Zespół modeli YOLO do wielospektralnego wykrywania defektów elementów turbin wiatrowych z użyciem UAV

YOLO Uczenie zespołowe Obrazowanie wielospektralne Turbina wiatrowa UAV Wykrywanie defektów

Otwórz publikację źródłową PDF DOI: 10.1109/IDAACS68557.2025.11322062 arXiv: 2509.04156

Streszczenie redakcyjne

Zespół modeli łączy ogólny detektor YOLOv8 z modelem wyspecjalizowanym w defektach termicznych, a następnie scala ich ramki detekcji. Na danych użytych w badaniu mAP@0,5 wzrósł z 0,91 dla samego YOLOv8 do 0,93 dla zespołu modeli, przy F1 równym 0,90.

Opis bibliograficzny

Format cytowania wymagany przez czasopismo lub organizację sprawdź w rekordzie wydawcy.

Serhii Svystun, Pavlo Radiuk, Oleksandr Melnychenko, Oleg Savenko, Anatoliy Sachenko. "YOLO Ensemble for UAV-based Multispectral Defect Detection in Wind Turbine Components". IDAACS 2025, pp. 11-16, 2025. https://doi.org/10.1109/IDAACS68557.2025.11322062

Powiązane badania

Powiązane publikacje

Artykuły w czasopismach

2025DOI

Ocena krytyczności defektów turbin wiatrowych za pomocą fuzji wielospektralnych danych UAV i logiki rozmytej

Pavlo Radiuk, Bohdan Rusyn, Oleksandr Melnychenko, Tomasz Perzynski, Anatoliy Sachenko, Serhii Svystun, Oleg Savenko

Energies 18(17), 4523

Turbina wiatrowaWykrywanie defektówObrazowanie wielospektralneUAV+2

Artykuły w czasopismach

2024DOI

Obrazy termiczne i RGB lepiej współdziałają w wykrywaniu uszkodzeń turbin wiatrowych

Serhii Svystun, Oleksandr Melnychenko, Pavlo Radiuk, Oleg Savenko, Anatoliy Sachenko, Andrii Lysyi

International Journal of Computing 23(4), 526-535

Turbina wiatrowaObrazowanie termiczneRGBFuzja obrazów+2

Badania w praktyce

Sprawdź metodę w swoim zastosowaniu.

Opisz decyzję, którą ma wspierać Twój system, oraz dostępne dane. Ocenimy przydatność metody, określimy zakres prototypu i uzgodnimy sposób pomiaru jakości, czasu odpowiedzi oraz kosztu działania.

Omów zastosowanie

Wszystkie publikacje