Automatic defect detection in wind turbine blades: A Deep Learning Model Pipeline for Detection and Classification of Defects in Drone Images

Project Work presented as the partial requirement for obtaining a Master's degree in Data Science and Advanced Analytics, specialization in Data ScienceThe decarbonisation of the energy industry is key in the global approach to the climate emergency. Wind energy in particular, plays an important role in transitioning the global energy system to more sustainable sources. To do so, it must optimise O&M costs through a data-driven, predictive maintenance approach. When it comes to the maintenance of a wind turbine, the manual inspection of blade photographs - often taken by drones - is a time-consuming and labour intensive process, yet it is fundamental to ensure the turbine’s continued energy production during its lifecycle. This thesis intends to purpose, test, and implement a defect detection pipeline based on the Faster-RCNN deep learning architecture, capable of detecting 6 distinct classes of blade defects to a level of accuracy suitable enough to deploy in A.I.-assisted inspections.Tendo em vista a emergência climática, é fundamental a descarbonização do sector energético a nível global. A energia eólica, em particular, tem um papel importante na transição do sistema energético atual para fontes de energia inteiramente limpas e sustentáveis. Para tal, é necessário otimizar os custos de operação e manutenção de turbinas eólicas através de uma abordagem preditiva baseada em dados recolhidos regularmente por meio de fontes automáticas, das quais drones estão em primeiro plano. No que toca à manutenção de turbinas eólicas, a inspeção manual de fotografias de pás é um processo muito demorado e de mão-de-obra intensiva sendo, no entanto, fundamental para a continuação de produção de energia ao longo da vida útil da turbina. O objetivo desta tese é propor, testar e implementar uma pipeline de deteção automática de defeitos baseada na arquitetura de modelo de aprendizagem profunda Faster-RCNN. Este modelo de inteligência artificial é capaz de detetar 6 classes distintas de defeitos na pá, a um nível de precisão adequado para auxiliar nas inspeções, reduzindo o tempo de inspeção, a possibilidade de erros de deteção e os custos de mão-de-obra