新的AI工具85％可以准确识别和分类风力涡轮机叶片缺陷

对风能的需求已经增长，随之而来的是检查涡轮叶片和识别可能影响运行效率的缺陷的需求。从视觉热成像到超声，已经尝试了各种刀片检查技术，但是所有技术都显示出缺点。

大多数检查过程仍然需要工程师进行手动检查，其中涉及捕获大量高分辨率图像。这样的检查不仅费时并且受光照条件的影响，而且还很危险。

拉夫堡大学的计算机科学家开发了一种新工具，该工具使用人工智能(AI)分析风力涡轮机叶片的图像，以定位并突出显示缺陷区域。

更好的是，该系统已得到软件解决方案提供商Railston&Co Ltd的支持和投入，已经过“培训”以按类型对缺陷进行分类，例如裂纹，腐蚀，空洞和“其他”，这有可能导致更快，更适当的回应。

提出的工具目前可以分析从手动或无人机执行的检查中捕获的图像和视频。

未来的研究将进一步探索将AI工具与无人机配合使用，以消除手动检查的需要。

研究负责人Georgina Cosma博士和博士。学生Jiajia Zhang使用该项目的工业合作伙伴Railston&Co Ltd捕获的923张图像的数据集训练了AI系统以检测不同类型的缺陷。

该系统使用图像增强和增强方法以及AI算法(即Mask R-CNN深度学习算法)对图像进行分析，然后突出显示缺陷区域并按类型标记它们。

开发该系统后，研究人员通过输入223张新图像对它进行了测试。对于识别和分类风力涡轮机叶片缺陷的任务，该工具达到了约85%的测试准确度。

该结果已发表在《影像学杂志》上题为“图像增强型遮罩R-CNN：具有用于风轮机叶片缺陷检测和分类的新评估措施的深度学习管道”的论文中。

有关AI如何工作的分步图像。学分：拉夫堡大学

本文还提出了一套评估缺陷检测系统的新方法，鉴于基于AI的缺陷检测并且现有系统仍处于起步阶段，因此迫切需要这些措施。

在这项研究中，项目负责人Cosma博士说：“ AI是检测和分析缺陷的强大工具，无论缺陷是在风力涡轮机叶片上还是在其他表面上。

“使用人工智能，我们可以使识别和评估损失的过程自动化，从而更好地利用专家的时间和精力。

“当然，要构建AI模型，我们需要经过工程师标记的图像，Railston&Co ltd将提供此类图像和专业知识，从而使该项目可行。”

张加军补充说：“对于AI来说，缺陷检测是一项艰巨的任务，因为相同类型的缺陷的大小和形状可能会有所不同，并且在不同的条件下(例如光线，屏蔽，图像温度等)捕获每个图像。

“对图像进行预处理以增强基于AI的检测过程，目前，我们正在通过探索对图像进行预处理的改进并扩展AI算法来进一步提高准确性。”

Railston&Co Ltd的杰森·沃特金斯(Jason Watkins)说，该公司“受到拉夫堡大学团队成果的鼓舞”。

他说：“人工智能有可能改变工业检查和维护的世界。除了对损坏的类型进行分类之外，我们还计划开发新的算法，以更好地检测出损坏的严重程度以及大小和位置。在太空。

“我们希望这将为我们的客户带来更好的成本预测。”

拉夫堡专家除了进一步探索该技术如何与无人机检查配合使用外，还计划通过培训系统以检测缺陷的严重性，在研究的基础上继续前进。他们还希望评估该工具在其他表面上的性能。

标签： AI工具