RÜZGAR TÜRBİNİ KANATLARINDA HASAR TESPİTİ: YOLO TABANLI DERİN ÖĞRENME YAKLAŞIMLARI

Abstract

Bu çalışmada, rüzgâr türbini kanatlarında oluşan Termal Türbülans Desenlerini (TTP'ler) kızılötesi termografik görüntüler kullanarak tespit etmeyi amaçlayan, A-BiYOLOv9 adı verilen, YOLOv9 modelinin geliştirilmiş bir versiyonu sunulmuştur. Literatürdeki mevcut çalışmaların çoğu RGB görüntülemeye odaklanırken, bu tez kızılötesi termografiye odaklanarak TTP'lerin oluşturduğu benzersiz zorlukları ele almayı hedeflemiştir. Geleneksel nesne tespit modelleri, küçük ölçekli ve düşük kontrastlı termal ipuçlarını yakalamakta zorlanmaktadır. Önerilen A-BiYOLOv9 mimarisi, bu zorlukların üstesinden gelmek için YOLOv9-c çerçevesi üzerine inşa edilmiştir. Model, mimarinin hem omurga hem de boyun kısımlarını Evrişimsel Blok Dikkat Modülü (CBAM) ve Çift Yönlü Özellik Piramidi Ağı (BİFPN) ile iyileştirerek iki temel yenilik sunmaktadadır. CBAM birimleri, ağın omurga kısmına entegre edilerek, bilgilendirici kanal ve uzamsal konumlara adaptif odaklanmayı kolaylaştırır. Bu, mikro ölçekli termal ipuçlarını vurgulamak ve arka plan gürültüsünü bastırmak için hayati öneme sahiptir. Ayrıca, geleneksel Yol Toplama Ağı (PAN) yerine BiFPN kullanılmıştır. Bu yapı, bilginin özellik hiyerarşisi boyunca her iki yönde de hareket etmesine olanak tanır ve öğrenilebilir ağırlıklar ekleyerek çok ölçekli özelliklerin uyarlanabilir bir şekilde harmanlanmasını sağlar. Model, gerçek çalışma koşulları altında toplanmış, herkese açık KI-VISIR termografik görüntü veri seti kullanılarak eğitilmiş ve değerlendirilmiştir. Veri seti, ağırlıklı olarak küçük ölçekli ve kanadın orta bölümüne yakın kümelenen 5852 etiketli TTP örneği içermektedir. Kapsamlı ablasyon ve karşılaştırma deneyleri, önerilen A-BiYOLOv9'un test edilen tüm ağlar arasında genel olarak en iyi tespit sonuçlarını ürettiğini göstermiştir. Model, 0,998 Kesinlik (P), 0,997 Duyarlılık (R) ve 0,969 mAP@0.5:0.95 değeri elde etmiştir. Ablasyon sonuçları, CBAM ve BiFPN'nin ortak kullanımının, ayrı ayrı kullanımlarına kıyasla en yüksek duyarlılık ve gürbüzlüğü (0,989 mAP@75) sağladığını doğrulamıştır. Bu sonuçlar, A-BiYOLOv9'un karmaşık operasyonel koşullar altında dahi küçük ve silik düzensizlikleri güvenilir bir şekilde yakalamayı başardığını ve rüzgâr türbini bakım uygulamalarında gerçek zamanlı, temassız hata izleme için umut verici bir temel sunduğunu göstermektedir.

This study, an enhanced version of the YOLOv9 model, called A-BiYOLOv9, is presented, aiming to detect Thermal Turbulence Patterns (TTPs) that form on wind turbine blades using infrared thermographic images. While most existing literature focuses on RGB imaging, this thesis addresses the unique challenges posed by TTPs in infrared thermography. Traditional object detection models struggle to capture the small-scale and low-contrast thermal cues. The proposed A-BiYOLOv9 architecture is built upon the YOLOv9-c framework to overcome these difficulties. The model introduces two fundamental innovations by enhancing both the backbone and neck sections of the architecture with the Convolutional Block Attention Module (CBAM) and the Bidirectional Feature Pyramid Network (BiFPN). CBAM units are integrated into the network's backbone, facilitating adaptive focusing on informative channel and spatial locations. This is of vital importance for highlighting micro-scale thermal cues and suppressing background noise. Additionally, BiFPN is utilized instead of the traditional Path Aggregation Network (PAN). This structure allows information to flow in both directions across the feature hierarchy and ensures the adaptive fusion of multi-scale features by incorporating learnable weights. The model was trained and evaluated using the publicly available KI-VISIR thermographic image dataset, collected under real operational conditions. The dataset contains 5,852 labeled TTP instances, which are predominantly small-scale and clustered near the mid-section of the blade. Comprehensive ablation and comparative experiments demonstrated that the proposed A-BiYOLOv9 produced the best overall detection results among all tested networks. The model achieved a Precision (P) of 0.998, a Recall (R) of 0.997, and an mAP@0.5:0.95 value of 0.969. The ablation results confirmed that the combined use of CBAM and BiFPN provided the highest recall and robustness, yielding an mAP@75 of 0.989, compared to their individual use. These results indicate that A-BiYOLOv9 manages to reliably capture small and faint irregularities even under complex operational conditions, offering a promising foundation for real-time, non-contact fault monitoring in wind turbine maintenance applications.