풍력 터빈 블레이드 표면 결함에 대한 수작업 검사 효율이 낮고, 기존 딥러닝 방법의 환경 적응성이 약하며 다중 유형 결함 검출 성능이 부족한 문제를 해결하기 위해 무인항공기 항공 촬영 기반의 3단계 딥러닝 지능형 검출 방법을 제안하여 효율적이고 정확한 결함 인식을 실현한다. 먼저 항공 영상에서 균등하게 프레임을 추출하고 개선된 EfficientNetV2-S 네트워크를 사용해 손상된 블레이드 초기 선별을 수행한다(정확도 87.5%). 다음으로 가우시안 혼합 클러스터링 알고리즘을 활용하여 전형적인 손상 프레임을 선별해 중복 데이터를 압축한다. 마지막으로 집성 Transformer 모듈과 동적 앵커 포인트 전략이 적용된 YOLO-v11 네트워크를 기반으로 결함의 정밀 검출을 완성한다. 또한 박리, 균열 등의 결함이 포함된 15,000장의 이미지 데이터셋을 구축하여 방법을 검증하였다. 실험 결과, 단일 프레임 검출 재현율은 88.4%, 정밀도는 71.5%에 이르며, 비디오 수준 검출 재현율은 95.0%, 정밀도는 86.4%로 향상되어 기존 방법보다 월등히 우수하다. 균열, 박리 등 결함을 효과적으로 식별하며 복잡한 환경과 지형 제한을 극복하여 전체 블레이드를 커버하는 검출을 실현한다. 제안 방법은 소형 목표물 및 환경 간섭 문제를 해결하며 성능이 안정적이고 검사 정확도가 높아 풍력 발전 지능형 운영 및 유지보수에 강력한 지원을 제공한다.

풍력 터빈 블레이드 표면 결함;무인항공기 검사;가우시안 혼합 클러스터링 모델;YOLO-v11;EfficientNetV2