Tecnologia di rilevamento dei difetti su più scale per le superfici delle pale eoliche basata sull’algoritmo SASED-YOLO

Perché piccoli difetti su pale gigantesche contano

Le turbine eoliche moderne fanno affidamento su pale più lunghe di un aereo di linea, che ruotano senza sosta in condizioni atmosferiche aggressive in mare aperto. Piccoli scheggiature, crepe o aree di corrosione su queste pale non sono solo antiestetiche: possono ridurre silenziosamente la produzione di energia, accorciare la vita utile degli impianti e aumentare i costi di manutenzione. Questo studio presenta una nuova tecnica di visione artificiale, SASED-YOLO, progettata per individuare rapidamente e con precisione molti tipi di danni superficiali sottili sulle pale eoliche, anche quando i segni distintivi sono deboli, minuscoli o parzialmente nascosti da riflessi, sporco o vernice.

Dai controlli manuali alle videocamere intelligenti

Tradizionalmente, le ispezioni delle pale hanno fatto affidamento su esperti umani appesi a funi o sull’uso di strumenti come ultrasuoni e telecamere a infrarossi. Sebbene efficaci in alcuni casi, questi metodi incontrano difficoltà quando la superficie della pala è irregolare, rivestita o sporca, e possono essere lenti, costosi e rischiosi per gli operatori. Negli ultimi anni, sistemi basati sull’apprendimento profondo hanno cominciato ad analizzare foto o video da droni e telecamere, delimitando automaticamente i difetti con riquadri. Una delle famiglie più riuscite di questi sistemi è chiamata YOLO, in grado di localizzare oggetti in un unico passaggio veloce sull’immagine. Tuttavia, le versioni standard di YOLO faticano ancora a rilevare difetti molto piccoli, gestire grandi differenze nelle dimensioni dei difetti o ignorare sfondi fuorvianti come nuvole, riflessi e macchie.

Un modo più intelligente di vedere i danni alle pale

I ricercatori partono dal modello leggero YOLOv8s e lo ristrutturano in SASED-YOLO, aggiungendo diversi componenti nuovi mirati alle sfide specifiche dell’ispezione delle pale. Primo, un modulo di attenzione collaborativa aiuta la rete a «concentrarsi» sulle regioni probabilmente difettose, attenuando cielo, torre o aree pulite della pala. Lo fa analizzando l’immagine sia nello spazio (dove sulla pala) sia tra i canali (che tipo di trama o colore) e combinando segnali locali e globali. Secondo, un modulo di pooling multiscala permette al sistema di osservare i difetti attraverso diverse “finestre”, da piccole macchie a porzioni più ampie di pala, quindi fondere queste informazioni in modo che crepe lunghe, buche sparse e macchie minute siano tutte rappresentate chiaramente. Terzo, viene introdotto un blocco di sottocampionamento adattivo in modo che il ridimensionamento delle immagini per risparmiare calcolo non cancelli i bordi fini e le sottili striature che spesso segnano i danni in fase iniziale.

Costruire e testare una libreria realistica di difetti

Per valutare rigorosamente il loro approccio, il team ha assemblato un proprio dataset di pale eoliche, WTBD818-DET, perché le raccolte pubbliche esistenti erano troppo limitate. Contiene 7.374 immagini con otto tipi di problemi superficiali, inclusi crepe, danni da impatto, corrosione, fulminazioni, macchie di olio, crazing, oggetti aderenti e difetti superficiali localizzati (eye). Le immagini sono state attentamente annotate per segnare non solo quale difetto è presente, ma esattamente dove si trova sulla pala. I difetti variano enormemente per dimensioni e aspetto, e alcune categorie hanno pochissimi esempi, rendendo il compito vicino alle condizioni industriali reali. I ricercatori hanno addestrato SASED-YOLO e una serie di altri modelli di rilevamento all’avanguardia con le stesse impostazioni, quindi hanno confrontato quanti difetti ciascun sistema trovava, quanto spesso erano corretti e quanto velocemente operavano.

Occhi più acuti rispetto ai rivelatori precedenti

Sul dataset delle pale, SASED-YOLO ha raggiunto una mean average precision—una misura complessiva della qualità del rilevamento—del 87,7 percento, circa 10,5 punti percentuali in più rispetto al modello base YOLOv8s e nettamente davanti ad altri sistemi avanzati come RT-DETR, Mamba e le ultime varianti di YOLO. Si è dimostrato particolarmente efficace nell’individuare difetti fini come crepe sottili, piccole macchie di corrosione e sottili film di olio che altri modelli tendevano a perdere o confondere con il rumore di fondo. I confronti visivi mostrano che SASED-YOLO produce riquadri più puliti attorno ai danni e meno falsi allarmi su striature o riflessi innocui. Per verificare se il metodo potesse generalizzare oltre l’energia eolica, gli autori lo hanno applicato anche a un dataset pubblico di difetti di saldatura e hanno nuovamente riscontrato che superava diversi rivelatori attualmente allo stato dell’arte.

Cosa significa per i parchi eolici futuri

Per i non specialisti, il messaggio chiave è che questo lavoro migliora significativamente gli «occhi» dei sistemi di ispezione automatizzati per turbine eoliche. Combinando attenzione, visione multiscala e gestione accurata dei dettagli, SASED-YOLO può segnalare in modo più affidabile problemi superficiali piccoli o complessi prima che diventino guasti costosi. Sebbene il modello sia leggermente più lento rispetto ai rivelatori in tempo reale più veloci, i guadagni in accuratezza lo rendono adatto a rilevazioni periodiche con droni o ad analisi offline. Con ulteriori ottimizzazioni, approcci come questo potrebbero contribuire a mantenere i parchi eolici offshore operativi in modo sicuro ed efficiente, migliorando silenziosamente l’affidabilità e la convenienza dell’energia pulita.

Citazione: 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

Parole chiave: ispezione pale eoliche, rilevamento difetti superficiali, apprendimento profondo, visione artificiale, energia eolica offshore