Aufgrund der niedrigen Effizienz bei der manuellen Erkennung von Oberflächenfehlern an Windradturbinenblättern, der schwachen Umweltanpassungsfähigkeit bestehender Deep-Learning-Methoden und der unzureichenden Leistung bei der Erkennung mehrerer Defekttypen wird eine dreistufige intelligente Erkennungsmethode auf Basis von Deep Learning mit Drohnen vorgeschlagen, um eine effiziente und präzise Fehlererkennung zu realisieren. Zunächst werden gleichmäßig Einzelbilder aus Luftvideos extrahiert und ein verbesserndes EfficientNetV2-S-Netzwerk für das erste Screening beschädigter Blätter verwendet (Genauigkeit 87,5%); anschließend wird ein Gaußscher Mischungs-Clustering-Algorithmus eingesetzt, um typische Schadensbilder zur Komprimierung redundanter Daten auszuwählen; schließlich erfolgt die genaue Fehlererkennung mittels YOLO-v11-Netzwerk basierend auf integrierten Transformer-Modulen und einer dynamischen Ankerpunktstrategie. Darüber hinaus wurde ein Datensatz mit 15.000 Bildern mit Defekten wie Abplatzungen und Rissen zur Verifikation der Methode erstellt. Die experimentellen Ergebnisse zeigen, dass die Erkennungsrate pro Einzelbild 88,4% und die Präzision 71,5% beträgt, während die Erkennungsrate auf Videoebene auf 95,0% und die Präzision auf 86,4% ansteigt, was die Vergleichsmethoden deutlich übertrifft; Defekte wie Risse und Abplatzungen können effektiv erkannt werden, Einschränkungen durch komplexes Gelände werden überwunden und eine vollständige Abdeckung der Blätter erreicht. Die vorgeschlagene Methode löst Probleme mit kleinen Zielen und Umgebungsstörungen, bietet stabile Leistung und hohe Erkennungsgenauigkeit und liefert starken Support für die intelligente Wartung von Windenergieanlagen.

Oberflächenfehler an Windradturbinenblättern;Drohneninspektion;Gaußsche Mischungs-Clustering-Modell;YOLO-v11;EfficientNetV2