SWCB-YOLO: Toward Robust and Real-Time Wind Turbine Blade Defect Detection in Unstructured Natural Environments

Resumen Técnico: SWCB-YOLO para la detección de defectos en palas de aerogeneradores

Planteamiento del problema
La inspección mediante vehículos aéreos no tripulados (UAV) es una estrategia estándar para el mantenimiento de palas de aerogeneradores; sin embargo, el despliegue de detectores de aprendizaje profundo en parques eólicos operativos enfrenta tres desafíos críticos que degradan la precisión:

1. Interferencia ambiental no estructurada: Las imágenes de inspección sufren de interferencia de textura de alta frecuencia causada por reflejos de luz, cobertura de nubes y vegetación terrestre, lo que provoca elevadas tasas de falsos positivos y detecciones omitidas.
2. Defectos de alta relación de aspecto: Las grietas en las palas suelen ser delgadas y bifurcadas. Las redes convolucionales estándar tienen campos receptivos locales limitados, mientras que los transformadores de visión con ventanas cuadradas tienden a truncar la estructura continua de estos objetivos alargados.
3. Distorsión geométrica no lineal: La superficie doblemente curva y en forma de silla de montar de las palas de los aerogeneradores causa deformaciones no lineales cuando las grietas se proyectan en un plano de imagen 2D. Las pérdidas de regresión de caja delimitadora (bounding-box) estándar carecen de la capacidad de alineación geométrica para manejar estas distorsiones, particularmente en zonas de alta curvatura como las puntas de las palas.

Metodología: SWCB-YOLO
Los autores proponen SWCB-YOLO, un detector de bordes ligero construido sobre la base de YOLOv11n, diseñado para operar dentro de las restricciones computacionales y de tiempo real de las plataformas de borde de UAV (específicamente la NVIDIA Jetson Xavier NX). El marco integra tres componentes principales:

1. Módulo de Transformer Swin de Tira Asimétrica (AS-Swin2):

   • Mecanismo: Este módulo reemplaza la atención de ventana cuadrada estándar con un mecanismo de Atención de Ventana de Tira Asimétrica (ASWA). Conserva las ventanas cuadradas locales estándar mientras despliega particiones asimétricas verticales ($M^2 \times 1$) y horizontales ($1 \times M^2$) paralelas.
   • Función: Estos campos receptivos ortogonales en forma de tira se alinean con la orientación de las grietas delgadas, capturando dependencias de largo alcance a nivel de píxel a lo largo del eje de la grieta. Incorpora un Sesgo de Posición Continuo de Logaritmo Direccional (Log-CPB) reparametrizado para suprimir el ruido de fondo y amplificar los gradientes de los bordes de la grieta.
   • Costo: Mitiga la truncación estructural típica de las ventanas cuadradas con un costo computacional mínimo añadido.

2. Atención de Doble Dominio Frecuencia-Espacial (FS-DDA):

   • Mecanismo: Un módulo de baja sobrecarga que cascada el pesaje de canales espectrales de la Transformada Discreta de Coseno 2D (2D-DCT) directamente en una etapa de atención espacial de campo receptivo grande en un solo backbone.
   • Función: Desacopla la interferencia ambiental de alta frecuencia (p. ej., vegetación, reflejos) de los bordes débiles de los defectos. La rama espectral atenúa el ruido de alta frecuencia, mientras que la rama espacial subsiguiente refina la continuidad geométrica. Este enfoque de doble dominio separa los fondos de baja frecuencia de los bordes anormales de alta frecuencia de manera más efectiva que los mecanismos de atención de solo canal.

3. Pérdida de IoU Sensible a la Curvatura (CA-Shape-IoU):

   • Mecanismo: Una pérdida de localización exclusiva del entrenamiento que deriva la supervisión de la morfología subyacente de la grieta en lugar de solo la caja delimitadora alineada con los ejes.
   • Componentes: Utiliza campos precomputados fuera de línea de las máscaras de polígonos de verdad de terreno:
     • Pesos de curvatura de Bézier: Aplican penalizaciones de gradiente más altas en regiones de alta curvatura (p. ej., puntas de las palas) para corregir la deriva.
     • Campo de distancia del esqueleto de Voronoi: Atrae los límites de la caja predicha hacia el esqueleto real de la grieta para reducir los falsos positivos en las bifurcaciones.
     • Restricción de elongación: Impone precisión de escala para objetivos con relaciones de aspecto extremas ($r > 8$).
   • Impacto en la inferencia: Debido a que los términos morfológicos se precomputan y aplican solo durante el entrenamiento, la cabeza de detección permanece sin cambios y hay cero costo adicional de inferencia.

