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

Aplica aprendizaje profundo a imágenes de dron de palas de aerogeneradores para detectar erosión del borde de ataque, paneles de generadores de vórtice (incluidos dientes faltantes) y receptores de rayos. Se comparó Faster R-CNN con varias redes troncales, y el aumento de datos con pirámide multiescala y parcheo mejoró notablemente la precisión. Entrenado con imágenes de turbinas danesas, también publica un conjunto de imágenes de una turbina. Mostrar las sugerencias del modelo a los analistas humanos acortó su tiempo por imagen.

Hallazgos clave

• 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

Limitaciones

• 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