Технология многоуровневого обнаружения дефектов на поверхностях лопастей ветровых турбин на основе алгоритма SASED-YOLO

Почему крошечные повреждения на гигантских лопастях имеют значение

Современные ветровые турбины оснащены лопастями, длиннее чем пассажирский самолёт, которые вращаются непрерывно в суровых условиях на море. Небольшие сколы, трещины или участки коррозии на этих лопастях не только портят вид — они могут незаметно снижать выработку энергии, сокращать срок службы оборудования и повышать затраты на обслуживание. В этой работе представлена новая методика компьютерного зрения, SASED-YOLO, предназначенная для быстрого и точного обнаружения множества типов тонких повреждений поверхности лопастей, даже когда признаки слабы, малы или частично скрыты бликами, грязью или слоем краски.

От ручных проверок к умным камерам

Традиционно осмотры лопастей выполняли эксперты, спускающиеся на канатах, либо применяли такие инструменты, как ультразвук и инфракрасные камеры. Хотя эти методы в ряде случаев эффективны, они испытывают трудности при неровной, покрытой или загрязнённой поверхности лопасти и могут быть медленными, дорогими и опасными для работников. В последние годы системы глубокого обучения начали анализировать снимки и видеозаписи с дронов и камер, автоматически выделяя коробками дефекты. Одна из наиболее успешных семейств таких моделей — YOLO, способная локализовать объекты за один быстрый проход по изображению. Однако стандартные версии YOLO всё ещё испытывают сложности с обнаружением очень мелких дефектов, с большими вариациями размеров повреждений и с отстройкой от запутанных фонов, таких как облака, отражения и пятна.

Более умный способ увидеть повреждения лопасти

Исследователи взяли за основу облегчённую модель YOLOv8s и преобразовали её в SASED-YOLO, добавив несколько новых компонентов, ориентированных на специфические задачи инспекции лопастей. Во‑первых, модуль совместного внимания помогает сети «фокусироваться» на вероятных областях дефектов, уменьшая значимость неба, башни или чистых участков лопасти. Он делает это, анализируя изображение как по пространству (где на лопасти), так и по каналам (какая текстура или цвет), объединяя локальные и глобальные сигналы. Во‑вторых, модуль многоуровневого пуллинга позволяет системе смотреть на дефекты через разные «окна» — от крошечных участков до больших кусков лопасти — и затем объединять эту информацию, чтобы длинные трещины, рассеянные вмятины и мелкие пятна были представлены чётко. В‑третьих, введён адаптивный блок понижения разрешения, чтобы уменьшение изображений для экономии вычислений не отбрасывало тонкие кромки и едва заметные полосы, часто указывающие на ранние повреждения.

Создание и тестирование реалистичной библиотеки дефектов

Для строгой проверки своего подхода команда собрала собственный набор данных лопастей ветровых турбин WTBD818-DET, поскольку существующие публичные коллекции были слишком ограничены. Он содержит 7 374 изображения с восемью типами поверхностных проблем, включая трещины, следы ударов, коррозию, следы от ударов молнии, масляные пятна, растрескивание лака (крейзинг), прикреплённые предметы и «поверхностные глаза» (небольшие локализованные дефекты). Изображения были тщательно размечены не только по типу дефекта, но и по его точному расположению на лопасти. Дефекты сильно различаются по размеру и внешнему виду, а в некоторых категориях очень мало примеров, что делает задачу приближённой к реальным промышленным условиям. Исследователи обучили SASED-YOLO и ряд других ведущих моделей обнаружения в одинаковых условиях, а затем сравнили, сколько дефектов каждая система выявила, насколько часто она была права и как быстро работала.

Более острое зрение по сравнению с предыдущими детекторами

На наборе данных лопастей SASED-YOLO достигла средней точности обнаружения (mean average precision) в 87,7 процента — примерно на 10,5 процентных пункта выше, чем базовая модель YOLOv8s, и явно опережая другие передовые системы, такие как RT-DETR, Mamba и последние вариации YOLO. Модель особенно хорошо выявляла тонкие дефекты, такие как едва заметные трещины, мелкие пятна коррозии и тонкие масляные плёнки, которые другие модели склонны было пропускать или путать с фоновым шумом. Визуальные сравнения показывают, что SASED-YOLO формирует более аккуратные ограничивающие рамки вокруг повреждений и даёт меньше ложных срабатываний на безвредные полосы или отражения. Чтобы проверить переносимость метода за пределы ветроэнергетики, авторы также применили его к публичному набору данных дефектов сварки и вновь обнаружили преимущество по сравнению с несколькими современными детекторами.

Что это значит для будущих ветропарков

Для непрофессиональной аудитории ключевая мысль такова: эта работа значительно улучшает «зрение» автоматизированных систем инспекции ветровых турбин. Комбинируя механизмы внимания, многоуровневое наблюдение и бережную обработку деталей, SASED-YOLO может более надёжно обнаруживать мелкие или сложные поверхностные проблемы до того, как они перерастут в дорогие отказы. Хотя модель работает несколько медленнее самых быстрых детекторов в реальном времени, полученные выигрыши в точности делают её хорошо подходящей для периодических обследований с дронов или анализа офлайн. С дальнейшей оптимизацией подходы такого рода могут помочь поддерживать работу морских ветропарков безопасной и эффективной, тихо повышая надёжность и экономичность чистой энергии.

Цитирование: 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

Ключевые слова: инспекция ветровых турбин, обнаружение дефектов поверхности, глубокое обучение, компьютерное зрение, морская ветроэнергетика