一台风机人工巡检要几个小时,无人机十几分钟能拍完。难的在后面。几万张高清图拍回来,一条早期裂纹可能只占几十个像素。
人工巡检的成本,卡在窗口期上
风机叶片是整机身上最贵也最脆的部分,常年受风沙、温差和气流冲刷。涂层剥离、前缘磨损、细微裂纹这类毛病,早期几乎看不出来。传统办法是高空吊篮或者望远镜,一台风机折腾几个小时。
重庆一家新能源发电企业今年把这件事交给了无人机,一次性完成全部在运 145 台风机的叶片专项巡检。做法是提前规划标准化航线,对叶片前后缘、叶根和叶尖做 360 度拍摄,再按统一的缺陷判定标准分级建档。贵州某风电场的运维人员算过一笔账,人工巡检一台风机要好几个小时,无人机十几分钟能搞定;六条线路的场站过去晴天要三组共六个人干一整天,现在一组两到四个人一天就能走完,效率提升 60% 左右。这个数字是企业自报口径。
海上更麻烦。叶片能不能看,取决于海况给不给窗口,台风前后那几天恰恰是最需要看的时候。华南某海上风电场把无人机直接部署在风机塔筒平台上,指令下达后自动起飞,对叶片与机舱、塔筒近距离采集影像,回传后系统识别裂纹、破损、污损和雷击损伤,自动标注位置、判定风险等级。据《南方日报》报道,该项目称缺陷识别准确率超过 90%;同一篇报道里还提到人力运维成本压降超过 90%。这两项数据都是项目方自报,未见第三方核算,但把人从攀爬和乘船出海里换出来,这件事本身就值。
看清容易,判准难
难点其实在算法这一端。无人机为了看清叶片表面细节,图像分辨率已经做到 8192×5460 这种量级(论文给出的采集规格),一张图里叶片可能只占很小一块,而一条早期裂纹在整幅图里就是几十个像素。直接把图缩到普通检测网络的输入尺寸,这些细节就全没了。
2026 年一篇公开期刊论文给出的做法是:在 YOLO 主干网络之前引入轻量级 Transformer 模块增强全局语义感知,同时设计 320×320 窗口、步长 160 的高密度滑动窗口检测机制,对高分辨率图做全覆盖扫描,兼顾小目标召回与推理效率。这个方法仍属论文阶段的验证结果,跨风场的泛化能力没有公开的横向对比,工程应用时需要用自己的历史缺陷图重新调。
工程上还有一层:拍摄角度、光照和背景决定算法上限。同一条裂纹,逆光拍和顺光拍在模型眼里完全是两回事。所以航线标准化这件事看着枯燥,实际上是把算法的不确定性往下压了一截。
从标注到派单,中间还有一段路
识别出裂纹只是开始。真正有价值的是后面这一串:缺陷自动标注位置并判定风险等级。平台联动设备运行数据、历史缺陷台账与实时气象海况,结合检修窗口资源生成处置建议,人工复核确认后自动派发工单,检修、复核、归档全程跟踪。海上项目把这一串走通,要跨的坎最多。
判断这类项目的成色,只看一项:算法标注出来的缺陷里,最后真被维修确认的比例是多少。误报多了,运维人员会不信它;漏掉一条早期裂纹,代价可能是它一路长到叶片断裂才被发现。所以分级发布比一次性做到底更现实,先让无人机和算法做初判,人做终判,等准确率在自身样本上稳定了再谈提高自动化比例。
这套系统的水平,最后要看它标出来的裂纹里,有多少条真的进了维修单。