Debido a la baja eficiencia de la inspección manual de defectos en la superficie de las palas de los aerogeneradores, la débil adaptabilidad ambiental de los métodos de aprendizaje profundo existentes y el rendimiento insuficiente en la detección de múltiples tipos de defectos, se propone un método inteligente de detección en tres etapas basado en aprendizaje profundo mediante drones para lograr un reconocimiento eficiente y preciso de defectos. Primero, se extraen fotogramas de manera uniforme desde videos aéreos, utilizando una red EfficientNetV2-S mejorada para un filtro inicial de palas dañadas (precisión del 87.5%); luego, se emplea un algoritmo de agrupamiento de mezcla gaussiana para seleccionar fotogramas típicos de daños y así comprimir datos redundantes; finalmente, se completa la detección precisa de defectos mediante una red YOLO-v11 basada en un módulo Transformer integrado y una estrategia de anclaje dinámico. Además, se construyó un conjunto de datos con 15,000 imágenes que incluyen defectos como desconchados y grietas para validar el método. Los resultados experimentales muestran que la tasa de recuperación por fotograma alcanza el 88.4%, con una precisión del 71.5%, mientras que a nivel de video la tasa de recuperación sube al 95.0% y la precisión al 86.4%, superando significativamente a los métodos comparados; puede identificar eficazmente defectos como grietas y desconchados, superando las limitaciones del terreno complejo y logrando una cobertura completa de las palas. El método propuesto soluciona el problema de pequeños objetivos e interferencias ambientales, con rendimiento estable y alta precisión de detección, ofreciendo un apoyo sólido para el mantenimiento inteligente eólico.

defectos en la superficie de palas de aerogeneradores;inspección con drones;modelo de agrupamiento de mezcla gaussiana;YOLO-v11;EfficientNetV2