Tecnología de detección de defectos a múltiples escalas en superficies de palas eólicas basada en el algoritmo SASED-YOLO

Por qué importan las pequeñas imperfecciones en palas gigantes

Los aerogeneradores modernos dependen de palas más largas que un avión de pasajeros, que giran sin cesar en condiciones climáticas duras en alta mar. Las pequeñas muescas, grietas o manchas de corrosión en estas palas no solo afean su aspecto: pueden reducir silenciosamente la generación de energía, acortar la vida útil del equipo y elevar los costes de mantenimiento. Este estudio presenta una nueva técnica de visión por ordenador, SASED-YOLO, diseñada para detectar con rapidez y precisión muchos tipos de daños superficiales sutiles en palas eólicas, incluso cuando las señales son tenues, diminutas o están parcialmente ocultas por reflejos, suciedad o pintura.

De las inspecciones manuales a las cámaras inteligentes

Tradicionalmente, las inspecciones de palas han dependido de expertos humanos colgando de cuerdas o del uso de herramientas como ultrasonidos y cámaras infrarrojas. Aunque efectivos en algunos casos, estos métodos tienen dificultades cuando la superficie de la pala es irregular, está recubierta o sucia, y pueden ser lentos, costosos y peligrosos para los trabajadores. En los últimos años, los sistemas de aprendizaje profundo han empezado a analizar fotos o vídeos tomados por drones y cámaras, dibujando automáticamente cuadros alrededor de los defectos. Una de las familias más exitosas de estos sistemas se llama YOLO, que puede localizar objetos en una sola pasada rápida por la imagen. Sin embargo, las versiones estándar de YOLO siguen teniendo problemas para detectar defectos muy pequeños, manejar grandes diferencias en el tamaño de los defectos o ignorar fondos confusos como nubes, reflejos y manchas.

Una forma más inteligente de ver el daño en las palas

Los investigadores parten del modelo ligero YOLOv8s y lo reconfiguran como SASED-YOLO, añadiendo varios componentes nuevos dirigidos a los retos específicos de la inspección de palas. Primero, un módulo de atención colaborativa ayuda a la red a “centrarse” en las regiones con probabilidad de defecto, minimizando la atención en el cielo, la torre o las zonas limpias de la pala. Esto lo logra analizando la imagen tanto en el espacio (dónde en la pala) como en los canales (qué tipo de textura o color) y combinando indicios locales y globales. Segundo, un módulo de agrupamiento a múltiples escalas permite al sistema ver los defectos a través de diferentes “ventanas”, desde parches diminutos hasta áreas más amplias de la pala, y fusionar esa información para representar con claridad tanto grietas largas como picaduras dispersas y manchas pequeñas. Tercero, se introduce un bloque de muestreo descendente adaptativo para que reducir la escala de las imágenes para ahorrar cómputo no elimine los bordes finos y las vetas sutiles que a menudo señalan daños tempranos.

Construcción y prueba de un catálogo realista de defectos

Para evaluar rigurosamente su enfoque, el equipo reunió su propio conjunto de datos de palas eólicas, WTBD818-DET, porque las colecciones públicas existentes eran demasiado limitadas. Contiene 7.374 imágenes con ocho tipos de problemas superficiales, incluyendo grietas, daños por impacto, corrosión, descargas por rayo, manchas de aceite, cuarteado, objetos adheridos y ojos en la superficie (pequeñas imperfecciones localizadas). Las imágenes fueron etiquetadas cuidadosamente para marcar no solo qué defecto está presente, sino exactamente dónde se sitúa en la pala. Los defectos varían enormemente en tamaño y apariencia, y algunas categorías cuentan con muy pocos ejemplos, lo que acerca la tarea a condiciones industriales reales. Los investigadores entrenaron SASED-YOLO y varios otros modelos líderes de detección bajo las mismas condiciones, y compararon cuántos defectos encontraba cada sistema, con qué frecuencia eran correctos y la velocidad de ejecución.

Ojos más agudos que los detectores anteriores

En el conjunto de datos de palas, SASED-YOLO alcanzó una precisión media (mAP), una medida global de la calidad de detección, del 87,7 por ciento, unos 10,5 puntos porcentuales por encima del modelo base YOLOv8s y claramente por delante de otros sistemas avanzados como RT-DETR, Mamba y las últimas variantes de YOLO. Fue especialmente eficaz en la detección de defectos de grano fino, como grietas capilares, pequeñas manchas de corrosión y finas películas de aceite que otros modelos tendían a pasar por alto o a confundir con ruido de fondo. Las comparaciones visuales muestran que SASED-YOLO genera cuadros delimitadores más limpios alrededor del daño y menos falsas alarmas ante vetas o reflejos inocuos. Para comprobar si el método podía generalizar más allá de la energía eólica, los autores también lo aplicaron a un conjunto de datos público de defectos de soldadura y volvieron a encontrar que superaba a varios detectores de última generación.

Qué significa esto para los parques eólicos del futuro

Para el público no especializado, el mensaje clave es que este trabajo mejora de forma significativa los “ojos” de los sistemas de inspección automatizada para aerogeneradores. Al combinar atención, visión a múltiples escalas y manejo cuidadoso del detalle, SASED-YOLO puede señalar con más fiabilidad problemas superficiales pequeños o complejos antes de que se conviertan en fallos costosos. Aunque el modelo funciona algo más lento que los detectores en tiempo real más rápidos, sus ganancias en precisión lo hacen adecuado para inspecciones periódicas con drones o análisis fuera de línea. Con más optimización, enfoques como este podrían ayudar a mantener los parques eólicos marinos funcionando de forma segura y eficiente, mejorando discretamente la fiabilidad y la rentabilidad de la energía limpia.

Cita: 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

Palabras clave: inspección de aerogeneradores, detección de defectos en superficies, aprendizaje profundo, visión por ordenador, energía eólica en alta mar