Contribuciones Clave

1. Pérdida de Entrenamiento Derivada de la Morfología: El artículo introduce CA-Shape-IoU, un criterio de alineación geométrica que supervisa las cajas de detección alineadas con los ejes utilizando campos de curvatura y de distancia de esqueleto precomputados. Esto es distinto de las pérdidas de forma previas que dependen solo de la geometría de la caja o de las pérdidas de esqueleto basadas en segmentación que requieren cabezales de segmentación en tiempo de inferencia.
2. Backbone Anisotrópico Específico para la Tarea: El módulo AS-Swin2 aborda específicamente la truncación de defectos delgados combinando ventanas cuadradas estándar con particiones de tira ortogonales y codificación posicional adaptativa a la dirección dentro de un bloque SwinV2.
3. Refinamiento de Doble Dominio de Baja Sobrecarga: El mecanismo FS-DDA logra la separación frecuencia-espacial sin un segundo backbone de frecuencia, cascando el pesaje espectral en la atención espacial para mantener un diseño de un solo backbone y baja latencia.
4. Protocolo de Evaluación Riguroso: Para asegurar una comparación justa, todos los detectores base y competidores fueron reentrenados desde cero bajo un protocolo idéntico (mismos cortes de datos, resolución de entrada, optimizador e hiperparámetros) en un conjunto de datos de campo que abarca un ciclo anual completo. El método también fue validado en tres benchmarks abiertos (NEU-DET, DAGM, VisDrone-2019).

Resultados
Evaluado en un conjunto de datos de campo propietario de 5,707 imágenes de un parque eólico de 1.5MW:

• Precisión: SWCB-YOLO logró un 89.0% mAP@50 y un 66.4% mAP@50:95. Esto representa una mejora de 13.8 puntos porcentuales en mAP@50 y 25.3 puntos porcentuales en mAP@50:95 sobre la base de YOLOv11n.
• Eficiencia: El modelo se ejecuta a 35 FPS en una NVIDIA Jetson Xavier NX con 3.70M de parámetros y 8.70 GFLOPs.
• Perspectivas de Ablación:
  • El backbone AS-Swin2 contribuyó con la mayor parte de la ganancia (~87% de la mejora de mAP@50).
  • FS-DDA proporcionó un refinamiento complementario, particularmente en condiciones con mucha vegetación o neblina, recuperando la recuperación (recall) perdida por el filtrado de frecuencia.
  • CA-Shape-IoU mejoró específicamente la localización de alto IoU (mAP@50:95), corrigiendo la deriva geométrica sin aumentar la latencia.
• Generalización entre Conjuntos de Datos: El modelo demostró una transferencia positiva a NEU-DET (+7.2% mAP), DAGM (+4.6% mAP) y VisDrone-2019 (+3.8% mAP), aunque las ganancias disminuyeron a medida que la distancia del dominio aumentaba, lo cual es consistente con la naturaleza especializada de los módulos.
• Significancia Estadística: Las pruebas t pareadas y las pruebas de rango firmado de Wilcoxon confirmaron que las mejoras de rendimiento sobre las bases son estadísticamente significativas ($p < 0.001$).

Significancia y Reivindicaciones
El artículo afirma que SWCB-YOLO aborda la brecha específica de detectar defectos menores y alargados en superficies doblemente curvas en entornos naturales no estructurados, manteniendo la inferencia en tiempo real en dispositivos de borde.

• Robustez: Al integrar el filtrado en el dominio de la frecuencia y la atención anisotrópica, el modelo suprime eficazmente los falsos positivos causados por fondos complejos (vegetación, reflejos) que típicamente afectan a los detectores estándar.
• Precisión Geométrica: La pérdida CA-Shape-IoU demuestra que incorporar prioris morfológicos fuera de línea (curvatura y distancia al esqueleto) puede mejorar significativamente la alineación de la caja delimitadora para objetivos curvos sin incurrir en penalizaciones de inferencia.
• Despliegue Práctico: El marco equilibra la precisión y las restricciones de recursos, ofreciando una solución viable para la inspección automatizada de palas mediante UAV donde se requiere alta precisión junto con presupuestos estrictos de latencia y potencia.

Los autores señalan limitaciones, incluyendo la dependencia de anotaciones a nivel de polígono para la pérdida CA-Shape-IoU (aunque el método sigue siendo robusto ante la simplificación moderada de las anotaciones) y el potencial de sobre-suavizado en escenarios que combinan desenfoque de movimiento extremo con niebla. El trabajo futuro se dirige hacia la reducción de la dependencia de la anotación mediante el aprendizaje semisupervisado y la exploración de la fusión multimodal.