Technologie de détection des défauts multi-échelle pour les surfaces d’éoliennes basée sur l’algorithme SASED-YOLO

Pourquoi de petites imperfections sur de gigantesques pales comptent

Les éoliennes modernes reposent sur des pales plus longues qu’un avion de ligne, tournant en continu dans des conditions marines difficiles. De petites éclats, fissures ou zones de corrosion sur ces pales ne se contentent pas d’être inesthétiques : ils peuvent réduire silencieusement la production d’énergie, raccourcir la durée de vie des équipements et augmenter les coûts de maintenance. Cette étude présente une nouvelle technique de vision par ordinateur, SASED-YOLO, conçue pour détecter rapidement et avec précision de nombreux types de dommages subtils sur la surface des pales, même lorsque les marques sont peu visibles, réduites ou partiellement masquées par l’éblouissement, la saleté ou la peinture.

Des contrôles manuels aux caméras intelligentes

Traditionnellement, les inspections de pales reposent sur des experts humains suspendus à des cordes ou sur des outils comme l’ultrason et les caméras infrarouges. Bien que ces méthodes soient efficaces dans certains cas, elles peinent lorsque la surface de la pale est irrégulière, revêtue ou sale, et elles peuvent être lentes, coûteuses et dangereuses pour le personnel. Ces dernières années, des systèmes d’apprentissage profond ont commencé à analyser des photos ou vidéos prises par drones et caméras, encadrant automatiquement les défauts. L’une des familles de modèles les plus performantes s’appelle YOLO, capable de localiser des objets en une seule passe rapide de l’image. Cependant, les versions standards de YOLO éprouvent encore des difficultés à détecter des défauts très petits, à gérer de larges variations de taille des défauts ou à ignorer des arrière-plans confus comme les nuages, les reflets et les taches.

Une manière plus intelligente d’observer les dégâts sur les pales

Les chercheurs partent du modèle léger YOLOv8s et le transforment en SASED-YOLO, en ajoutant plusieurs composants ciblant les défis spécifiques de l’inspection des pales. Premièrement, un module d’attention collaborative aide le réseau à « se concentrer » sur les régions susceptibles de présenter des défauts tout en minimisant l’importance du ciel, des mâts ou des zones propres de la pale. Il fait cela en analysant l’image à la fois dans l’espace (où sur la pale) et à travers les canaux (quel type de texture ou de couleur), en combinant indices locaux et globaux. Deuxièmement, un module de pooling multi-échelle permet au système d’observer les défauts à travers différentes « fenêtres », des petites taches aux larges zones de la pale, puis de fusionner ces informations pour représenter clairement les fissures longues, les points dispersés et les petites taches. Troisièmement, un bloc d’échantillonnage adaptatif est introduit afin que la réduction des images pour économiser du calcul ne supprime pas les bords fins et les stries subtiles qui signalent souvent des dommages précoces.

Construire et tester une bibliothèque de défauts réaliste

Pour tester rigoureusement leur approche, l’équipe a constitué son propre jeu de données de pales d’éolienne, WTBD818-DET, car les collections publiques existantes étaient trop limitées. Il contient 7 374 images avec huit types de problèmes de surface, incluant fissures, impacts, corrosion, coups de foudre, taches d’huile, crazing, objets attachés et « yeux » de surface (petits défauts localisés). Les images ont été étiquetées avec soin pour indiquer non seulement quel défaut est présent, mais aussi où exactement il se situe sur la pale. Les défauts varient énormément en taille et en apparence, et certaines catégories comptent très peu d’exemples, rendant la tâche proche des conditions industrielles réelles. Les chercheurs ont entraîné SASED-YOLO et une série d’autres modèles de détection de pointe dans les mêmes conditions, puis ont comparé le nombre de défauts détectés par chaque système, leur précision et leur vitesse d’exécution.

Une acuité supérieure aux détecteurs précédents

Sur le jeu de données de pales, SASED-YOLO a atteint une précision moyenne (mean average precision) de 87,7 %, une performance supérieure d’environ 10,5 points de pourcentage par rapport au modèle de référence YOLOv8s et nettement devant d’autres systèmes avancés tels que RT-DETR, Mamba et les dernières variantes de YOLO. Il s’est montré particulièrement performant pour repérer des défauts fins comme les fissures capillaires, petites taches de corrosion et films d’huile subtils que d’autres modèles avaient tendance à manquer ou à confondre avec le bruit d’arrière-plan. Les comparaisons visuelles montrent que SASED-YOLO produit des boîtes englobantes plus nettes autour des dommages et moins de fausses alertes sur des stries inoffensives ou des reflets. Pour vérifier la capacité de généralisation au-delà de l’éolien, les auteurs l’ont également appliqué à un jeu de données public de défauts de soudure et ont de nouveau constaté qu’il surpassait plusieurs détecteurs de pointe actuels.

Ce que cela signifie pour les fermes éoliennes futures

Pour les non-spécialistes, le message principal est que ce travail améliore sensiblement les « yeux » des systèmes d’inspection automatisés pour éoliennes. En combinant attention, observation multi-échelle et préservation des détails, SASED-YOLO peut signaler de manière plus fiable des problèmes de surface petits ou complexes avant qu’ils n’évoluent en pannes coûteuses. Même si le modèle est légèrement plus lent que les détecteurs temps réel les plus rapides, ses gains de précision le rendent bien adapté aux relevés périodiques par drone ou à l’analyse hors ligne. Avec une optimisation supplémentaire, des approches de ce type pourraient contribuer à maintenir les parcs éoliens en mer sûrs et efficaces, améliorant discrètement la fiabilité et la rentabilité de l’énergie propre.

Citation: 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

Mots-clés: inspection d’éoliennes, détection de défauts de surface, apprentissage profond, vision par ordinateur, énergie éolienne en mer