Devido à baixa eficiência da inspeção manual dos defeitos na superfície das pás de turbinas eólicas, à fraca adaptabilidade ambiental dos métodos de aprendizado profundo existentes e ao desempenho insuficiente na detecção de múltiplos tipos de defeitos, propõe-se um método inteligente de detecção em três etapas baseado em aprendizado profundo usando drones para alcançar o reconhecimento eficiente e preciso dos defeitos. Primeiro, os quadros são extraídos de forma uniforme dos vídeos aéreos, utilizando uma rede EfficientNetV2-S aprimorada para uma triagem inicial das pás danificadas (precisão de 87,5%); em seguida, é utilizado um algoritmo de agrupamento de mistura gaussiana para selecionar quadros típicos de danos para comprimir os dados redundantes; por fim, a detecção precisa dos defeitos é realizada com a rede YOLO-v11, baseada em um módulo Transformer integrado e estratégia de pontos âncora dinâmicos. Além disso, foi construído um conjunto de dados com 15.000 imagens contendo defeitos como descascamento e rachaduras para validação do método. Os resultados experimentais mostram que a taxa de recall na detecção por quadro atinge 88,4%, com precisão de 71,5%, enquanto na detecção em nível de vídeo a taxa de recall sobe para 95,0% e a precisão para 86,4%, superando significativamente os métodos comparados; pode identificar efetivamente defeitos como rachaduras e descascamento, ultrapassando as limitações de terrenos complexos e alcançando cobertura completa das pás. O método proposto resolve os problemas de alvos pequenos e interferências ambientais, possui desempenho estável e alta precisão de detecção, oferecendo forte suporte para operações inteligentes e manutenção de energia eólica.

defeitos na superfície das pás de turbinas eólicas;inspeção com drones;modelo de agrupamento de mistura gaussiana;YOLO-v11;EfficientNetV2