基于视觉与数据驱动方法的自主式结构损伤检测
摘要
本研究针对风力发电结构——可再生能源基础设施的关键组成部分——中高效、精准损伤检测的迫切需求。传统检测方法(如人工评估与无损检测(NDT))通常成本高、耗时长,且易受人为误差影响。为应对这些挑战,本研究探讨了用于基于视觉的结构健康监测(SHM)的先进深度学习算法。我们准备并增强了一个包含多种损伤类型与污染情况的风力涡轮机表面图像数据集,以提升模型训练效果。研究采用了三种算法——YOLOv7、其轻量化变体以及 Faster R-CNN——来检测并分类表面损伤。这些模型在按 80%-10%-10% 划分的训练、测试与评估子集上进行了训练与评估。结果表明,YOLOv7 表现最优,达到了 82.4% 的 mAP@50,并具备较高的处理速度,适合实时检测应用。通过对学习率、批量大小等超参数的优化,模型的精度与效率进一步提升。YOLOv7 在检测精度与执行速度方面均展现出显著进步,尤其适用于实时应用。然而,研究也指出了数据集规模有限与环境多变性等挑战,提示未来工作可聚焦于分割方法与更大规模的数据集。本研究凸显了基于视觉的深度学习技术在变革 SHM 实践方面的潜力——降低成本、提升安全性与可靠性,从而为关键基础设施的可持续维护以及风能系统的长期运行做出贡献。
引用
@article{arxiv.2501.16662,
title = {Vision-based autonomous structural damage detection using data-driven methods},
author = {Seyyed Taghi Ataei and Parviz Mohammad Zadeh and Saeid Ataei},
journal= {arXiv preprint arXiv:2501.16662},
year = {2025}
}
备注
14 pages, 8 figures. This study examines advanced deep learning algorithms, specifically YOLOv7, for efficient and accurate damage detection in wind turbine structures. It significantly enhances detection precision and speed for real-time inspections