Flerskalig felupptäckningsteknik för ytor på vindkraftsvingar baserad på SASED-YOLO-algoritmen

Varför små skador på jättelika vingar spelar roll

Moderna vindturbiner förlitar sig på vingar som är längre än ett passagerarplan och som snurrar oavbrutet i tuffa offshoreförhållanden. Små flisor, sprickor eller fläckar av korrosion på dessa vingar påverkar inte bara utseendet – de kan tyst urholka elproduktionen, förkorta utrustningens livslängd och öka underhållskostnaderna. Denna studie presenterar en ny datorseendemetod, SASED-YOLO, utformad för att snabbt och noggrant upptäcka många typer av subtila ytskador på vindkraftsvingar, även när tecknen är svaga, små eller delvis dolda av bländning, smuts eller färg.

Från manuella kontroller till smarta kameror

Traditionellt har inspektioner av vingar förlitat sig på mänskliga experter som hissas upp i rep eller använder verktyg som ultraljud och infraröda kameror. Även om dessa metoder är verksamma i vissa fall, får de problem när vingytan är ojämn, behandlad eller smutsig, och de kan vara långsamma, kostsamma och farliga för personalen. Under de senaste åren har djuplärandesystem börjat analysera bilder eller video från drönare och kameror, och automatiskt rita rutor runt defekter. En av de mest framgångsrika familjerna av sådana system kallas YOLO, som kan lokalisera objekt i en enda, snabb genomgång av bilden. Standardversioner av YOLO har dock fortfarande svårt att upptäcka mycket små fel, hantera stora skillnader i felstorlekar eller bortse från förvirrande bakgrunder som moln, reflexer och fläckar.

En smartare metod för att se vingarnas skador

Forskarna bygger vidare på den lätta YOLOv8s-modellen och formar om den till SASED-YOLO, genom att lägga till flera nya komponenter riktade mot de särskilda utmaningarna i vingsinspektion. För det första hjälper en samverkansbaserad uppmärksamhetsmodul nätverket att "fokusera" på sannolika skaderegioner samtidigt som himmel, torn eller rena ytor tonas ner. Den gör detta genom att betrakta bilden både över rummet (var på vingen) och över kanalerna (vilken typ av textur eller färg) och kombinera lokala och globala signaler. För det andra låter en flerskalig poolningsmodul systemet betrakta defekter genom olika "fönster", från små fläckar till större partier av vingen, och sedan smälta ihop denna information så att långa sprickor, utspridda gropar och små prickar alla representeras tydligt. För det tredje introduceras en adaptiv nedskalningsblock så att bildminskning för att spara beräkning inte slänger bort de fina kanter och subtila strimmor som ofta markerar tidiga skador.

Bygga och testa ett realistiskt felbibliotek

För att rigoröst pröva sin metod sammanställde teamet sin egen dataset för vinge, WTBD818-DET, eftersom befintliga offentliga samlingar var för begränsade. Den innehåller 7 374 bilder med åtta typer av ytliga problem, inklusive sprickor, slagsskador, korrosion, blixtnedslag, oljefläckar, krympbildning (crazing), fastsittande föremål och ytey (små lokala defekter). Bilderna märktes noggrant för att markera inte bara vilken defekt som förekommer, utan exakt var den ligger på vingen. Defekterna varierar enormt i storlek och utseende, och vissa kategorier har väldigt få exempel, vilket gör uppgiften lik verkliga industriella förhållanden. Forskarna tränade SASED-YOLO och en rad andra ledande detektionsmodeller under samma inställningar och jämförde sedan hur många defekter varje system hittade, hur ofta de var korrekta och hur snabbt de körde.

Skarpare ögon än tidigare detektorer

På vingdatan uppnådde SASED-YOLO en medelprecision—ett övergripande mått på detektionskvalitet—på 87,7 procent, cirka 10,5 procentenheter högre än baslinjemodellen YOLOv8s och klart före andra avancerade system som RT-DETR, Mamba och de senaste YOLO-varianterna. Den var särskilt stark på att plocka upp finfördelade defekter såsom hårsmå sprickor, små korrosionsfläckar och subtila oljefilmer som andra modeller tenderade att missa eller förväxla med bakgrundsbrus. Visuella jämförelser visar att SASED-YOLO producerar renare begränsningsrutor kring skador och färre falsklarm på ofarliga strimmor eller reflexer. För att testa om metoden kunde generalisera bortom vindenergi applicerade författarna den även på en öppen svetsdefektdatabas och fann återigen att den slog flera nuvarande toppdetektorer.

Vad detta betyder för framtida vindparker

För icke-specialister är huvudbudskapet att detta arbete avsevärt förbättrar "ögonen" hos automatiska inspektionssystem för vindturbiner. Genom att kombinera uppmärksamhet, flerskalig granskning och noggrann hantering av detaljer kan SASED-YOLO mer pålitligt flagga små eller komplexa ytliga problem innan de växer till kostsamma fel. Även om modellen körs något långsammare än de snabbaste realtidsdetektorerna gör dess noggrannhetsvinster den väl lämpad för periodiska drönarundersökningar eller offlineanalys. Med vidare optimering skulle metoder som denna kunna bidra till att hålla offshorevindparker säkra och effektiva, och därigenom tyst förbättra tillförlitligheten och kostnadseffektiviteten för ren energi.

Citering: 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

Nyckelord: inspektion av vindturbiner, upptäckt av ytfel, djuplärande, datorseende, havsvindkraft