Dataset multiclasse per il rilevamento intelligente dei difetti delle pale eoliche tramite immagini da drone

Sorvegliare le gigantesche macchine eoliche

Le turbine eoliche girano silenziose nei campi e in mare, contribuendo ad alimentare le nostre case con energia pulita. Ma le loro lunghe pale sono esposte al sole, alla pioggia, al sale, alla sabbia e persino ai fulmini, e piccoli difetti possono evolvere in danni gravi. Arrampicarsi su queste enormi strutture per cercare problemi è lento e rischioso. Questo studio presenta un nuovo modo per aiutare i computer a individuare precocemente i problemi alle pale, usando una raccolta accuratamente costruita di fotografie da drone che catturano difetti reali con grande dettaglio.

Perché i difetti delle pale sono importanti

Le moderne centrali eoliche dipendono da migliaia di pale in rotazione, che devono funzionare in sicurezza 24 ore su 24. Qualsiasi crepa, area consumata o graffio nascosto può ridurre l’efficienza o, nel peggiore dei casi, provocare guasti pericolosi e fermate costose. Gli ispettori hanno iniziato a usare droni per fotografare le pale da distanza, ma insegnare ai computer a riconoscere molti tipi diversi di difetti in queste immagini richiede grandi raccolte di esempi ben etichettati. I dataset esistenti erano o troppo piccoli o focalizzati su una o due tipologie di danno, limitando quanto i software di ispezione potessero diventare intelligenti e affidabili.

Costruire una ricca libreria di immagini dal cielo

Gli autori hanno creato il dataset Wind Turbine Blade Defect (WTBD) per colmare questa lacuna. Usando un drone dotato di fotocamera in un parco eolico costiero vicino a Shanghai, hanno sorvolato turbine in funzione e catturato circa 2.500 foto ad alta risoluzione in diverse condizioni meteorologiche e di illuminazione. Dopo aver scartato immagini sfocate e quelle senza danni visibili, hanno mantenuto 1.065 foto nitide e le hanno standardizzate in un formato quadrato adatto all’analisi automatica. Ogni immagine mostra pale reali con sfondi naturali come cielo e nuvole, preservando le condizioni disordinate che i sistemi di ispezione devono affrontare sul campo.

Sei modi in cui una pala può essere danneggiata

Invece di basarsi solo sulla posizione del danno, il team ha raggruppato i difetti in base al loro aspetto effettivo. Sfruttando l’esperienza ingegneristica e ciò che è visibile dall’alto, hanno definito sei categorie comuni: fessurazioni superficiali fini, rotture più profonde, corrosione da sabbia e sale, abrasioni e scrostature del rivestimento, imperfezioni sottili a filo d’aria e segni distinti simili a bruciature dovute a fulmini. Esperti umani hanno poi usato uno strumento di disegno specializzato per delineare ogni regione danneggiata con una scatola e assegnarla a una di queste sei classi. Due annotatori indipendenti hanno esaminato le immagini e le divergenze sono state risolte tramite discussione, portando a 1.568 aree di difetto marcate con precisione. Un controllo statistico ha mostrato un livello di accordo molto elevato, dando fiducia nell’affidabilità delle etichette.

Valutare quanto sono impegnative le immagini

Per capire quanto questo dataset sia esigente per i sistemi di visione artificiale, i ricercatori hanno esaminato i pattern all’interno di ogni regione marcata usando descrittori di immagine consolidati che catturano informazioni su texture e bordi. Hanno poi proiettato queste misure in una mappa bidimensionale che mostra quanto diversi difetti appaiano simili a un computer. I risultati hanno rivelato che esempi della stessa categoria possono apparire sorprendentemente diversi a seconda dell’angolo di vista, della distanza e dell’illuminazione, mentre categorie diverse possono trovarsi affollate nella stessa zona di questa mappa. Ciò significa che indizi visivi semplici spesso non sono sufficienti per distinguere un tipo di danno da un altro. Le immagini contengono inoltre molti bersagli piccoli e più difetti in una singola ripresa, rispecchiando da vicino ciò che accade nelle ispezioni reali dei parchi eolici.

Un nuovo banco di prova per ispezioni più intelligenti

Rilasciando la raccolta WTBD come dati aperti, insieme al codice e ai modi raccomandati per suddividere le immagini in set di addestramento e test, gli autori forniscono un terreno di prova rigoroso per gli sviluppatori di algoritmi di rilevamento avanzati. Per i non specialisti, il punto chiave è che questo dataset cattura danni alle pale reali, vari e talvolta confusi, in modo che i computer possano imparare da essi. Dovrebbe aiutare ad accelerare la creazione di strumenti di IA che analizzano i filmati dei droni, segnalano precocemente i difetti rischiosi e, in ultima analisi, mantengono le turbine eoliche in funzione in modo più sicuro ed efficiente per più tempo.

Citazione: 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

Parole chiave: pale delle turbine eoliche, ispezione con drone, difetti superficiali, visione artificiale, manutenzione delle energie rinnovabili