Conjunto de datos multiclase para la detección inteligente de defectos en palas eólicas mediante imágenes de drones

Vigilando a los gigantes del viento

Los aerogeneradores giran silenciosamente en campos y en alta mar, ayudando a abastecer nuestros hogares con energía limpia. Pero sus largas palas están expuestas al sol, la lluvia, la sal, la arena e incluso al rayo, y pequeños defectos pueden convertirse en daños serios. Escalar estas enormes estructuras para buscar problemas es lento y arriesgado. Este estudio presenta una nueva forma de ayudar a los ordenadores a detectar a tiempo los problemas en las palas, usando una colección cuidadosamente elaborada de fotos de drones que capturan defectos reales con gran detalle.

Por qué importan los defectos en las palas

Los parques eólicos modernos dependen de miles de palas girando de manera segura las 24 horas. Cualquier grieta, zona desgastada o arañazo oculto puede reducir la eficiencia o, en el peor de los casos, provocar fallos peligrosos y costosos paros. Los inspectores han empezado a usar drones para fotografiar las palas desde la distancia, pero enseñar a los ordenadores a reconocer muchos tipos distintos de defectos en estas imágenes requiere colecciones grandes y bien etiquetadas de ejemplos. Los conjuntos de imágenes existentes eran o bien demasiado pequeños o se centraban en uno o dos tipos de daño, lo que limitaba la eficacia y la fiabilidad del software de inspección.

Construyendo una biblioteca visual rica desde el aire

Los autores crearon el conjunto de datos Wind Turbine Blade Defect (WTBD) para cubrir esta laguna. Con un dron equipado con cámara en un parque eólico costero cercano a Shanghái, volaron cerca de aerogeneradores en funcionamiento y capturaron alrededor de 2.500 fotos de alta resolución bajo distintas condiciones meteorológicas y de iluminación. Tras descartar imágenes borrosas y aquellas sin daños visibles, conservaron 1.065 fotos nítidas y las estandarizaron a un formato cuadrado adecuado para el análisis por ordenador. Cada imagen muestra palas reales con fondos naturales como cielo y nubes, preservando las condiciones desordenadas que los sistemas de inspección deben afrontar en el terreno.

Seis formas en que una pala puede dañarse

En lugar de basarse únicamente en la ubicación del daño, el equipo agrupó los defectos según su aspecto. Usando experiencia ingenieril y lo que es visible desde el aire, definieron seis categorías comunes: fisuras finas en la superficie, roturas más profundas, corrosión por arena y sal, roces y desprendimiento del recubrimiento, defectos sutiles tipo línea de cabello y marcas bien definidas similares a quemaduras por impactos de rayo. Expertos humanos usaron luego una herramienta de dibujo especializada para delinear cada región dañada con un rectángulo y asignarla a una de estas seis categorías. Dos anotadores independientes revisaron las imágenes y las discrepancias se resolvieron mediante discusión, resultando en 1.568 áreas defectuosas marcadas con precisión. Una comprobación estadística mostró que su acuerdo fue muy alto, lo que da confianza en la fiabilidad de las etiquetas.

Poniendo a prueba lo exigentes que son las imágenes

Para evaluar lo exigente que es este conjunto de datos para los sistemas de visión por computador, los investigadores analizaron los patrones dentro de cada región marcada usando descriptores de imagen establecidos que capturan información de textura y bordes. Luego proyectaron estas mediciones en un mapa bidimensional que muestra cómo de similares aparecen distintos defectos a un ordenador. Los resultados revelaron que ejemplos de la misma categoría pueden parecer sorprendentemente distintos según el ángulo de visión, la distancia y la iluminación, mientras que categorías diferentes pueden agruparse juntas en la misma zona de este mapa. Esto significa que las pistas visuales simples a menudo no son suficientes para distinguir un tipo de daño de otro. Las imágenes también contienen muchos objetivos pequeños y múltiples defectos en una sola toma, reflejando fielmente lo que sucede en inspecciones reales de parques eólicos.

Un nuevo banco de pruebas para inspecciones más inteligentes

Al publicar la colección WTBD como datos abiertos, junto con el código y recomendaciones sobre cómo dividir las imágenes en conjuntos de entrenamiento y prueba, los autores ofrecen un campo de pruebas riguroso para desarrolladores de algoritmos avanzados de detección. Para el público no especializado, la conclusión clave es que este conjunto de datos captura daños reales, variados y a veces confusos en las palas de un modo del que los ordenadores pueden aprender. Debería ayudar a acelerar la creación de herramientas de IA que analicen imágenes de drones, señalen defectos riesgosos de forma temprana y, en última instancia, mantengan los aerogeneradores girando de forma segura y eficiente durante más tiempo.

Cita: 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

Palabras clave: palas de aerogenerador, inspección con drones, defectos de superficie, visión por computador, mantenimiento de energías renovables