Flerklassigt datamängd för intelligent upptäckt av vindkraftsrotorbladsskador med drönarbilder

Övervakning av jättelika vindmaskiner

Vindkraftverk snurrar tyst på fält och ute till havs och hjälper till att förse våra hem med ren energi. Men deras långa blad utsätts för sol, regn, salt, sand och till och med blixtnedslag, och små fel kan växa till allvarliga skador. Att klättra upp på dessa enorma konstruktioner för att leta efter problem är långsamt och riskfyllt. Denna studie presenterar ett nytt tillvägagångssätt för att hjälpa datorer att upptäcka bladproblem tidigt, genom en noggrant uppbyggd samling drönarbilder som fångar verkliga defekter i hög detalj.

Varför bladdefekter är viktiga

Moderna vindparker förlitar sig på tusentals snurrande blad som ska fungera säkert dygnet runt. Sprickor, nerslitage eller dolda repor kan minska effektiviteten eller i värsta fall leda till farliga haverier och kostsamma driftstopp. Inspektörer har börjat använda drönare för att fotografera blad på avstånd, men att lära datorer att känna igen många olika typer av skador i dessa bilder kräver stora, välannoterade exempelmängder. Befintliga bilddatamängder var antingen för små eller fokuserade på bara en eller två skadetyper, vilket begränsade hur smart och pålitlig inspektionsmjukvara kunde bli.

Att bygga ett rikt bildbibliotek från luften

Författarna skapade Wind Turbine Blade Defect (WTBD)-datamängden för att fylla denna lucka. Med en kamerautrustad drönare vid en kustnära vindpark nära Shanghai flög de nära rotorerna i drift och fångade ungefär 2 500 högupplösta bilder under varierande väder- och ljusförhållanden. Efter att ha kasserat suddiga bilder och sådana utan synliga skador behölls 1 065 klara fotografier som standardiserades till ett kvadratiskt format lämpligt för datoranalys. Varje bild visar verkliga blad med naturliga bakgrunder som himmel och moln, och bevarar de röriga förhållanden som inspektionssystem måste hantera i fält.

Sex sätt ett blad kan skadas på

I stället för att enbart förlita sig på var skadorna uppträdde grupperade teamet defekterna efter hur de faktiskt ser ut. Med ingenjörserfarenhet och utifrån vad som kan ses från luften definierade de sex vanliga kategorier: fina ytsprickor, djupare brott, korrosion från sand och salt, skrap- och avflagningar i lacken, subtila hårfina fel och tydliga brännmärkesliknande spår från blixtnedslag. Experter använde sedan ett specialiserat ritverktyg för att rita upp varje skadat område med en ruta och tilldela det till en av dessa sex grupper. Två oberoende annotatörer granskade bilderna och meningsskiljaktigheter avgjordes i diskussion, vilket resulterade i 1 568 precist markerade skadeområden. En statistisk kontroll visade att deras överensstämmelse var mycket hög, vilket ger förtroende för att etiketterna är tillförlitliga.

Test av hur utmanande bilderna är

För att bedöma hur krävande denna datamängd är för datorseendesystem undersökte forskarna mönstren inom varje markerat område med etablerade bildbeskrivare som fångar textur- och kantinformation. De projicerade sedan dessa mätningar till en tvådimensionell karta som visar hur lika olika defekter framstår för en dator. Resultaten visade att exempel från samma kategori kan se förvånansvärt olika ut beroende på betraktningsvinkel, avstånd och ljusförhållanden, samtidigt som olika kategorier kan hamna samlade i samma del av kartan. Det betyder att enkla visuella ledtrådar ofta inte räcker för att skilja en skadetype från en annan. Bilderna innehåller också många små mål och flera defekter i samma bildruta, vilket speglar vad som händer vid verkliga inspektioner i vindparker.

En ny testbädd för smartare inspektioner

Genom att publicera WTBD-samlingen som öppna data, tillsammans med kod och rekommenderade sätt att dela bilderna i tränings- och testset, erbjuder författarna en rigorös plattform för utvecklare av avancerade detektionsalgoritmer. För icke-specialister är huvudpoängen att denna datamängd fångar verkliga, varierade och ibland förvirrande bladskador på ett sätt som datorer kan lära sig av. Den bör hjälpa till att påskynda skapandet av AI-verktyg som granskar drönarfilm, flaggar riskfyllda defekter tidigt och i slutändan håller vindkraftverk snurrande säkrare och mer effektiva under längre tid.

Citering: 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

Nyckelord: vindkraftsblad, drönarinspektion, ytdefekter, datorseende, underhåll av förnybar energi