Intelligent detection method for surface defects on wind turbine blades based on deep learning UAV inspection

ZHENG Xin; TIAN Lin; ZHANG Yan; GAN Zongyuan; HUANG Wei

doi:10.37188/CJLCD.2026-0002

您当前的位置：

首页 >

文章列表页 >

Intelligent detection method for surface defects on wind turbine blades based on deep learning UAV inspection

Image Processing | 更新时间：2026-09-12

- Intelligent detection method for surface defects on wind turbine blades based on deep learning UAV inspection
- Chinese Journal of Liquid Crystals and Displays Vol. 41, Issue 2, Pages: 267-279(2026)
- 作者机构：
  
  1. 四川文理学院人工智能与大数据学院，四川达州 635000
  2. 伊犁师范大学电子工程学院，新疆伊宁 835000
  3. 四川文理学院四川革命老区发展研究中心，四川达州 635000
  4. 景德镇学院信息工程学院，江西景德镇 334000
- 作者简介：
- 基金信息：
  
  Jiangxi Provincial Department of Education Science and Technology Research Project(GJJ2402304);Open Fund of Sichuan Provincial University Key Laboratory of Intelligent Medicine and Health Big Data(ZNYX2501;ZNYX2514);Open Fund of Dazhou Key Laboratory of Government Data Security(ZSAQ202514);Open Fund of Sichuan Revolutionary Old Base Development Research Center(SLQ2025SA04)
- DOI：10.37188/CJLCD.2026-0002
  CLC： TP391
- CSTR：32172.14.CJLCD.2026-0002
- Received：04 January 2026，
  
  Revised：2026-01-22，
  
  Published：05 February 2026
- 稿件说明：
移动端阅览
ZHENG Xin, TIAN Lin, ZHANG Yan, et al. Intelligent detection method for surface defects on wind turbine blades based on deep learning UAV inspection[J]. Chinese Journal of Liquid Crystals and Displays, 2026, 41(2): 267-279.
DOI：

ZHENG Xin, TIAN Lin, ZHANG Yan, et al. Intelligent detection method for surface defects on wind turbine blades based on deep learning UAV inspection[J]. Chinese Journal of Liquid Crystals and Displays, 2026, 41(2): 267-279. DOI： 10.37188/CJLCD.2026-0002. CSTR： 32172.14.CJLCD.2026-0002.

摘要

针对风机叶片表面缺陷人工检测效率低、现有深度学习方法环境适应性弱及多类型缺陷检测性能不足的问题，提出一种基于深度学习的无人机航拍三阶段智能检测方法，以实现高效、精准的缺陷识别。首先，从航拍视频中均匀抽帧，采用改进的EfficientNetV2-S网络实现损伤叶片初筛（准确率87.5%）；然后，利用高斯混合聚类算法筛选典型损伤帧以压缩冗余数据；最后，基于集成Transformer模块与动态锚点策略的YOLO-v11网络完成缺陷精确检测。此外，构建包含剥落、裂纹等缺陷的15 000幅图像数据集用于方法验证。实验结果表明，该方法单帧检测召回率达88.4%、精度达71.5%，视频级检测召回率提升至95.0%、精度达86.4%，显著优于对比方法；可有效识别裂纹、剥落等缺陷，突破复杂环境地形限制，实现全叶片覆盖检测。所提方法解决了小目标与环境干扰难题，性能稳定，检测精度高，为风电智能化运维提供了有力支持。

Abstract

To achieve efficient and accurate defect detection for wind turbine blades， this study develops a UAV-based intelligent inspection system and investigates its core algorithms， including multi-stage defect screening， representative frame selection， and deep learning-based defect recognition. First， based on image features such as structural integrity and texture patterns， an improved EfficientNetV2-S network is proposed for preliminary damage screening （accuracy 87.5%）. Next， Gaussian Mixture Clustering is employed to select representative damaged frames from video streams， effectively reducing data redundancy. Then， a YOLO-v11 network integrated with Transformer modules and dynamic anchor strategies is developed for precise defect localization and classification. Additionally， a comprehensive dataset containing 15 000 annotated UAV images of various defects （e.g.， cracks， delamination） is established for algorithm validation.Experimental results demonstrate that the system achieves 88.4% recall and 71.5% precision in single-frame detection， while video-level analysis improves to 95.0% recall and 86.4% precision. The method outperforms existing approaches in detecting multiple defect types under complex environmental conditions.The proposed system meets the requirements for non-contact inspection， real-time processing， high accuracy， and strong anti-interference capability， providing an effective solution for intelligent wind turbine maintenance.

