Technologia wykrywania defektów na wielu skalach na powierzchniach łopat turbin wiatrowych oparta na algorytmie SASED-YOLO

Dlaczego drobne usterki na olbrzymich łopatach mają znaczenie

Współczesne turbiny wiatrowe wykorzystują łopaty dłuższe niż odrzutowiec pasażerski, obracające się bez przerwy w surowych warunkach morskich. Małe odpryski, pęknięcia czy obszary korozji na tych łopatach nie tylko wyglądają nieestetycznie — mogą cicho obniżać produkcję energii, skracać żywotność sprzętu i zwiększać koszty konserwacji. W tym badaniu przedstawiono nową technikę widzenia komputerowego, SASED-YOLO, zaprojektowaną do szybkiego i dokładnego wykrywania wielu rodzajów subtelnych uszkodzeń powierzchni łopat, nawet gdy oznaki są słabe, malutkie lub częściowo ukryte przez odblaski, zabrudzenia czy farbę.

Od kontroli ręcznych do inteligentnych kamer

Tradycyjnie inspekcje łopat polegały na ekspertach pracujących z linami lub na użyciu narzędzi takich jak ultradźwięki i kamery termowizyjne. Choć w niektórych przypadkach skuteczne, metody te mają trudności, gdy powierzchnia łopaty jest nierówna, pokryta powłoką lub zabrudzona; bywają też powolne, kosztowne i niebezpieczne dla pracowników. W ostatnich latach systemy oparte na uczeniu głębokim zaczęły analizować zdjęcia i wideo z dronów i kamer, automatycznie rysując ramki wokół defektów. Jedną z najskuteczniejszych rodzin takich systemów jest YOLO, potrafiący zlokalizować obiekty w jednym, szybkim przebiegu obrazu. Jednak standardowe wersje YOLO nadal mają problem z wykrywaniem bardzo małych defektów, radzeniem sobie z dużą rozpiętością rozmiarów uszkodzeń czy ignorowaniem mylącego tła, takiego jak chmury, odblaski i plamy.

Mądrzejszy sposób widzenia uszkodzeń łopat

Naukowcy rozbudowali lekki model YOLOv8s i przekształcili go w SASED-YOLO, dodając kilka nowych elementów ukierunkowanych na specyficzne wyzwania inspekcji łopat. Po pierwsze, moduł współpracującej uwagi pomaga sieci „skoncentrować się” na prawdopodobnych obszarach defektów, jednocześnie deprecjonując niebo, wieżę czy czyste części łopaty. Robi to przez analizę obrazu zarówno w przestrzeni (gdzie na łopacie), jak i w kanałach (jaki rodzaj faktury lub koloru) oraz łączenie wskazówek lokalnych i globalnych. Po drugie, moduł wieloskalowego pooling pozwala systemowi oglądać defekty przez różne „okna”, od malutkich plam po większe fragmenty łopaty, a następnie łączyć te informacje tak, by długie pęknięcia, rozproszone wgłębienia i drobne punkty były wyraźnie reprezentowane. Po trzecie, wprowadzono adaptacyjny blok downsamplingu, dzięki czemu zmniejszanie obrazów w celu oszczędności obliczeń nie usuwa drobnych krawędzi i subtelnych smug, które często wskazują wczesne uszkodzenia.

Budowa i testowanie realistycznej biblioteki defektów

Aby rygorystycznie przetestować swoje podejście, zespół zgromadził własny zbiór zdjęć łopat turbin, WTBD818-DET, ponieważ istniejące publiczne kolekcje były zbyt ograniczone. Zawiera on 7 374 obrazów z ośmioma rodzajami problemów powierzchniowych, w tym pęknięciami, urazami od uderzeń, korozją, uszkodzeniami od piorunów, plamami oleju, spękaniami cienkowarstwowymi, przyczepionymi przedmiotami oraz „oczami” na powierzchni (małe zlokalizowane wady). Obrazy zostały starannie oznaczone, wskazując nie tylko obecność defektu, ale dokładne położenie na łopacie. Defekty bardzo różnią się rozmiarem i wyglądem, a niektóre kategorie mają niewiele przykładów, co czyni zadanie zbliżonym do warunków przemysłowych. Badacze trenowali SASED-YOLO oraz szereg innych wiodących modeli detekcji przy tych samych ustawieniach, a następnie porównali, ile defektów każdy system wykrył, jak często były poprawne i jak szybko działały.

Ostrość wykrywania przewyższająca wcześniejsze systemy

Na zbiorze obrazów łopat SASED-YOLO osiągnął mean average precision — ogólną miarę jakości wykrywania — na poziomie 87,7 procent, czyli o około 10,5 punktu procentowego wyżej niż model podstawowy YOLOv8s i wyraźnie przed innymi zaawansowanymi systemami takimi jak RT-DETR, Mamba czy najnowsze warianty YOLO. Model był szczególnie skuteczny w rozpoznawaniu drobnych defektów, takich jak włoskowate pęknięcia, małe plamy korozji oraz subtelne filmy olejowe, które inne modele miały tendencję pomijać lub mylić z szumem tła. Porównania wizualne pokazują, że SASED-YOLO tworzy czystsze ramki wokół uszkodzeń i generuje mniej fałszywych alarmów na nieszkodliwe smugi czy odblaski. Aby sprawdzić, czy metoda uogólnia się poza energetykę wiatrową, autorzy zastosowali ją także do publicznego zbioru wad spawów i ponownie stwierdzili, że przewyższa kilka aktualnych detektorów z najwyższej półki.

Co to oznacza dla przyszłych farm wiatrowych

Dla osób niebędących specjalistami kluczowy wniosek jest taki, że ta praca znacząco poprawia „wzrok” zautomatyzowanych systemów inspekcyjnych dla turbin wiatrowych. Poprzez połączenie mechanizmów uwagi, wieloskalowego postrzegania i ostrożnego traktowania detali, SASED-YOLO może bardziej wiarygodnie wskazywać małe lub złożone problemy powierzchniowe, zanim przekształcą się w kosztowne awarie. Chociaż model działa nieco wolniej niż najszybsze detektory czasu rzeczywistego, zyski w dokładności czynią go dobrze dopasowanym do okresowych inspekcji dronowych lub analiz offline. Przy dalszej optymalizacji podejścia tego typu mogłyby pomóc w utrzymaniu morskich farm wiatrowych w bezpiecznym i wydajnym stanie, cicho poprawiając niezawodność i opłacalność czystej energii.

Cytowanie: 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

Słowa kluczowe: inspekcja turbin wiatrowych, wykrywanie defektów powierzchni, uczenie głębokie, widzenie komputerowe, energia wiatrowa na morzu