-Systeme ist, untersuchten die Forschenden die Muster innerhalb jeder markierten Region mit etablierten Bildbeschreibern, die Textur- und Kantendaten erfassen. Sie projizierten diese Messwerte anschließend in eine zweidimensionale Karte, die zeigt, wie ähnlich verschiedene Defekte für einen Computer erscheinen. Die Ergebnisse zeigten, dass Beispiele derselben Kategorie je nach Blickwinkel, Entfernung und Beleuchtung überraschend unterschiedlich aussehen können, während verschiedene Kategorien im selben Bereich dieser Karte zusammenrücken können. Das bedeutet, dass einfache visuelle Hinweise oft nicht ausreichen, um eine Schadensart eindeutig von einer anderen zu unterscheiden. Die Bilder enthalten außerdem viele kleine Ziele und mehrere Defekte in einer Aufnahme, was die reale Situation bei Windparkinspektionen realistisch widerspiegelt.

Ein neuer Testbereich für intelligentere Inspektionen

Durch die Veröffentlichung der WTBD-Sammlung als offene Daten zusammen mit Code und empfohlenen Aufteilungsstrategien in Trainings- und Testmengen bieten die Autoren einen rigorosen Spielplatz für Entwickler fortschrittlicher Erkennungsalgorithmen. Für Nicht‑Spezialisten lautet die Kernbotschaft, dass dieser Datensatz reale, vielfältige und mitunter verwirrende Rotorblattschäden in einer Form erfasst, aus der Maschinen lernen können. Er sollte die Entwicklung von KI-Werkzeugen beschleunigen, die Drohnenaufnahmen durchforsten, frühzeitig riskante Defekte melden und letztlich dazu beitragen, dass Windturbinen länger sicher und effizient weiterlaufen.

Zitation: Ji, L., Cheng, J. & Wu, S. Multiclass Dataset for Intelligent Detection of Wind Turbine Blade Defects Using Drone Imagery. Sci Data 13, 396 (2026). https://doi.org/10.1038/s41597-026-06762-x

Schlüsselwörter: Rotorschaufeln von Windturbinen, Drohneninspektion, Oberflächendefekte, Computer Vision, Wartung erneuerbarer Energien