SASED-YOLO algoritmasına dayalı rüzgâr türbini kanat yüzeyleri için çok ölçekli kusur tespit teknolojisi

Dev kanatlarda küçük kusurlar neden önemli

Modern rüzgâr türbinleri, bir yolcu jetinden daha uzun kanatlara dayanır ve zorlu açık deniz koşullarında kesintisiz döner. Bu kanatlardaki küçük parçalanmalar, çatlaklar veya korozyon lekeleri sadece estetik sorun değildir—gizlice enerji üretimini düşürebilir, ekipmanın ömrünü kısaltabilir ve bakım maliyetlerini artırabilir. Bu çalışma, SASED-YOLO adlı yeni bir bilgisayarlı görü tekniğini sunar; bu yöntem, belirgin işaretler sönük, küçük veya parıltı, kir ya da boya nedeniyle kısmen gizlendiğinde bile kanat yüzeyindeki çeşitli ince hasar türlerini hızlı ve doğru şekilde tespit etmek üzere tasarlanmıştır.

Manüelden akıllı kameralara

Geleneksel olarak kanat denetimleri, ipten sarkan uzmanlara veya ultrason ve kızılötesi kameralar gibi araçlara dayanıyordu. Bazı durumlarda etkili olsa da, bu yöntemler kanat yüzeyi düzensiz, kaplı veya kirliyse zorluk yaşar; ayrıca yavaş, pahalı ve işçiler için riskli olabilir. Son yıllarda derin öğrenme sistemleri, drone ve kameralarla çekilen fotoğraf veya videoları analiz etmeye ve kusurların etrafına otomatik kutular çizmeye başladı. Bu sistem ailesinin en başarılılarından biri YOLO olarak bilinir; görüntü üzerinde tek hızlı geçişte nesneleri konumlandırabilir. Ancak standart YOLO sürümleri hâlâ çok küçük kusurları tespit etmekte, kusur boyutları arasındaki büyük farklarla başa çıkmakta veya bulutlar, yansımalar ve lekeler gibi kafa karıştırıcı arka planları görmezden gelmekte zorlanır.

Kanat hasarını görmek için daha akıllı bir yol

Araştırmacılar hafif YOLOv8s modelini temel alarak onu SASED-YOLO'ya dönüştürür ve kanat muayenesinin özel zorluklarına yönelik birkaç yeni bileşen ekler. İlk olarak, işbirlikçi dikkat modülü ağın muhtemel kusur bölgelerine “odaklanmasına” yardımcı olurken gökyüzü, kule veya temiz kanat alanlarını geri planda bırakır. Bunu görüntüyü hem mekânsal olarak (kanat üzerinde nerede) hem de kanal bazında (hangi doku veya renk) inceleyip yerel ve küresel ipuçlarını birleştirerek yapar. İkincisi, çok ölçekli havuzlama modülü sistemi kusurları farklı “pencereler”den görmeye olanak verir; küçük yamalardan daha geniş kanat alanlarına kadar ve ardından bu bilgileri uzun çatlaklar, dağınık çukurlar ve küçük lekelerin hepsinin net biçimde temsil edilmesini sağlayacak şekilde birleştirir. Üçüncü olarak, resimleri hesaplama tasarrufu için küçültürken ince kenarları ve genellikle erken hasarı işaret eden belirgin çizgileri kaybetmemesi için uyarlanabilir örnekleme azaltma bloğu tanıtılır.

Gerçekçi bir kusur kütüphanesi oluşturma ve test etme

Yaklaşımlarını titizlikle test etmek için ekip, mevcut açık veri kümelerinin çok sınırlı olması nedeniyle kendi rüzgâr türbini kanat veri setlerini, WTBD818-DET'i, derledi. Bu veri seti çatlaklar, darbe yaralanmaları, korozyon, yıldırım izleri, yağ lekeleri, midrallenme (crazing), yapışmış nesneler ve yüzey gözleri (küçük lokal kusurlar) dahil olmak üzere sekiz tür yüzey problemi içeren 7.374 görüntü içerir. Görüntüler yalnızca hangi kusurun bulunduğunu değil, aynı zamanda bunun kanat üzerinde tam olarak nerede olduğunu işaretleyecek şekilde dikkatle etiketlendi. Kusurlar boyut ve görünüm olarak büyük ölçüde değişir ve bazı kategorilerde çok az örnek vardır; bu durum görevi gerçek endüstriyel koşullara yaklaştırır. Araştırmacılar SASED-YOLO ve diğer önde gelen bir dizi tespit modelini aynı ayarlar altında eğitti ve ardından her sistemin kaç kusur bulduğunu, ne sıklıkla doğru olduğunu ve ne kadar hızlı çalıştıklarını karşılaştırdı.

Önceki algılayıcılardan daha keskin gözler

Kanat veri setinde SASED-YOLO, tespit kalitesinin genel bir ölçüsü olan ortalama hassasiyette yüzde 87,7 elde etti; bu, temel YOLOv8s modeline göre yaklaşık 10,5 puan daha yüksek ve RT-DETR, Mamba ve en yeni YOLO çeşitleri gibi diğer gelişmiş sistemlerin önünde açık bir üstünlük sağladı. Özellikle ince çatlaklar, küçük korozyon lekeleri ve diğer modellerin arka plan gürültüsüyle karıştırma eğiliminde olduğu ince yağ filmleri gibi ince taneli kusurları ayırt etmede güçlüydü. Görsel karşılaştırmalar SASED-YOLO’nun hasarın etrafında daha temiz sınırlayıcı kutular ve zararsız çizgiler veya yansımalar üzerinde daha az yanlış alarm ürettiğini gösteriyor. Yöntemin rüzgâr enerjisinin ötesinde genelleşip genelleşemeyeceğini test etmek için yazarlar, onu halka açık bir kaynak olan kaynak kusuru veri setine de uyguladı ve yine birkaç güncel en iyi algılayıcıyı geride bıraktığını buldu.

Gelecek rüzgâr çiftlikleri için anlamı

Uzman olmayanlar için temel mesaj, bu çalışmanın rüzgâr türbinleri için otomatik denetim sistemlerinin “gözlerini” önemli ölçüde iyileştirmesidir. Dikkati, çok ölçekli görüntülemeyi ve ayrıntıların özenle işlenmesini birleştirerek SASED-YOLO, küçük veya karmaşık yüzey problemlerini maliyetli arızalara dönüşmeden daha güvenilir şekilde işaretleyebilir. Model en hızlı gerçek zamanlı algılayıcılardan biraz daha yavaş çalışsa da, kazandığı doğruluk periyodik drone tabanlı incelemeler veya çevrimdışı analizler için onu uygun kılar. Daha fazla optimizasyonla, bu tür yaklaşımlar açık deniz rüzgâr çiftliklerinin güvenli ve verimli çalışmasına yardımcı olabilir; temiz enerjinin güvenilirliğini ve maliyet etkinliğini sessizce iyileştirebilir.

Atıf: 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

Anahtar kelimeler: rüzgâr türbini muayenesi, yüzey kusuru tespiti, derin öğrenme, bilgisayarlı görü, açık deniz rüzgâr enerjisi