מאגר רב-מחלקתי לגילוי חכם של פגמים בכנפי טורבינת רוח באמצעות תמונות רחפן

השגחה על מכונות רוח ענקיות

טורבינות רוח מסתובבות בשקט בשדות ובמים הימיים, ותורמות להפעלת בתינוּת באנרגיה נקייה. אבל הלהבים הארוכים שלהן חשופים לשמש, לגשם, למלח, לחול ואפילו לברקים, ופגמים קטנים עלולים להתפתח לנזקים משמעותיים. טיפוס על מבנים עצומים אלה לצורך בדיקה הוא איטי ומסוכן. מחקר זה מציג גישה חדשה המסייעת למחשבים לזהות בעיות בלהבים בזמן מוקדם, באמצעות אוסף צילומי רחפן בנייה קפדנית שתופס פגמים אמיתיים בפרטנות גבוהה.

מדוע פגמים בלהבים חשובים

חוות רוח מודרניות תלויות באלפי להבים מסתובבים העובדים בבטחה לאורך זמן. כל סדק, משטח שחוק או שריטה מוסתרת עלולים לצמצם יעילות או, במקרה הגרוע, להוביל לכישלונות מסוכנים ולעצירות יקרות. מבקרי תקינות החלו להשתמש ברחפנים לצילום הלהבים מרחוק, אך כדי ללמד מחשבים להכיר סוגים רבים ושונים של פגמים בתמונות אלה נדרשים מאגרי דוגמות גדולים ומומרתי תיוג. מערכי התמונות הקיימים היו קטנים מדי או התמקדו בסוג או שניים של נזק, מה שהגביל עד כמה תוכנות בדיקה יכולות להיות חכמות ואמינות.

בניית ספריית תמונות עשירה מהאוויר

המחברים יצרו את מאגר פגמי להבי טורבינת רוח (WTBD) כדי למלא פער זה. באמצעות רחפן המצויד במצלמה בחוות רוח חופית סמוך לשנגחאי, הם טסו קרוב לטורבינות הפעילות וצילמו כ-2,500 תמונות ברזולוציה גבוהה בתנאי מזג אוויר ותאורה משתנים. לאחר שפִסלו תמונות מטושטשות ובוּלוֹת שאין בהן נזק נראה לעין, שמרו 1,065 תמונות ברורות והאחידו אותן לפורמט ריבועי המתאים לניתוח ממוחשב. כל תמונה מציגה להבים אמיתיים עם רקעים טבעיים כמו שמיים ועננים, ושומרת על התנאים המלוכלכים שמערכות בדיקה נדרשות להתמודד איתם בשטח.

שש דרכים שבהן להב יכול להיפצע

במקום להישען רק על המיקום שבו מופיע הנזק, הצוות קיבץ פגמים לפי האופן שבו הם נראים בפועל. בהתבסס על ניסיון הנדסי ומה שאפשר לראות מהאוויר, הם הגדירו שישה קטגוריות שכיחות: סדקים דקים על פני השטח, שברים עמוקים יותר, קורוזיה כתוצאה מחול ומלח, שחיקה וקילוף של ציפוי, פגמים זעירים בשיער (hairline) ופגמים ברורים בדמות שריפה כתוצאה ממכת ברק. מומחים אנושיים השתמשו לאחר מכן בכלי ציור מיוחד כדי להקיף כל אזור פגום במסגרת ובחירה של אחת משש הקטגוריות. שני מתייגים עצמאיים עברו על התמונות, וחילוקי דעות הוסדרו בדיון משותף, מה שהניב 1,568 אזורי פגם מסומנים בדיוק. בדיקה סטטיסטית הראתה שההסכמה ביניהם הייתה גבוהה מאוד, והעניקה אמון בכך שהתוויות אמינות.

מבחן למידת הקושי של התמונות

כדי לבחון עד כמה מאגר זה מאתגר עבור מערכות ראייה ממוחשבת, החוקרים בדקו את הדפוסים בתוך כל אזור שסומן באמצעות מאפייני תמונה מבוססים שתופסים מידע על מרקם וקצוות. הם לאחר מכן הקרינו מדידות אלה למפה דו־ממדית שמדגימה עד כמה פגמים שונים נראים דומים זה לזה בעיני מחשב. התוצאות הראו שדוגמאות מאותה קטגוריה יכולות להיראות שונים באופן מפתיע בהתאם לזווית הצפייה, למרחק ולתאורה, בעוד שקטגוריות שונות עלולות להצטופף באותו חלק של המפה. משמעות הדבר היא שרמזים חזותיים פשוטים לעיתים אינם מספיקים כדי להבחין בין סוגי נזק. התמונות גם מכילות יעדים קטנים רבים ומספר פגמים בצילום יחיד, מה שמשקף במדויק את מה שקורה בבדיקות חוות רוח אמיתיות.

במת ניסוי חדשה לבדיקות חכמות יותר

באמצעות פרסום מאגר WTBD כנתונים פתוחים, יחד עם קוד ודרכי חלוקה מומלצות לסטי אימון ובדיקה, המחברים מספקים מרחב בדיקה קפדני למפתחי אלגוריתמים מתקדמים לזיהוי. עבור לא־מומחים, המסקנה המרכזית היא שמאגר זה תופס פגמי להבים אמיתיים, מגוונים ולעיתים מבלבלים בצורה שמחשבים יכולים ללמוד ממנה. הוא אמור לסייע בהאצת יצירת כלי בינה מלאכותית הסורקים קטעי וידאו מרחפנים, מסמנים פגמים מסוכנים מוקדם ובסופו של דבר שומרים על טורבינות הרוח מסתובבות בבטחה וביעילות לאורך זמן רב יותר.

ציטוט: 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

מילות מפתח: כנפי טורבינות רוח, בדיקות באמצעות רחפן, פגמי שטח, ראייה ממוחשבת, תחזוקת אנרגיה מתחדשת