Wieloklasowy zbiór danych do inteligentnego wykrywania uszkodzeń łopat turbin wiatrowych za pomocą obrazów z drona

Dozorowanie olbrzymich maszyn wiatrowych

Turbiny wiatrowe cicho obracają się na lądzie i na morzu, dostarczając czystą energię do naszych domów. Ich długie łopaty są jednak wystawione na działanie słońca, deszczu, soli morskiej, piasku, a nawet wyładowań atmosferycznych, a drobne wady mogą przerodzić się w poważne uszkodzenia. Wspinanie się po tych ogromnych konstrukcjach w celu kontroli jest powolne i ryzykowne. Niniejsze badanie przedstawia nową metodę pomagającą komputerom wykrywać problemy z łopatami na wczesnym etapie, wykorzystując starannie zbudowany zbiór zdjęć z drona, które pokazują rzeczywiste uszkodzenia w dużych szczegółach.

Dlaczego uszkodzenia łopat są istotne

Nowoczesne farmy wiatrowe opierają się na tysiącach wirujących łopat pracujących bezpiecznie przez całą dobę. Każda pęknięcie, przetarcie czy ukryta rysa może obniżyć wydajność lub — w najgorszym wypadku — doprowadzić do niebezpiecznych awarii i kosztownych przestojów. Inspektorzy zaczęli używać dronów do fotografowania łopat z dystansu, ale nauczenie komputerów rozpoznawania wielu różnych rodzajów uszkodzeń na tych zdjęciach wymaga dużych, dobrze opisanych zbiorów przykładów. Istniejące zestawy obrazów były albo zbyt małe, albo skupiały się tylko na jednym lub dwóch typach uszkodzeń, co ograniczało możliwości i niezawodność oprogramowania inspekcyjnego.

Tworzenie bogatej biblioteki zdjęć z powietrza

Autorzy stworzyli zbiór danych Wind Turbine Blade Defect (WTBD), aby wypełnić tę lukę. Korzystając z drona wyposażonego w kamerę na przybrzeżnej farmie wiatrowej w pobliżu Szanghaju, latając blisko pracujących turbin, wykonali około 2 500 zdjęć o wysokiej rozdzielczości w różnych warunkach pogodowych i oświetleniowych. Po odrzuceniu rozmytych obrazów i tych bez widocznych uszkodzeń zachowali 1 065 wyraźnych zdjęć i ustandaryzowali je do formatu kwadratowego odpowiedniego do analizy komputerowej. Każde zdjęcie pokazuje rzeczywiste łopaty na naturalnym tle, takim jak niebo i chmury, zachowując nieporządek warunków, z którymi systemy inspekcyjne muszą mierzyć się w terenie.

Sześć sposobów uszkodzenia łopaty

Zamiast opierać się wyłącznie na lokalizacji uszkodzeń, zespół pogrupował wady według ich wyglądu. Korzystając z wiedzy inżynierskiej i tego, co widać z powietrza, zdefiniowali sześć powszechnych kategorii: drobne pęknięcia powierzchniowe, głębsze złamania, korozja spowodowana piaskiem i solą, zadrapania i łuszczenie powłoki, subtelne włosowate rysy oraz wyraźne ślady przypominające oparzenia od uderzeń pioruna. Eksperci ludzie następnie użyli specjalistycznego narzędzia do rysowania, aby obrysować każde uszkodzone obszary za pomocą ramki i przypisać je do jednej z tych sześciu grup. Dwóch niezależnych anotatorów przeanalizowało obrazy, a niezgodności rozstrzygano w dyskusji, co zaowocowało 1 568 precyzyjnie oznaczonymi obszarami uszkodzeń. Kontrola statystyczna wykazała bardzo wysoką zgodność między anotatorami, co zwiększa zaufanie do wiarygodności etykiet.

Ocena trudności obrazów

Aby sprawdzić, jak wymagający jest ten zbiór danych dla systemów widzenia komputerowego, badacze przeanalizowali wzory w obrębie każdego oznaczonego regionu, używając ustalonych deskryptorów obrazów, które wychwytują teksturę i krawędzie. Następnie rzutowali te pomiary na dwuwymiarową mapę pokazującą, jak podobne różne uszkodzenia wyglądają dla komputera. Wyniki ujawniły, że przykłady z tej samej kategorii mogą wyglądać zaskakująco różnie w zależności od kąta widzenia, odległości i oświetlenia, podczas gdy różne kategorie mogą kończyć blisko siebie na tej mapie. Oznacza to, że proste wskazówki wizualne często nie wystarczają, by odróżnić jeden typ uszkodzenia od drugiego. Obrazy zawierają też wiele małych celów i kilka uszkodzeń na jednym ujęciu, wiernie odzwierciedlając warunki inspekcji rzeczywistych farm wiatrowych.

Nowe pole testowe dla inteligentniejszych inspekcji

Udostępniając kolekcję WTBD jako dane otwarte wraz z kodem i zalecanymi podziałami obrazów na zbiory treningowe i testowe, autorzy dostarczają rygorystycznego poligonu dla twórców zaawansowanych algorytmów detekcji. Dla osób niezajmujących się specjalistycznie kluczowy wniosek jest taki, że ten zbiór danych odzwierciedla rzeczywiste, zróżnicowane i czasem mylące uszkodzenia łopat w sposób, z którego komputery mogą się uczyć. Powinien on przyspieszyć powstawanie narzędzi AI analizujących materiały z dronów, wykrywających ryzykowne wady we wczesnym stadium i ostatecznie pomagających utrzymać turbiny w bezpiecznej i wydajnej pracy dłużej.

Cytowanie: 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

Słowa kluczowe: łopaty turbin wiatrowych, inspekcja dronem, uszkodzenia powierzchni, widzenie komputerowe, utrzymanie odnawialnej energii