İnsansız Hava Aracı Görüntüleriyle Rüzgar Türbini Kanat Hasarlarının Akıllı Tespiti İçin Çok Sınıflı Veri Kümesi

Dev Rüzgar Makinelerini Gözetlemek

Rüzgar türbinleri tarlalarda ve açık denizlerde sessizce döner, evlerimizi temiz enerjiyle beslemeye yardımcı olur. Ancak uzun kanatlar güneşe, yağmura, tuza, kuma ve hatta yıldırıma maruz kalır; küçük kusurlar ciddi hasarlara dönüşebilir. Bu dev yapıları tırmanarak incelemek yavaş ve risklidir. Bu çalışma, bilgisayarların kanat sorunlarını erken fark etmesine yardımcı olacak yeni bir yaklaşım sunuyor: gerçek kusurları ayrıntılı biçimde yakalayan özenle hazırlanmış bir insansız hava aracı (İHA) fotoğraf koleksiyonu kullanmak.

Kanat Hasarlarının Neden Önemli Olduğu

Modern rüzgar çiftlikleri, binlerce dönen kanadın 7/24 güvenli çalışmasına dayanır. Herhangi bir çatlak, aşınmış bölge veya gizli çizik verimliliği düşürebilir; en kötü durumda tehlikeli arızalara ve maliyetli duruşlara yol açabilir. Müfettişler kanatları uzaktan fotoğraflamak için İHA’lar kullanmaya başladı, ancak bilgisayarlara bu görüntülerdeki birçok farklı kusuru tanıtmak büyük, iyi etiketlenmiş örnek koleksiyonları gerektirir. Mevcut görüntü setleri ya çok küçüktü ya da yalnızca bir-iki hasar türüne odaklanıyordu; bu da denetim yazılımlarının ne kadar akıllı ve güvenilir olabileceğini sınırlıyordu.

Havadan Zengin Bir Görsel Kütüphane Oluşturmak

Yazarlar bu boşluğu doldurmak için Rüzgar Türbini Kanat Hasarı (WTBD) veri kümesini oluşturdu. Şanghay yakınlarındaki kıyı rüzgar çiftliğinde kamera donanımlı bir İHA kullanarak, çalışan türbinlere yakın uçtular ve farklı hava ve ışık koşullarında yaklaşık 2.500 yüksek çözünürlüklü fotoğraf çektirdiler. Bulanık görüntüleri ve görünür hasar içermeyenleri elledikten sonra 1.065 net resmi tuttular ve bunları bilgisayar analizine uygun kare formata standartlaştırdılar. Her görüntü gökyüzü ve bulutlar gibi doğal arka planları koruyan gerçek kanatları gösteriyor; bu, saha koşullarının denetim sistemleri için ne kadar karmaşık olabileceğini yansıtıyor.

Bir Kanadın Yaralanabileceği Altı Yol

Hasarın yalnızca nerede ortaya çıktığına dayanmak yerine ekip, kusurları görünümlerine göre gruplandırdı. Mühendislik deneyimi ve havadan görülebilen özelliklere dayanarak altı yaygın kategori tanımladılar: ince yüzey çatlakları, daha derin kırıklar, kum ve tuz kaynaklı korozyon, kaplama kazınmaları ve soyulma, ince ipliksi (hairline) kusurlar ve yıldırım çarpmasına bağlı yanık benzeri belirgin izler. İnsan uzmanlar daha sonra özel bir çizim aracı kullanarak her hasarlı bölgeyi bir kutu ile çevreleyip bu altı gruptan birine atadılar. İki bağımsız anotatör görüntüleri inceledi; anlaşmazlıklar tartışılarak çözüldü ve sonuçta 1.568 hassas şekilde işaretlenmiş hasar bölgesi elde edildi. Yapılan istatistiksel değerlendirme, anotatörler arasındaki uyumun çok yüksek olduğunu gösterdi ve etiketlerin güvenilir olduğuna dair güven verdi.

Görüntülerin Zorluk Derecesini Test Etmek

Bu veri kümesinin bilgisayarlı görü sistemleri için ne kadar zorlayıcı olduğunu görmek amacıyla araştırmacılar, her işaretlenmiş bölgedeki desenleri doku ve kenar bilgilerini yakalayan yerleşik görüntü tanımlayıcılarıyla incelediler. Ardından bu ölçümleri bilgisayarın farklı kusurları ne kadar benzer algıladığını gösteren iki boyutlu bir haritaya projekte ettiler. Sonuçlar, aynı kategorideki örneklerin görüş açısı, uzaklık ve aydınlatmaya bağlı olarak şaşırtıcı derecede farklı görünebildiğini; farklı kategorilerin ise bu haritanın aynı bölgesinde kümelenebildiğini ortaya koydu. Bu, basit görsel ipuçlarının sıklıkla bir hasar türünü diğerinden ayırmak için yeterli olmadığı anlamına geliyor. Görüntüler ayrıca çok sayıda küçük hedef ve tek karede birden fazla kusur içeriyor; bu da gerçek rüzgar çiftliği denetimlerini yakından yansıtıyor.

Daha Akıllı Denetimler İçin Yeni Bir Test Alanı

WTBD koleksiyonunu açık veri olarak, kodla birlikte ve görüntüleri eğitim ve test setlerine ayırmanın önerilen yollarıyla yayımlayarak, yazarlar ileri tespit algoritmaları geliştiricileri için sağlam bir test ortamı sağlıyor. Uzman olmayanlar için çıkarılacak temel mesaj, bu veri kümesinin bilgisayarların öğrenebileceği şekilde gerçek, çeşitli ve bazen kafa karıştırıcı kanat hasarlarını yakaladığıdır. Bu, İHA görüntülerini tarayan, riskli kusurları erken işaretleyen ve nihayetinde rüzgar türbinlerinin daha uzun süre güvenli ve verimli çalışmasını sağlamaya yardımcı olacak yapay zeka araçlarının geliştirilmesini hızlandırmalıdır.

Atıf: 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

Anahtar kelimeler: rüzgar türbini kanatları, insansız hava aracı muayenesi, yüzey hasarları, bilgisayarlı görü, yenilenebilir enerji bakımı