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

Applique l’apprentissage profond aux images de pales d’éoliennes prises par drone pour détecter l’érosion du bord d’attaque, les panneaux de générateurs de vortex (y compris les dents manquantes) et les récepteurs de foudre. Faster R-CNN avec plusieurs réseaux de base a été comparé, et une augmentation multi-échelle en pyramide avec découpage en imagettes a nettement amélioré la précision. Entraîné sur des images d’éoliennes danoises, il publie aussi un jeu d’images public d’une éolienne. Montrer les suggestions du modèle aux analystes humains a réduit leur temps par image.

Principaux résultats

• 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

Limites

• 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