Mehrskalige Fehlererkennungstechnologie für die Oberflächen von Windturbinenschaufeln basierend auf dem SASED-YOLO-Algorithmus

Warum winzige Schäden an riesigen Schaufeln wichtig sind

Moderne Windturbinen verwenden Schaufeln, die länger sind als ein Passagierflugzeug und bei rauem Offshore-Wetter ununterbrochen rotieren. Kleine Abplatzungen, Risse oder lokale Korrosionsstellen auf diesen Schaufeln sehen nicht nur unschön aus — sie können heimlich die Energieerzeugung mindern, die Lebensdauer der Anlagen verkürzen und die Wartungskosten erhöhen. Diese Studie stellt eine neue Computer-Vision-Technik vor, SASED-YOLO, die darauf ausgelegt ist, viele Arten subtiler Oberflächenschäden an Windturbinenschaufeln schnell und genau zu erkennen, selbst wenn die Kennzeichen blass, winzig oder teilweise durch Blendung, Schmutz oder Farbe verdeckt sind.

Von manuellen Kontrollen zu intelligenten Kameras

Traditionell beruhten Schaufelinspektionen auf menschlichen Experten, die an Seilen hängen, oder auf Methoden wie Ultraschall- und Infrarotkameras. Diese Verfahren sind in manchen Fällen wirksam, haben aber Probleme, wenn die Schaufeloberfläche uneben, beschichtet oder verschmutzt ist, und sie können langsam, kostspielig und riskant für die Mitarbeiter sein. In den letzten Jahren haben Deep-Learning-Systeme begonnen, Fotos oder Videos von Drohnen und Kameras zu analysieren und automatisch Rechtecke um Schäden zu ziehen. Eine der erfolgreichsten Systemfamilien heißt YOLO, das Objekte in einem einzigen, schnellen Durchlauf lokalisieren kann. Standardversionen von YOLO haben jedoch weiterhin Schwierigkeiten, sehr kleine Schäden zu erkennen, große Unterschiede in den Schadensgrößen zu bewältigen oder verwirrende Hintergründe wie Wolken, Spiegelungen und Flecken zu ignorieren.

Ein klügerer Blick auf Schaufelschäden

Die Forscher bauen auf dem leichten Modell YOLOv8s auf und formen es zu SASED-YOLO um, indem sie mehrere neue Komponenten ergänzen, die speziell auf die Herausforderungen der Schaufelinspektion abzielen. Erstens hilft ein kollaboratives Aufmerksamkeitsmodul dem Netz, sich auf wahrscheinliche Schadensbereiche zu „konzentrieren“ und gleichzeitig Himmel, Turm oder saubere Schaufelbereiche abzuschwächen. Es tut dies, indem es das Bild sowohl räumlich (wo auf der Schaufel) als auch kanalübergreifend (welche Art von Textur oder Farbe) betrachtet und lokale sowie globale Hinweise kombiniert. Zweitens ermöglicht ein Mehrskaliges-Pooling-Modul dem System, Schäden durch verschiedene „Fenster“ zu betrachten, von winzigen Flecken bis zu größeren Schaufelbereichen, und diese Informationen dann zu verschmelzen, sodass lange Risse, verstreute Grübchen und kleine Punkte gleichermaßen klar repräsentiert werden. Drittens wird ein adaptiver Downsampling-Block eingeführt, damit die Verkleinerung von Bildern zur Einsparung von Rechenzeit nicht feine Kanten und subtile Streifen verwirft, die oft frühe Schäden kennzeichnen.

Aufbau und Prüfung einer realistischen Fehlerbibliothek

Um ihren Ansatz rigoros zu testen, stellten die Autoren ihren eigenen Datensatz für Windturbinenschaufeln zusammen, WTBD818-DET, weil vorhandene öffentliche Sammlungen zu begrenzt waren. Er enthält 7.374 Bilder mit acht Arten von Oberflächenproblemen, darunter Risse, Aufprallverletzungen, Korrosion, Blitzschäden, Ölflecken, Craquelé, angehängte Objekte und „surface eyes“ (kleine lokalisierte Fehler). Die Bilder wurden sorgfältig beschriftet, um nicht nur anzugeben, welche Fehlertypen vorhanden sind, sondern auch genau, wo sie sich auf der Schaufel befinden. Die Schäden variieren stark in Größe und Erscheinungsbild, und einige Kategorien haben sehr wenige Beispiele, was die Aufgabe den realen Industriebedingungen annähert. Die Forscher trainierten SASED-YOLO und eine Reihe anderer führender Erkennungsmodelle unter gleichen Bedingungen und verglichen dann, wie viele Fehler jedes System fand, wie oft sie richtig lagen und wie schnell sie arbeiteten.

Scharfere Augen als frühere Detektoren

Auf dem Schaufeldatensatz erreichte SASED-YOLO eine mittlere durchschnittliche Präzision — ein Gesamtmaß der Erkennungsqualität — von 87,7 Prozent, rund 10,5 Prozentpunkte höher als das Basismodell YOLOv8s und deutlich vor anderen fortgeschrittenen Systemen wie RT-DETR, Mamba und den neuesten YOLO-Varianten. Besonders stark war es beim Herausfiltern feinkörniger Schäden wie Haarrisse, kleine Korrosionsstellen und subtile Ölschichten, die andere Modelle häufig übersehen oder mit Hintergrundrauschen verwechseln. Visuelle Vergleiche zeigen, dass SASED-YOLO sauberere Begrenzungsrahmen um Schäden erzeugt und weniger Fehlalarme bei harmlosen Streifen oder Spiegelungen auslöst. Um zu prüfen, ob die Methode über die Windenergie hinaus generalisieren kann, wendeten die Autoren sie auch auf einen öffentlichen Schweißfehler-Datensatz an und stellten erneut fest, dass sie mehrere aktuelle State-of-the-Art-Detektoren übertraf.

Was das für zukünftige Windparks bedeutet

Für Nichtfachleute ist die Kernbotschaft, dass diese Arbeit die „Augen“ automatisierter Inspektionssysteme für Windturbinen deutlich verbessert. Durch die Kombination von Aufmerksamkeitsmechanismen, Mehrskalenbetrachtung und sorgfältiger Behandlung von Details kann SASED-YOLO kleinere oder komplexe Oberflächenprobleme zuverlässiger markieren, bevor sie zu kostspieligen Ausfällen heranwachsen. Obwohl das Modell etwas langsamer läuft als die schnellsten Echtzeitdetektoren, machen seine Genauigkeitsgewinne es gut geeignet für periodische drohnenbasierte Surveys oder Offline-Analysen. Mit weiterer Optimierung könnten Ansätze wie dieser dazu beitragen, Offshore-Windparks sicherer und effizienter zu betreiben und so die Zuverlässigkeit und Kosteneffizienz sauberer Energie still zu verbessern.

Zitation: Lv, F., Wang, R., Wang, Y. et al. Multi-scale defect detection technology for wind turbine blade surfaces based on the SASED-YOLO algorithm. Sci Rep 16, 7334 (2026). https://doi.org/10.1038/s41598-026-37780-9

Schlüsselwörter: Inspektion von Windturbinen, Erkennung von Oberflächenfehlern, Tiefes Lernen, Computer Vision, Offshore-Windenergie