关键词

Keywords

references

刘震宇，尹兆磊，陈晨，等 . 基于WTBD-Det的风机叶片缺陷检测算法［J］. 激光与光电子学进展， 2025 ， 62 （ 20 ）： 20150004 ．

LIU Z Y ， YI Z L ， CHEN C ， et al . Wind turbine blade defect detection algorithm based on WTBD-Det ［J］. Laser & Optoelectronics Progress ， 2025 ， 62 （ 20 ）： 20150004 . （in Chinese）

董秀芬，孙浩东，周登科，等 . 海上风电风机叶片损伤不停机光电探测及识别［J］. 激光与光电子学进展， 2025 ， 62 （ 6 ）： 0612004 ．

DONG X F ， SUN H D ， ZHOU D K ， et al . Offshore fan-blade damage non-stop photoelectric detection and identification ［J］. Laser & Optoelectronics Progress ， 2025 ， 62 （ 6 ）： 0612004 . （in Chinese）

何赟泽，李响，王洪金，等 . 基于可见光和热成像的风机叶片全周期无损检测综述［J］. 机械工程学报， 2023 ， 59 （ 6 ）： 32 - 45 ． doi: 10.3901/jme.2023.06.032 http://dx.doi.org/10.3901/jme.2023.06.032

HE Y Z ， LI X ， WANG H J ， et al . A review： full-cycle nondestructive testing based on visible light and thermography of wind turbine blade ［J］. Journal of Mechanical Engineering ， 2023 ， 59 （ 6 ）： 32 - 45 . （in Chinese） . doi: 10.3901/jme.2023.06.032 http://dx.doi.org/10.3901/jme.2023.06.032

朱广，顾晨，徐立云，等 . 改进YOLOv8的风机叶片多尺度缺陷检测［J］. 光学精密工程， 2025 ， 33 （ 9 ）： 1496 - 1514 ． doi: 10.37188/ope.20253309.1496 http://dx.doi.org/10.37188/ope.20253309.1496

ZHU G ， GU C ， XU L Y ， et al . Improvement of YOLOv8 for multi-scale defect detection in wind turbine blades ［J］. Optics and Precision Engineering ， 2025 ， 33 （ 9 ）： 1496 - 1514 . （in Chinese） . doi: 10.37188/ope.20253309.1496 http://dx.doi.org/10.37188/ope.20253309.1496

沈君贤，马天池，宋狄，等 . 基于可解释选择性集成框架的离心风机叶片裂纹损伤检测［J］. 机械工程学报， 2024 ， 60 （ 12 ）： 183 - 193 ． doi: 10.3901/jme.2024.12.183 http://dx.doi.org/10.3901/jme.2024.12.183

SHEN J X ， MA T C ， SONG D ， et al . Crack damage detection of centrifugal fan blades based on interpretable ensemble selection framework ［J］. Journal of Mechanical Engineering ， 2024 ， 60 （ 12 ）： 183 - 193 . （in Chinese） . doi: 10.3901/jme.2024.12.183 http://dx.doi.org/10.3901/jme.2024.12.183

曾勇杰，范必双，杨涯文，等 . 改进YOLOv8算法在风机叶片缺陷检测上的应用［J］. 电子测量与仪器学报， 2024 ， 38 （ 8 ）： 26 - 35 ．

ZENG Y J ， FAN B S ， YANG Y W ， et al . YOLOv8 algorithm is improved in the defect detection of wind turbine blades applications ［J］. Journal of Electronic Measurement and Instrumentation ， 2024 ， 38 （ 8 ）： 26 - 35 . （in Chinese）

LI W R ， ZHAO W H ， DU Y F . Large-scale wind turbine blade operational condition monitoring based on UAV and improved YOLOv5 deep learning model ［J］. Mechanical Systems and Signal Processing ， 2025 ， 226 ： 112386 . doi: 10.1016/j.ymssp.2025.112386 http://dx.doi.org/10.1016/j.ymssp.2025.112386

