BladeYOLO: 제한된 주석과 약한 특징 강조 인식을 활용한 풍력 터빈 블레이드 결함 탐지

BladeYOLO: Wind Turbine Blade Defect Detection with Limited Annotations and Weak-Saliency Awareness

풍력 터빈 블레이드의 결함 탐지는 현장 검사 시 제한적인 데이터와 결함의 미묘한 시각적 특성으로 인해 여전히 매우 어려운 과제입니다. 실제로, 블레이드 결함은 종종 규모가 작고 대비가 낮으며 복잡한 배경과 구별하기 어려워 기존 탐지기의 견고성을 크게 제한합니다. 이러한 문제점을 해결하기 위해, 풍력 터빈 블레이드의 결함 탐지를 위한 프레임워크인 BladeYOLO를 제안합니다. 특히, DINOv3 자기 지도 사전 훈련된 가중치를 사용하여 초기화된 Vision Transformer (ViT) 백본을 YOLOv12-L에 통합하여, 대규모의 일반적인 시각적 정보를 블레이드 결함 탐지로 전달하고 제한된 학습 주석 환경에서 특징 표현력을 향상시킵니다. 또한, 미묘한 결함을 더 잘 인식하기 위해 Mamba 기반의 약한 결함 강조 모듈을 개발했습니다. 이 모듈은 고주파 구조 정보를 보존하는 Detail-Enhanced Multi-scale Branch와 심층 특징에 고급 의미 지침을 점진적으로 전달하는 Cross-Mamba 모듈로 구성됩니다. 또한, 푸리에 분해를 통해 환경 관련 스타일 정보를 캡처하고 선택된 ViT 자기 주의 레이어에 주입하는 경량의 Style-Injector 모듈을 도입하여 환경으로 인한 외관 변화에 대한 견고성을 향상시킵니다. 광범위한 실험 결과, BladeYOLO는 WTBlade-Defect 데이터셋에서 뛰어난 성능을 보이며, 추가적인 주석 예산 실험은 제한된 학습 주석 환경에서도 우수한 성능을 나타냄을 보여줍니다. 공개 Wind Surface Defect 데이터셋에 대한 평가는 BladeYOLO의 교차 데이터셋 견고성을 뒷받침하는 증거를 제공합니다. 특히, 이 공개 데이터셋에서 BladeYOLO는 mAP$_{50}$에서 3.5%, mAP$_{50-95}$에서 2.5% 더 높은 성능을 보이며, 최고의 경쟁 모델보다 우수한 결과를 얻었습니다.

Wind turbine blade defect detection remains highly challenging in real-world inspection scenarios due to limited on-site data and the subtle visual characteristics of defects. In practice, blade defects are often small-scale, low-contrast, and difficult to distinguish from complex backgrounds, which significantly limits the robustness of existing detectors. To address these challenges, we propose BladeYOLO, a defect detection framework for wind turbine blades. Specifically, we integrate a Vision Transformer (ViT) backbone initialized with DINOv3 self-supervised pre-trained weights into YOLOv12-L, enabling the transfer of large-scale generic visual priors to blade defect detection and improving feature representation under limited training annotations. To enhance the perception of subtle defects, we further develop a Mamba-guided Weak-Defect Enhancement module, which consists of a Detail-Enhanced Multi-scale Branch for preserving high-frequency structural cues and a Cross-Mamba module for progressively propagating high-level semantic guidance to shallow features. In addition, we introduce a lightweight Style-Injector module that captures environment-related style information via Fourier decomposition and injects it into selected ViT self-attention layers, thereby improving robustness against environment-induced appearance variations. Extensive experiments demonstrate that BladeYOLO achieves superior performance on the WTBlade-Defect dataset, with additional annotation-budget experiments showing its favorable performance under reduced training annotations. Evaluation on the public Wind Surface Defect dataset further provides supportive evidence for the cross-dataset robustness of BladeYOLO. In particular, on this public dataset, BladeYOLO outperforms the best competing method by 3.5\% in mAP$_{50}$ and 2.5\% in mAP$_{50-95}$.