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

Aplica aprendizado profundo a imagens de drone de pás de turbinas eólicas para detectar erosão do bordo de ataque, painéis de geradores de vórtice (incluindo dentes faltantes) e receptores de raios. O Faster R-CNN com vários backbones foi comparado, e o aumento de dados com pirâmide multiescala e recortes melhorou nitidamente a precisão. Treinado em imagens de turbinas dinamarquesas, também disponibiliza um conjunto público de imagens de uma turbina. Mostrar as sugestões do modelo a analistas humanos reduziu o tempo por imagem.

Principais conclusões

• 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

Limitações

• 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