PU J Y ， ZHANG Q F ， ZHAO W B ， et al . Research on refined UAV inspection method of wind/solar power stations based on YOLOv8 ［J］. Journal of Engineering and Applied Science ， 2025 ， 72 （ 1 ）： 10 . doi: 10.1186/s44147-025-00576-1 http://dx.doi.org/10.1186/s44147-025-00576-1

ZHANG Z Y ， SHU Z R . Unmanned aerial vehicle （UAV）-assisted damage detection of wind turbine blades： a review ［J］. Energies ， 2024 ， 17 （ 15 ）： 3731 . doi: 10.3390/en17153731 http://dx.doi.org/10.3390/en17153731

唐震，彭业萍，王伟江，等 . 融合Hough直线检测和Grab-cut的风机叶片自适应分割方法［J］. 电子测量与仪器学报， 2021 ， 35 （ 4 ）： 161 - 168 ．

TANG Z ， PENG Y P ， WANG W J ， et al . Adaptive segmentation method for wind turbine blades combining Hough line detection and Grab-cut algorithm ［J］. Journal of Electronic Measurement and Instrumentation ， 2021 ， 35 （ 4 ）： 161 - 168 . （in Chinese）

闫浩伟 . 基于无人机的风机叶片表面缺陷自动检测方法［J］. 计算机测量与控制， 2024 ， 32 （ 11 ）： 72 - 79 ．

YAN H W . Automatic detection method for surface defects of fan blades based on drones ［J］. Computer Measurement & Control ， 2024 ， 32 （ 11 ）： 72 - 79 . （in Chinese）

刘玉淇，吴一全 . 基于机器视觉的太阳能电池片缺陷检测算法综述［J］. 光学精密工程， 2024 ， 32 （ 6 ）： 868 - 900 ． doi: 10.37188/ope.20243206.0868 http://dx.doi.org/10.37188/ope.20243206.0868

LIU Y Q ， WU Y Q . Review of defect detection algorithms for solar cells based on machine vision ［J］. Optics and Precision Engineering ， 2024 ， 32 （ 6 ）： 868 - 900 . （in Chinese） . doi: 10.37188/ope.20243206.0868 http://dx.doi.org/10.37188/ope.20243206.0868

姜晓恒，段金忠，卢洋，等 . 融合先验知识推理的表面缺陷检测［J］. 图学学报， 2024 ， 45 （ 5 ）： 957 - 967 .

JIANG X H ， DUAN J Z ， LIU Y ， et al . Fusing prior knowledge reasoning for surface defect detection ［J］. Journal of Graphics ， 2024 ， 45 （ 5 ）： 957 - 967 . （in Chinese）

孙坚，杨宇兵 . 基于特征提取和最优加权集成策略的风机叶片结冰故障检测［J］. 科学技术与工程， 2024 ， 24 （ 11 ）： 4501 - 4509 ．

SUN J ， YANG Y B . Icing fault detection of wind turbine blades based on feature extraction and an optimal weighted ensemble strategy ［J］. Science Technology and Engineering ， 2024 ， 24 （ 11 ）： 4501 - 4509 . （in Chinese）

杨彦萍，高军伟，刘兆龙，等 . 基于改进YOLO11的印刷电路板表面缺陷检测算法［J］. 液晶与显示， 2025 ， 40 （ 10 ）： 1545 - 1556 ． doi: 10.37188/cjlcd.2025-0137 http://dx.doi.org/10.37188/cjlcd.2025-0137

YANG Y P ， GAO J W ， LIU Z L ， et al . Surface defect detection on printed circuit boards based on improved YOLO11 ［J］. Chinese Journal of Liquid Crystals and Displays ， 2025 ， 40 （ 10 ）： 1545 - 1556 . （in Chinese） . doi: 10.37188/cjlcd.2025-0137 http://dx.doi.org/10.37188/cjlcd.2025-0137

LIU Y H ， ZHENG Y Q ， SHAO Z F ， et al . Defect detection of the surface of wind turbine blades combining attention mechanism ［J］. Advanced Engineering Informatics ， 2024 ， 59 ： 102292 . doi: 10.1016/j.aei.2023.102292 http://dx.doi.org/10.1016/j.aei.2023.102292

