利用无人机巡检图像学习识别风力涡轮机叶片表面裂纹

风能有望成为实现《巴黎协定》目标的主要途径之一，但其反过来严重依赖于对其运营与维护（O&M）成本的有效管理。叶片故障占所有 O&M 成本的三分之一，因此准确检测叶片损伤（尤其是裂纹）对于持续运营和成本节约非常重要。传统上，损伤检测完全依赖人工流程，因而主观、易错且耗时。因此在本工作中，我们利用深度学习使损伤检测流程更具客观性、可扩展性和可重复性，以减少漏检裂纹。我们构建了一个深度学习模型，并在通过无人机巡检收集的大规模叶片损伤数据集上训练，以正确检测裂纹。我们的模型已投入生产，处理了超过一百万处损伤，召回率为 0.96。我们还利用类激活图关注模型可解释性，以窥探模型内部机理。该模型不仅表现与人工专家相当，在某些棘手案例中甚至更优。因此，本工作旨在通过减少由其重大障碍之一——如裂纹等叶片故障导致的 O&M 成本，来提升风能采用率。