Multiklassen-dataset voor intelligente detectie van rotorbladdefecten met drones

Toezicht op reusachtige windmachines

Windturbines draaien stilletjes in velden en op zee en helpen onze huizen van schone energie te voorzien. Hun lange bladen zijn echter blootgesteld aan zon, regen, zout, zand en zelfs bliksem, en kleine gebreken kunnen uitgroeien tot ernstige schade. In deze enorme constructies klimmen om naar problemen te zoeken is traag en riskant. Deze studie introduceert een nieuwe manier om computers vroegtijdig bladsproblemen te laten herkennen, met behulp van een zorgvuldig samengestelde verzameling dronefoto’s die echte defecten in detail vastleggen.

Waarom bladschade ertoe doet

Moderne windparken zijn afhankelijk van duizenden draaiende bladen die dag en nacht veilig moeten werken. Elke scheur, versleten plek of verborgen kras kan de efficiëntie verminderen of in het ergste geval leiden tot gevaarlijke storingen en kostbare stilleggingen. Inspecteurs gebruiken steeds vaker drones om bladen van een afstand te fotograferen, maar computers trainen om veel verschillende soorten gebreken in deze beelden te herkennen vereist grote, goed gelabelde verzamelingen voorbeelden. Bestaande datasets waren of te klein of richtten zich slechts op één of twee schadecategorieën, waardoor inspectiesoftware beperkt in slimheid en betrouwbaarheid bleef.

Een rijke beeldbibliotheek opbouwen vanuit de lucht

De auteurs creëerden de Wind Turbine Blade Defect (WTBD)-dataset om deze leemte op te vullen. Met een met camera uitgeruste drone op een kustwindpark bij Sjanghai vlogen ze dicht langs draaiende turbines en maakten ze ongeveer 2.500 hoge-resolutie foto’s onder verschillende weers- en lichtomstandigheden. Na het weggooien van onscherpe beelden en foto’s zonder zichtbare schade hielden ze 1.065 duidelijke beelden over en standaardiseerden die naar een vierkant formaat geschikt voor computeranalyse. Elk beeld toont echte bladen met natuurlijke achtergronden zoals lucht en wolken, en behoudt de rommelige omstandigheden waarmee inspectiesystemen in het veld te maken krijgen.

Zes manieren waarop een blad beschadigd kan raken

In plaats van alleen te kijken waar schade voorkomt, groepeerden de onderzoekers defecten op basis van uiterlijk. Gebaseerd op technische ervaring en wat vanuit de lucht zichtbaar is, definieerden ze zes veelvoorkomende categorieën: fijne oppervlaktescheurtjes, diepere breuken, corrosie door zand en zout, afschilfering en krassen van coating, subtiele haarlijnfouten en duidelijke brandachtige vlekken door blikseminslag. Menselijke experts gebruikten vervolgens een gespecialiseerd tekentool om ieder beschadigd gebied met een kader te omlijnen en aan één van deze zes groepen toe te wijzen. Twee onafhankelijke annotatoren beoordeelden de beelden en meningsverschillen werden in overleg opgelost, wat resulteerde in 1.568 nauwkeurig gemarkeerde defectgebieden. Een statistische controle toonde aan dat hun overeenstemming zeer hoog was, wat vertrouwen geeft in de betrouwbaarheid van de labels.

Testen hoe uitdagend de beelden zijn

Om te onderzoeken hoe veeleisend deze dataset is voor computer‑vision-systemen, analyseerden de onderzoekers de patronen binnen elk gemarkeerd gebied met gangbare afbeeldingsdescriptoren die textuur- en randinformatie vastleggen. Ze projecteerden deze metingen vervolgens in een tweedimensionale kaart die laat zien hoe vergelijkbaar verschillende defecten voor een computer lijken. De resultaten toonden aan dat voorbeelden binnen dezelfde categorie verrassend verschillend kunnen lijken, afhankelijk van kijkhoek, afstand en belichting, terwijl verschillende categorieën soms dicht bij elkaar in dezelfde regio van de kaart samenkomen. Dit betekent dat simpele visuele aanwijzingen vaak niet genoeg zijn om het ene type schade van het andere te onderscheiden. De beelden bevatten ook veel kleine doelen en meerdere defecten in één opname, wat nauw aansluit bij de werkelijkheid tijdens inspecties van windparken.

Een nieuw testplatform voor slimere inspecties

Door de WTBD‑verzameling als open data vrij te geven, samen met code en aanbevolen manieren om de beelden in trainings- en testsets te splitsen, bieden de auteurs een gedegen speelveld voor ontwikkelaars van geavanceerde detectie-algoritmen. Voor niet‑specialisten is de belangrijkste conclusie dat deze dataset echte, gevarieerde en soms verwarrende bladschade vastlegt op een manier waarvan computers kunnen leren. Het zou moeten helpen de ontwikkeling van AI‑hulpmiddelen te versnellen die dronebeelden scannen, risicovolle defecten vroeg signaleren en er uiteindelijk toe bijdragen dat windturbines langer veilig en efficiënt blijven draaien.

Bronvermelding: 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

Trefwoorden: rotorbladen van windturbines, inspectie met drones, oppervlaktefouten, computer vision, onderhoud hernieuwbare energie