Face à l'efficacité réduite de la détection manuelle des défauts de surface des pales d'éolienne, à la faible adaptabilité environnementale des méthodes d'apprentissage profond existantes et à la performance insuffisante pour la détection de défauts multi-types, une méthode de détection intelligente en trois étapes basée sur l'apprentissage profond et utilisant des drones aériens est proposée pour réaliser une reconnaissance efficace et précise des défauts. Tout d'abord, des images sont extraites uniformément à partir des vidéos aériennes, et un réseau EfficientNetV2-S amélioré est utilisé pour un premier tri des pales endommagées (précision de 87,5%) ; ensuite, un algorithme de clustering par mélange gaussien est employé pour sélectionner les images typiques des dommages afin de compresser les données redondantes ; enfin, un réseau YOLO-v11 basé sur un module Transformer intégré et une stratégie d'ancrage dynamique réalise la détection précise des défauts. De plus, un ensemble de données de 15 000 images contenant des défauts tels que l'écaillage et les fissures a été construit pour valider la méthode. Les résultats expérimentaux montrent que le taux de rappel pour la détection par image atteint 88,4%, avec une précision de 71,5%, tandis qu'au niveau vidéo, le taux de rappel s'élève à 95,0% avec une précision de 86,4%, surpassant nettement les méthodes comparées ; la méthode permet de détecter efficacement des défauts tels que les fissures et l'écaillage, dépasse les limitations liées aux terrains complexes, et réalise une couverture complète des pales. La méthode proposée résout les problèmes liés aux petits objets et aux interférences environnementales, présente une performance stable et une haute précision de détection, offrant un soutien solide pour la maintenance intelligente des parcs éoliens.

défauts de surface des pales d'éolienne;inspection par drone;modèle de clustering par mélange gaussien;YOLO-v11;EfficientNetV2