風力タービンブレード表面の欠陥に対する手作業検査の効率が低く、既存の深層学習手法は環境適応性が弱く、複数種類の欠陥検出性能が不足している問題を解決するために、深層学習に基づく無人航空機による三段階のインテリジェント検出手法を提案し、高効率かつ高精度な欠陥識別を実現する。まず、航撮映像から均等にフレームを抽出し、改良版EfficientNetV2-Sネットワークを用いて損傷したブレードの一次選別を行う（精度87.5%）；次に、ガウス混合クラスタリングアルゴリズムを用いて典型的な損傷フレームを選別し、冗長データを圧縮する；最後に、統合Transformerモジュールと動的アンカーストラテジーを備えたYOLO-v11ネットワークにより欠陥の高精度検出を行う。さらに、剥離やひび割れなどの欠陥を含む15,000枚の画像データセットを構築し、本手法の検証を行った。実験結果は、単一フレームの検出再現率が88.4%、精度が71.5%、動画レベルの検出再現率は95.0%、精度は86.4%に達し、比較手法を大きく上回ることを示した。ひび割れや剥離などの欠陥を効果的に識別でき、複雑な環境や地形の制約を突破し、全ブレードをカバーする検出を実現する。提案手法は、小さな対象物や環境干渉の課題を解決し、安定した性能と高い検出精度を持ち、風力発電のスマートな運用・保守に強力な支援を提供する。

風力タービンブレード表面欠陥;無人航空機検査;ガウス混合クラスタリングモデル;YOLO-v11;EfficientNetV2