通过使用两步深度学习方法，本文试验缺陷检测准确性，在风力涡轮片背景中生成真实感图像并训练定制的 U-Net 架构来分类和分割缺陷，为无人机等航空器的自主和远程检查提供合理的缺陷检测准确性。

Dec, 2023

针对风能产业中风力发电机叶片破损的问题，提出了一种基于机器学习的破损检测模型，并探讨该模型在生产中实际运用的性能和效果，借助该模型可以降低风能发电的运营成本。

May, 2022

本文使用深度学习构建了一个可靠的风力涡轮机叶片损伤检测模型，降低了风电成本并增加了可持续风能发展。

Jul, 2022

本文提出了一个针对受大气湍流影响动态场景的两阶段无监督前景目标分割网络。在第一阶段，我们利用湍流变形的图像序列的平均光流来提供一个新颖的区域生长算法，为视频中的每个移动物体构建初步的掩膜。在第二阶段，我们采用具有一致性和分组损失的 U-Net 架构进一步优化这些掩膜，优化它们的时空对齐。我们的方法不需要标记的训练数据，并且适用于长距离视频的各种湍流强度。此外，我们发布了第一个受湍流影响的移动目标分割数据集，包含手动注释的地面实况掩膜。在这个新数据集上评估，我们的方法相比当前最先进的无监督方法展现出了优越的分割准确性和鲁棒性。

Nov, 2023

通过引入 YOLOv8 目标检测模型的高级版本，结合卷积块注意力模块（CBAM）来改善特征识别，进一步优化损失函数，本研究在 Saemangeum 海上风力发电场和公开可用的数据集上进行了严格测试，结果显示缺陷检测稳定性显著提高，对于高效的涡轮维护迈出了重要一步，为未来的研究提供了启示，有可能革新可持续能源实践。

Jul, 2023

使用深度学习方法基于热像图的分割框架，自动识别与剪裁导致能量损耗的热量损失源，并消除图像中的障碍物，从而减少人力繁重的任务，并提供自动化、一致且可靠的解决方案，以准确衡量苏格兰住宅中的能量损失。

Aug, 2023

本文提出了一种新颖的算法用于高海拔环境（空中缆车）中钢丝绳的无损损伤检测，该算法包括两个主要组成部分：首先，设计了一个名为 RGBD-UNet 的分割模型，能够准确地从复杂背景中提取钢丝绳。该模型通过提出的 CMA 模块能够处理和组合颜色和深度信息。其次，开发了一个名为 VovNetV3.5 的检测模型，用于区分正常和异常的钢丝绳。它将 VovNet 架构与 DBB 模块集成以提高性能。此外，提出了一种新颖的背景增强方法以增强分割模型的泛化能力。已创建包含不同场景下钢丝绳图像的数据集，用于训练和测试分割和检测模型。实验证明与基准模型相比有显著改进。在提出的数据集上，检测模型达到了最高 0.975 的准确率，分割模型达到了最高 0.948 的 F-measure 值。

Feb, 2024

本研究提出了一种半自动裂缝分割工具，通过图像处理算法利用多方位小波变换构建图像的 “方向得分”，从而计算出最佳裂缝路径，进而实现像素级的分割，该方法优于完全自动方法，并显示出成为手动数据标注的合适替代方法的潜力。

Mar, 2024

我们对多个二值化方法进行了比较研究，包括全局阈值、区域生长、支持向量机、随机森林、多层感知器、U-Net 和 DeepLabV3 +，评估了工业燃烧器火焰的公共基准数据集。结果表明，深度学习是最准确的方法，而传统图像处理技术则是一个快速和简单的选择。

Jun, 2023

为了解决风力发电机叶片损伤的健康和生态问题，本文提出了一种新的基于 YOLOv5 的鸟类检测模型，该模型使用了 CBAM 注意机制和 RetinexNet 网络来提高网络性能，实验结果表明，该模型检测鸟类的准确度可以达到 87.40％，且该模型可以在夜晚，雨天和震动环境下表现出强的稳定性，证明了该模型能够确保风力发电机的安全稳定运行。

Jun, 2023