风电叶片无人机巡检图像AI缺陷识别实验进展

叶片表面缺陷识别是无人机巡检落地的关键环节。本实验室近期围绕真实巡检数据开展实验性探索，构建了涵盖三类典型叶片、约两万张标注图像的内部数据集，重点研究复杂光照与背景干扰下裂纹、涂层脱落、前缘腐蚀等缺陷的检出稳定性。当前阶段性结果如下：一是针对天空与塔筒背景引发的误检问题，引入背景抑制与多尺度特征融合策略，裂纹类召回率由78%提升至89%，单张图像推理耗时约120毫秒；二是尝试以少量人工复核样本进行在线难例更新，四周实验中误报率下降约三成，且标注成本可控。需要说明的是，上述结果基于离线数据集，尚不能直接等同于现场效果。下一步将与巡检作业方合作开展外场验证，评估大风、逆光等极端工况下的模型鲁棒性，并探索缺陷尺寸量化方法，为维修排期决策提供量化依据。