Multischaal technologie voor detectie van defecten op rotorbladen van windturbines gebaseerd op het SASED-YOLO-algoritme

Waarom kleine gebreken op reusachtige bladen ertoe doen

Moderne windturbines hebben rotorbladen die langer zijn dan een passagiersvliegtuig en draaien continu in ruwe offshore-omstandigheden. Kleine afchipppingen, scheurtjes of plekken met corrosie op deze bladen zien er niet alleen onaangenaam uit—ze kunnen ongemerkt de energieproductie verminderen, de levensduur van apparatuur verkorten en onderhoudskosten verhogen. Deze studie presenteert een nieuwe computer-visionmethode, SASED-YOLO, ontworpen om snel en nauwkeurig veel soorten subtiele oppervlaktebeschadigingen op rotorbladen te detecteren, zelfs wanneer de kenmerkende tekenen vaag, klein of deels verborgen zijn door schittering, vuil of verf.

Van handmatige controles naar slimme camera’s

Traditioneel vertrouwen bladinspecties op menselijke experts die aan touwen hangen of op instrumenten zoals ultrasoon- en infraroodcamera’s. Hoewel die methoden soms effectief zijn, hebben ze moeite bij oneffen, gecoate of vervuilde oppervlakken en kunnen ze traag, duur en risicovol voor werknemers zijn. In de afgelopen jaren zijn deep-learning-systemen begonnen foto’s of video van drones en camera’s te analyseren en automatisch rechthoeken rond defecten te tekenen. Een van de meest succesvolle families van zulke systemen heet YOLO, dat objecten in één snelle doorgang van de afbeelding kan lokaliseren. Standaardversies van YOLO hebben echter nog steeds moeite met het detecteren van zeer kleine defecten, het omgaan met grote verschillen in defectgrootte en het negeren van verwarrende achtergronden zoals wolken, reflecties en vlekken.

Een slimere manier om bladscha­de te zien

De onderzoekers bouwen voort op het lichte YOLOv8s-model en herschikken het tot SASED-YOLO, waarbij ze verschillende nieuwe componenten toevoegen die gericht zijn op de specifieke uitdagingen van bladinspectie. Ten eerste helpt een collaboratief attentie­module het netwerk zich te “concentreren” op waarschijnlijke defectgebieden en tegelijk lucht, mast of schone blad­delen te onderdrukken. Dit doet het door naar de afbeelding te kijken zowel over de ruimte (waar op het blad) als over kanalen (welk soort textuur of kleur) en lokale en globale aanwijzingen te combineren. Ten tweede maakt een multi­schaal-poolingmodule het systeem mogelijk defecten te bekijken door verschillende “vensters”, van piepkleine plekjes tot grotere delen van het blad, en deze informatie vervolgens te fuseren zodat lange scheuren, verspreide putjes en kleine vlekken allemaal duidelijk worden weergegeven. Ten derde is een adaptieve downsampling-blok geïntroduceerd zodat het verkleinen van afbeeldingen om rekenkracht te besparen de fijne randen en subtiele strepen die vaak vroeg schade aangeven, niet verloren laat gaan.

Opbouwen en testen van een realistische defectbibliotheek

Om hun aanpak grondig te testen stelde het team een eigen dataset van windturbinebladen samen, WTBD818-DET, omdat bestaande openbare verzamelingen te beperkt waren. Deze bevat 7.374 afbeeldingen met acht typen oppervlakteproblemen, waaronder scheuren, impactletsel, corrosie, blikseminslag, olievlekken, craquelé, aangehechte voorwerpen en oppervlakte-ogen (kleine gelokaliseerde gebreken). De afbeeldingen werden zorgvuldig gelabeld om niet alleen aan te geven welk defect aanwezig is, maar ook precies waar het op het blad ligt. De defecten variëren enorm in grootte en voorkomen, en sommige categorieën hebben zeer weinig voorbeelden, waardoor de taak dicht bij reële industriële omstandigheden ligt. De onderzoekers trainden SASED-YOLO en een reeks andere toonaangevende detectiemodellen onder dezelfde instellingen en vergeleken vervolgens hoeveel defecten elk systeem vond, hoe vaak ze correct waren en hoe snel ze draaiden.

Scherpere ogen dan eerdere detectors

Op de bladdataset behaalde SASED-YOLO een mean average precision—een algemene maat voor detectiekwaliteit—van 87,7 procent, ongeveer 10,5 procentpunt hoger dan het basismodel YOLOv8s en duidelijk voor andere geavanceerde systemen zoals RT-DETR, Mamba en de nieuwste YOLO-varianten. Het was vooral sterk in het oppikken van fijnmazige defecten zoals haarfijne scheurtjes, kleine corrosievlekjes en subtiele oliefilms die andere modellen vaak misten of verwisselden met achtergrondruis. Visuele vergelijkingen tonen dat SASED-YOLO schonere begrenzingskaders rond schade produceert en minder valse alarmen geeft voor onschuldige strepen of reflecties. Om te testen of de methode ook buiten windenergie generaliseert, pasten de auteurs het toe op een openbare dataset van lasfouten en zagen ze opnieuw dat het meerdere huidige state-of-the-art detectors versloeg.

Wat dit betekent voor toekomstige windparken

Voor niet-specialisten is de kernboodschap dat dit werk de “ogen” van geautomatiseerde inspectiesystemen voor windturbines aanzienlijk verbetert. Door aandacht, multischaalweergave en zorgvuldige behandeling van details te combineren, kan SASED-YOLO betrouwbaarder kleine of complexe oppervlakteproblemen signaleren voordat ze uitgroeien tot kostbare storingen. Hoewel het model iets langzamer draait dan de snelste realtime-detectors, maken de nauwkeurigheidswinst het goed geschikt voor periodieke drone‑surveys of offline-analyse. Met verdere optimalisatie kunnen benaderingen als deze helpen offshore windparken veilig en efficiënt te laten draaien en stilletjes de betrouwbaarheid en kosteneffectiviteit van schone energie te verbeteren.

Bronvermelding: 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

Trefwoorden: inspectie van windturbines, detectie van oppervlaktefouten, deep learning, computer vision, offshore windenergie