陈名渝，谢玥辰，吕雄涛，等 . 冷轧钢表面与内部缺陷检测研究［J］. 中国光学（中英文）， 2024 ， 17 （ 4 ）： 823 - 833 ． doi: 10.37188/co.2023-0189 http://dx.doi.org/10.37188/co.2023-0189

CHEN M Y ， XIE Y C ， LV X T ， et al . Detection of surface and internal defects in cold rolled steel ［J］. Chinese Optics ， 2024 ， 17 （ 4 ）： 823 - 833 . （in Chinese） . doi: 10.37188/co.2023-0189 http://dx.doi.org/10.37188/co.2023-0189

HUANG C ， CHEN M H ， WANG L . Semi-supervised surface defect detection of wind turbine blades with YOLOv4 ［J］. Global Energy Interconnection ， 2024 ， 7 （ 3 ）： 284 - 292 . doi: 10.1016/j.gloei.2024.06.010 http://dx.doi.org/10.1016/j.gloei.2024.06.010

LIU Y H ， ZHENG Y Q ， WEI T ， et al . Lightweight algorithm based on you only look once version 5 for multiple class defect detection on wind turbine blade surfaces ［J］. Engineering Applications of Artificial Intelligence ， 2024 ， 138 ： 109422 . doi: 10.1016/j.engappai.2024.109422 http://dx.doi.org/10.1016/j.engappai.2024.109422

HANG X Y ， ZHU X X ， GAO X X ， et al . Study on crack monitoring method of wind turbine blade based on AI model： integration of classification， detection， segmentation and fault level evaluation ［J］. Renewable Energy ， 2024 ， 224 ： 120152 . doi: 10.1016/j.renene.2024.120152 http://dx.doi.org/10.1016/j.renene.2024.120152

MA Y X ， YIN J X ， HUANG F ， et al . Surface defect inspection of industrial products with object detection deep networks： a systematic review ［J］. Artificial Intelligence Review ， 2024 ， 57 （ 12 ）： 333 . doi: 10.1007/s10462-024-10956-3 http://dx.doi.org/10.1007/s10462-024-10956-3

AMERI R ， HSU C C ， BAND S S . A systematic review of deep learning approaches for surface defect detection in industrial applications ［J］. Engineering Applications of Artificial Intelligence ， 2024 ， 130 ： 107717 . doi: 10.1016/j.engappai.2023.107717 http://dx.doi.org/10.1016/j.engappai.2023.107717

ZHAO L X ， YU J B . Crop-paste and diffusion-based semi-supervised segmentation network for metal defect detection ［J］. Knowledge-Based Systems ， 2025 ， 318 ： 113573 . doi: 10.1016/j.knosys.2025.113573 http://dx.doi.org/10.1016/j.knosys.2025.113573

PAN J W ， ZENG D Y ， WU Z Z ， et al . BiDNet： a real-time semantic segmentation network with antifeature interference and detail recovery for industrial defects ［J］. IEEE Transactions on Instrumentation and Measurement ， 2025 ， 74 ： 5017916 . doi: 10.1109/tim.2025.3548182 http://dx.doi.org/10.1109/tim.2025.3548182

HOANG D C ， TAN P X ， NGUYEN A N ， et al . Image-based anomaly detection in low-light industrial environments with feature enhancement ［J］. Results in Engineering ， 2025 ， 25 ： 104309 . doi: 10.1016/j.rineng.2025.104309 http://dx.doi.org/10.1016/j.rineng.2025.104309

MA W ， LI Y ， LAN S Y ， et al . Semantic-aware normalizing flow with feature fusion for image anomaly detection ［J］. Neurocomputing ， 2024 ， 590 ： 127728 . doi: 10.1016/j.neucom.2024.127728 http://dx.doi.org/10.1016/j.neucom.2024.127728

邓万宇，袁昭阳 . 基于改进YOLOv8n的光伏板缺陷检测技术［J］. 液晶与显示， 2025 ， 40 （ 11 ）： 1700 - 1709 . doi: 10.37188/cjlcd.2025-0166 http://dx.doi.org/10.37188/cjlcd.2025-0166

