Jeu de données multiclasses pour la détection intelligente des défauts des pales d’éolienne à partir d’images de drone

Surveiller les immenses machines éoliennes

Les éoliennes tournent silencieusement dans les terres et en mer, contribuant à alimenter nos foyers en énergie propre. Mais leurs longues pales sont exposées au soleil, à la pluie, au sel, au sable et même à la foudre, et de petits défauts peuvent se transformer en dommages sérieux. Grimper sur ces structures gigantesques pour chercher des problèmes est lent et risqué. Cette étude présente une nouvelle méthode pour aider les ordinateurs à repérer tôt les problèmes de pales, en s’appuyant sur une collection soigneusement constituée de photos prises par drone qui montrent des défauts réels avec un grand niveau de détail.

Pourquoi les défauts de pales comptent

Les parcelles éoliennes modernes dépendent de milliers de pales en rotation qui doivent fonctionner en toute sécurité 24 heures sur 24. Toute fissure, zone usée ou rayure cachée peut réduire l’efficacité ou, dans le pire des cas, entraîner des ruptures dangereuses et des arrêts coûteux. Les inspecteurs ont commencé à utiliser des drones pour photographier les pales à distance, mais apprendre aux ordinateurs à reconnaître de nombreux types de défauts dans ces images nécessite de grands jeux d’exemples bien étiquetés. Les ensembles d’images existants étaient soit trop petits, soit centrés sur un ou deux types de dommages seulement, limitant les performances et la fiabilité des logiciels d’inspection.

Constituer une riche bibliothèque d’images depuis les airs

Les auteurs ont créé le jeu de données Wind Turbine Blade Defect (WTBD) pour combler cette lacune. À l’aide d’un drone équipé d’une caméra sur un parc éolien côtier près de Shanghai, ils ont survolé des turbines en fonctionnement et pris environ 2 500 photos haute résolution sous différentes conditions météorologiques et d’éclairage. Après avoir écarté les images floues et celles sans dommage visible, ils ont conservé 1 065 photos nettes et les ont standardisées au format carré adapté à l’analyse par ordinateur. Chaque image montre des pales réelles avec des arrière-plans naturels comme le ciel et les nuages, conservant les conditions difficiles que doivent affronter les systèmes d’inspection sur le terrain.

Six manières dont une pale peut être endommagée

Plutôt que de se fier uniquement à l’emplacement des dommages, l’équipe a regroupé les défauts selon leur apparence. Forts de l’expérience en ingénierie et de ce qui est visible depuis les airs, ils ont défini six catégories courantes : microfissures de surface, ruptures plus profondes, corrosion due au sable et au sel, éraflures et décollements du revêtement, défauts capillaires subtils, et marques nettes ressemblant à des brûlures causées par la foudre. Des experts humains ont ensuite utilisé un outil de dessin spécialisé pour entourer chaque zone endommagée par une boîte et l’assigner à l’une de ces six classes. Deux annotateurs indépendants ont passé en revue les images et les désaccords ont été résolus par discussion, aboutissant à 1 568 zones de défaut précisément marquées. Un contrôle statistique a montré que leur accord était très élevé, ce qui donne confiance dans la fiabilité des étiquettes.

Évaluer la difficulté des images

Pour mesurer la difficulté que représente ce jeu de données pour les systèmes de vision par ordinateur, les chercheurs ont analysé les motifs à l’intérieur de chaque région marquée en utilisant des descripteurs d’image établis qui capturent la texture et les contours. Ils ont ensuite projeté ces mesures dans une carte bidimensionnelle montrant la similarité perçue entre différents défauts pour un ordinateur. Les résultats ont révélé que des exemples de la même catégorie peuvent paraître étonnamment différents selon l’angle de vue, la distance et l’éclairage, tandis que des catégories différentes peuvent se retrouver regroupées dans la même zone de la carte. Cela signifie que des indices visuels simples ne suffisent souvent pas pour distinguer un type de dommage d’un autre. Les images contiennent également de nombreuses cibles de petite taille et plusieurs défauts sur une même prise, reflétant fidèlement ce qui se passe lors des inspections réelles de parcs éoliens.

Une nouvelle plateforme d’essai pour des inspections plus intelligentes

En publiant la collection WTBD en données ouvertes, accompagnée du code et de recommandations pour diviser les images en ensembles d’entraînement et de test, les auteurs fournissent un terrain d’essai rigoureux pour les développeurs d’algorithmes de détection avancés. Pour les non-spécialistes, l’essentiel est que ce jeu de données capture des dommages de pales réels, variés et parfois déroutants, de manière exploitable par des ordinateurs. Il devrait accélérer la création d’outils d’IA qui analysent les vidéos de drone, signalent précocement les défauts à risque et, en fin de compte, contribuent à maintenir les éoliennes en fonctionnement plus longtemps, en toute sécurité et avec davantage d’efficacité.

Citation: 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

Mots-clés: pales d’éolienne, inspection par drone, défauts de surface, vision par ordinateur, maintenance des énergies renouvelables