Многоклассовый набор данных для интеллектуального обнаружения дефектов лопастей ветряных турбин с использованием изображений с дронов

Наблюдение за гигантскими ветряными механизмами

Ветряные турбины тихо вращаются на суше и в море, помогая обеспечивать наши дома чистой энергией. Но их длинные лопасти подвергаются воздействию солнца, дождя, соли, песка и даже молний, и малые дефекты могут перерасти в серьёзные повреждения. Подъём по этим огромным конструкциям для осмотра проблем медленен и рискован. В этом исследовании предложен новый подход, который помогает компьютерам выявлять неисправности лопастей на ранних стадиях, используя тщательно собранную коллекцию фотографий с дронов, показывающую реальные дефекты в высокой детализации.

Почему дефекты лопастей важны

Современные ветропарки зависят от тысяч вращающихся лопастей, безопасно работающих круглосуточно. Любая трещина, изношенный участок или скрытая царапина может снизить эффективность или, в худшем случае, привести к опасным отказам и дорогостоящим остановкам. Инспекторы начали использовать дроны для фотографирования лопастей с безопасного расстояния, но научить компьютеры распознавать множество различных типов повреждений на этих снимках требует больших, хорошо размеченных наборов примеров. Существующие наборы изображений либо были слишком малы, либо фокусировались только на одном–двух типах повреждений, что ограничивало возможности и надёжность программ для инспекции.

Создание богатой библиотеки снимков с воздуха

Авторы создали набор данных Wind Turbine Blade Defect (WTBD), чтобы заполнить этот пробел. Используя дрон с камерой на прибрежной ветроэлектростанции недалеко от Шанхая, они летали близко к работающим турбинам и сделали около 2500 фотографий высокого разрешения при различных погодных и световых условиях. Отбросив размытые снимки и кадры без видимых повреждений, они сохранили 1065 чётких изображений и стандартизировали их в квадратный формат, пригодный для компьютерного анализа. Каждое изображение показывает реальные лопасти на фоне неба и облаков, сохраняя те беспорядочные условия, с которыми системы инспекции сталкиваются в поле.

Шесть видов повреждений лопасти

Вместо того чтобы ориентироваться лишь на место появления повреждения, команда сгруппировала дефекты по их внешнему виду. Основываясь на инженерном опыте и том, что видно с воздуха, они определили шесть распространённых категорий: мелкие поверхностные трещины, более глубокие разломы, коррозия от песка и соли, сдирание и отслаивание покрытия, тонкие мальнные дефекты и характерные ожогоподобные следы от ударов молнии. Эксперты вручную обвели каждый повреждённый участок с помощью специализированного инструмента рисования, поместив его в один из этих шести классов. Два независимых аннотатора прошли все изображения, а разногласия разрешались в обсуждении, что в итоге дало 1568 точно отмеченных областей дефектов. Статистическая проверка показала очень высокий уровень согласия, что внушает доверие к меткам.

Оценка сложности изображений

Чтобы понять, насколько этот набор данных представляет трудность для систем компьютерного зрения, исследователи проанализировали признаки внутри каждой размеченной области, используя устоявшиеся дескрипторы изображений, отражающие текстуру и информацию о гранях. Затем они спроецировали эти измерения на двумерную карту, показывающую, насколько похожи разные дефекты с точки зрения компьютера. Результаты показали, что примеры из одной категории могут выглядеть весьма по-разному в зависимости от угла съёмки, расстояния и освещения, в то время как представители разных категорий иногда оказываются рядом на этой карте. Это означает, что простых визуальных признаков часто недостаточно, чтобы однозначно отличить один тип повреждения от другого. На изображениях также много мелких целей и несколько дефектов на одном кадре, что точно отражает реальную практику осмотров ветропарков.

Новая тестовая площадка для умных инспекций

Опубликовав коллекцию WTBD как открытые данные вместе с кодом и рекомендованными способами разделения изображений на обучающую и тестовую выборки, авторы предоставляют строгую площадку для разработчиков продвинутых алгоритмов обнаружения. Для неспециалистов главный вывод таков: этот набор данных фиксирует реальные, разнообразные и порой запутанные повреждения лопастей в форме, пригодной для обучения компьютеров. Он должен помочь ускорить создание инструментов ИИ, которые анализируют кадры с дронов, заранее отмечают рискованные дефекты и в конечном счёте позволяют турбинам дольше и безопаснее вырабатывать энергию.

Цитирование: 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

Ключевые слова: лопасти ветряных турбин, инспекция дронами, дефекты поверхности, компьютерное зрение, обслуживание возобновляемой энергетики