Conjunto de datos multiclase para la detección inteligente de defectos en palas de aerogeneradores mediante imágenes...

Área de la Ciencia:

• Ingeniería
• Ciencias de la Computación
• Ciencias de los Materiales

Sus antecedentes:

• La detección automatizada de defectos en las palas de los aerogeneradores es crucial para la operación eficiente de los parques eólicos.
• Los conjuntos de datos existentes carecen de atributos y escala de defectos suficientes, lo que dificulta el desarrollo de algoritmos.
• La inspección visual utilizando vehículos aéreos no tripulados (VANT) es un método clave para la evaluación de las palas.

Objetivo del estudio:

• Introducir un conjunto de datos estandarizado y multiclase para la detección de defectos en palas de aerogeneradores.
• Proporcionar un conjunto de datos de referencia que aborde las deficiencias de los recursos existentes.
• Facilitar el avance de los algoritmos inteligentes y automatizados de detección de defectos.

Principales métodos:

• Se recopilaron 1.065 imágenes de alta resolución de defectos reales en palas de aerogeneradores utilizando VANT.
• Se categorizaron los defectos en seis clases distintas para análisis multiclase.
• Se realizó un análisis del espacio de características utilizando t-distributed Stochastic Neighbor Embedding (t-SNE) para caracterizar los defectos.

Principales resultados:

• El conjunto de datos consta de 1.065 imágenes en seis categorías de defectos.
• El análisis del espacio de características reveló atributos únicos para diferentes tipos de defectos.
• El conjunto de datos ofrece una mayor diversidad en los tipos de defectos y la resolución de las muestras en comparación con recursos anteriores.

Conclusiones:

• El conjunto de datos presentado sirve como un valioso punto de referencia para el desarrollo y la evaluación de algoritmos de inspección visual para palas de aerogeneradores.
• Este recurso acelerará el progreso en la detección automatizada de defectos, mejorando el mantenimiento de los parques eólicos.
• La naturaleza estandarizada y la caracterización integral del conjunto de datos respaldan el desarrollo de algoritmos robustos.