Wind Turbine Surface Damage Detection by Deep Learning Aided Drone Inspection Analysis

Wendet Deep Learning auf Drohnenbilder von Windturbinenblättern an, um Vorderkantenerosion, Vortexgenerator-Leisten (einschließlich fehlender Zähne) und Blitzrezeptoren zu erkennen. Faster R-CNN mit mehreren Backbones wurde verglichen, und eine mehrskalige Pyramiden-Augmentierung mit Patching verbesserte die Genauigkeit deutlich. Trainiert mit Bildern dänischer Turbinen, veröffentlicht die Arbeit auch einen öffentlichen Bildsatz einer Turbine. Die Anzeige von Modellvorschlägen für menschliche Auswerter verkürzte deren Zeit pro Bild.

Zentrale Ergebnisse

• Best mAP 81.1% (Inception-ResNet-V2 with pyramid, patching and regular augmentation) versus 27.5% with no augmentation
• Inference 1.36-2.11 s per high-resolution image versus about 200 s for a human, or about 131 s with model suggestions
• Human precision 83.2%; humans aided by suggestions 85.3%
• Public DTU dataset of 701 images of one turbine released

Grenzen

• Surface damage only; internal damage such as delamination out of scope
• Small, imbalanced training data (e.g. 17 lightning-receptor annotations); lightning receptors 71.6% vs 98.7% for humans
• Main dataset private; public set covers a single turbine
• IoU threshold reported inconsistently in the paper