DENG W Y ， YUAN Z Y . Photovoltaic panel defect detection technology based on improved YOLOv8n ［J］. Chinese Journal of Liquid Crystals and Displays ， 2025 ， 40 （ 11 ）： 1700 - 1709 . （in Chinese） . doi: 10.37188/cjlcd.2025-0166 http://dx.doi.org/10.37188/cjlcd.2025-0166

DING W Y ， LIU H ， CHEN F G . Video segmentation of industrial smoke based on dynamic fully convolutional network-Gaussian mixture model and multi-scale fusion attention module ［J］. Journal of Electronic Imaging ， 2023 ， 32 （ 3 ）： 033038 . doi: 10.1117/1.jei.32.3.033038 http://dx.doi.org/10.1117/1.jei.32.3.033038

YAO D P ， XIE F Z ， XU Y X . Bayesian sparse Gaussian mixture model for clustering in high dimensions ［J］. Journal of Machine Learning Research ， 2025 ， 26 （ 1 ）： 50 .

GOHAR I ， YEW W K ， HALIMI A ， et al . Review of state-of-the-art surface defect detection on wind turbine blades through aerial imagery： challenges and recommendations ［J］. Engineering Applications of Artificial Intelligence ， 2025 ， 144 ： 109970 . doi: 10.1016/j.engappai.2024.109970 http://dx.doi.org/10.1016/j.engappai.2024.109970

TAN M X ， LE Q V . EfficientNetV2： smaller models and faster training ［C］// Proceedings of the 38th International Conference on Machine Learning . Online ： PMLR ， 2021 ： 10096 - 10106 .

JOCHER G . Ultralytics YOLO ［EB/OL］. 2024 . https：//github.com/ultralytics/ultralytics https://github.com/ultralytics/ultralytics .

SIMONYAN K ， ZISSERMAN A . Very deep convolutional networks for large-scale image recognition ［C］. 3rd International Conference on Learning Representations . San Diego ： ICLR ， 2015 ： 1556 .

HE K M ， ZHANG X Y ， REN S Q ， et al . Deep residual learning for image recognition ［C］// Proceedings of 2016 IEEE Conference on Computer Vision and Pattern Recognition . Las Vegas ： IEEE ， 2016 ： 770 - 778 . doi: 10.1109/cvpr.2016.90 http://dx.doi.org/10.1109/cvpr.2016.90

HUANG G ， LIU Z ， VAN DER MAATEN L ， et al . Densely connected convolutional networks ［C］// Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition . Honolulu ： IEEE ， 2017 ： 2261 - 2269 . doi: 10.1109/cvpr.2017.243 http://dx.doi.org/10.1109/cvpr.2017.243

SZEGEDY C ， IOFFE S ， VANHOUCKE V ， et al . Inception-v4， inception-ResNet and the impact of residual connections on learning ［C］// Proceedings of the 31st AAAI Conference on Artificial Intelligence . San Francisco ： AAAI Press ， 2017 ： 4278 - 4284 . doi: 10.1609/aaai.v31i1.11231 http://dx.doi.org/10.1609/aaai.v31i1.11231

Views

389

下载量

CSCD

Alert me when the article has been cited

提交

Tools

Publicity Resources

中国科学院长春光学精密机械与物理研究所液晶光学团队

PCB defect detection based on ZYNQ and YOLO26n

Liquid crystal geometric phase planar optical elements based on polarized laser direct writing induced photoalignment

Field-induced dual-mode switchable liquid crystal grating based on flexoelectric effect

Lightweight detection of foreign objects on road surfaces in challenging driving environments

Related Author

TianLin

Related Institution

No data

AI问答

Address：No.3888 Dong Nanhu Road, Changchun, Jilin, China 130033 Postal code：130033
Tel：0431-86176059 Email：yjxs@ciomp.ac.cn
Technical support is provided by Beijing Founder electronics co., LTD 吉ICP备11002662号-17 京公网安备11010802024621
It is recommended to read the content of this site in Chrome&IE9+. Please switch to extreme mode in browser 360.
Cookies We use cookies to help provide and enhance our service and tailor content. By continuing, you agree to the use of cookies.

⁰