Vision-based autonomous structural damage detection using data-driven methods

要約

この研究では、再生可能エネルギーインフラストラクチャの重要なコンポーネントである風力タービン構造における効率的かつ正確な損傷検出の緊急の必要性に対処しています。
手動評価や非破壊検査（NDT）などの従来の検査方法は、多くの場合、費用がかかり、時間がかかり、ヒューマンエラーが発生しやすくなります。
これらの課題に取り組むために、この研究では、ビジョンベースの構造的健康監視（SHM）の高度な深い学習アルゴリズムを調査しています。
さまざまな損傷の種類と汚染を特徴とする風力タービン表面画像のデータセットが準備され、モデルトレーニングの強化のために増強されました。
表面損傷を検出および分類するために、3つのアルゴリズム-Yolov7、その軽量バリアント、およびより速いR-CNN-が使用されました。
モデルは、トレーニング、テスト、および評価サブセット（80％-10％-10％）に分割されたデータセットでトレーニングおよび評価されました。
結果は、Yolov7が他の人よりも優れており、82.4％のMAP@50および高処理速度を達成し、リアルタイム検査に適していることを示しています。
学習レートやバッチサイズなどのハイパーパラメーターを最適化することにより、モデルの精度と効率がさらに向上しました。
Yolov7は、特にリアルタイムアプリケーションで、検出精度と実行速度の有意な進歩を示しました。
ただし、データセットの制限や環境変動などの課題が認められ、セグメンテーション方法とより大きなデータセットに関する将来の作業が示唆されています。
この研究は、コストを削減し、安全性を高め、信頼性を向上させることにより、SHMの実践を変革するためのビジョンベースの深い学習技術の可能性を強調し、したがって、重要なインフラストラクチャの持続可能なメンテナンスに貢献し、風力エネルギーシステムの寿命をサポートします。

要約(オリジナル)

This study addresses the urgent need for efficient and accurate damage detection in wind turbine structures, a crucial component of renewable energy infrastructure. Traditional inspection methods, such as manual assessments and non-destructive testing (NDT), are often costly, time-consuming, and prone to human error. To tackle these challenges, this research investigates advanced deep learning algorithms for vision-based structural health monitoring (SHM). A dataset of wind turbine surface images, featuring various damage types and pollution, was prepared and augmented for enhanced model training. Three algorithms-YOLOv7, its lightweight variant, and Faster R-CNN- were employed to detect and classify surface damage. The models were trained and evaluated on a dataset split into training, testing, and evaluation subsets (80%-10%-10%). Results indicate that YOLOv7 outperformed the others, achieving 82.4% mAP@50 and high processing speed, making it suitable for real-time inspections. By optimizing hyperparameters like learning rate and batch size, the models’ accuracy and efficiency improved further. YOLOv7 demonstrated significant advancements in detection precision and execution speed, especially for real-time applications. However, challenges such as dataset limitations and environmental variability were noted, suggesting future work on segmentation methods and larger datasets. This research underscores the potential of vision-based deep learning techniques to transform SHM practices by reducing costs, enhancing safety, and improving reliability, thus contributing to the sustainable maintenance of critical infrastructure and supporting the longevity of wind energy systems.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google