Vier begutachtete Publikationen. Eine Universitätspartnerschaft. Jahre voraus am Markt.
Im Jahr 2019 finanzierte Railston & Co Ltd ein Promotionsprogramm an der Loughborough University und arbeitete direkt mit dem Department of Computer Science zusammen, um zu erforschen, wie Computer Vision und Deep Learning die Schadenserkennung an Windkraftanlagen-Rotorblättern grundlegend verändern können.
Zu diesem Zeitpunkt war KI für die Rotorblattinspektion in der Windenergiebranche noch kein Thema. Die meisten Dienstleister setzten vollständig auf manuelle Berichterstattung, PDF-basierte Inspektionsprotokolle und Tabellenkalkulationen. Wir erkannten die Chance, Computer Vision und maschinelles Lernen auf ein Problem anzuwenden, das die Branche noch nicht als lösbar identifiziert hatte.
In den folgenden Jahren entstanden aus dieser Zusammenarbeit vier begutachtete Forschungsarbeiten, eine neuartige Deep-Learning-Pipeline, ein System zur Defektcharakterisierung sowie zwei Open-Source-Toolkits — alles auf Basis realer Inspektionsdaten aus unserem eigenen Betrieb.
Railston & Co Ltd fördert ein Promotionsprogramm an der School of Science der Loughborough University mit Schwerpunkt KI-gestützte Schadenserkennung an Windkraftanlagen-Rotorblättern. Jason Watkins, CEO, ist als industrieller Co-Autor direkt an der Forschung beteiligt.
Erste Publikation im Journal of Imaging. Stellt eine maßgeschneiderte Deep-Learning-Pipeline zur Schadenserkennung an Rotorblättern vor, die YOLOv3 und YOLOv4 übertrifft und eine Genauigkeit von 86,74 % erreicht. Trainiert mit realen Inspektionsdaten von Railston & Co.
Das DefChars-Framework (Defect Characteristics), AI-Reasoner für erklärbare KI und das Open-Source-Toolkit ForestMonkey werden veröffentlicht. Die Forschung geht über die Windenergie hinaus in den Gesundheitsbereich und industrielle Anwendungen und belegt die branchenübergreifende Einsetzbarkeit.
Das durch dieses Forschungsprogramm gewonnene tiefgreifende KI-Verständnis fließt direkt in die Produktentwicklung von Collabaro ein — einschließlich KI-gestützter Schadensextraktion aus Inspektionsberichten, REST-API-Integrationen mit spezialisierten Drohnen- und Inspektionsplattformen sowie einem internen MCP-Server für laufende KI-Forschung und -Experimente.
Co-Autoren: Railston & Co Ltd mit dem Department of Computer Science und dem Department of Physics der Loughborough University.
Journal of Imaging, 2021, 7(3), 46
Vergleicht YOLOv3, YOLOv4 und Mask R-CNN zur Schadenserkennung an Rotorblättern. Stellt die IE-MRCNN-Pipeline vor, die mit 86,74 % gewichteter Durchschnittsgenauigkeit alle Alternativen übertrifft. Schlägt drei neue, speziell für die Schadenserkennung entwickelte Bewertungsmaße vor. Trainiert mit realen Inspektionsbildern von Railston & Co.
Journal of Imaging, 2023 (eingereicht)
Stellt DefChars vor: 38 morphologische Merkmale, die Defekte anhand von Farbe, Form und Meta-Eigenschaften charakterisieren. Erreicht 80 % mittlere Durchschnittpräzision über vier Datensätze, darunter Schäden an Windkraftanlagen-Rotorblättern, medizinische CT-Scans und industrielle Wärmesenkenbilder. Der Ansatz erweist sich als branchenübergreifend einsetzbar.
Konferenzbeitrag
Stellt ForestMonkey vor, ein Open-Source-Python-Toolkit, das erklärt, warum ein KI-Modell seine Vorhersagen getroffen hat. Nutzt Ensemble-Entscheidungsbäume und DefChars, um visualisierte Diagramme und textbasierte Verbesserungsvorschläge zu generieren. Angewendet auf vier KI-Modelle über industrielle und medizinische Datensätze hinweg.
Konferenzbeitrag • Gefördert von der Loughborough University mit industrieller Unterstützung von Railston & Co Ltd
Schlägt das AI-Reasoner-Framework vor — ein System, das DefChars aus Bildern extrahiert und mithilfe von Entscheidungsbäumen KI-Vorhersagen begründet. Führt 38 Defektcharakteristiken zu Farbe, Formkomplexität und Meta-Informationen ein. Getestet an 366 Schadensbildern von Windkraftanlagen-Rotorblättern mit 84,15 % Erkennungs- und 80,60 % Klassifizierungsgenauigkeit.
Die Publikationen gaben uns ein solides technisches Fundament. Im nächsten Schritt wandten wir diese Erkenntnisse auf reale betriebliche Herausforderungen an, denen Rotorblatt-Servicedienstleister täglich begegnen.
Unsere angewandte Forschung gab uns das Fachwissen, um frühzeitig effektiv mit multimodalen Sprachmodellen zu arbeiten. Dieses gesammelte Wissen ermöglicht es unserer Schadensextraktion, mit jedem Berichtsformat zu funktionieren — CSV, XLSX, PDF oder Word. Unabhängig davon, welche Inspektionsplattform oder welcher Drohnenanbieter eingesetzt wurde, kann Collabaro reichhaltige Schadensdaten automatisch extrahieren und strukturieren — manuelle Neueingabe wird eliminiert, Fehler werden reduziert und die Zeit für die Erstellung einer Projektausschreibung sinkt von Stunden auf Minuten.
Das Verständnis, wie strukturierte Schadensdaten extrahiert und klassifiziert werden, ermöglichte es uns, einen Workflow zu entwickeln, der rohe Inspektionsergebnisse automatisch in Projekte, Jobs und Aufgaben in Collabaro umwandelt. Was früher einen Projektmanager tagelang beschäftigte — manuell Arbeitsaufträge aus einem Inspektionsbericht zu erstellen — geschieht nun in Minuten. Dienstleister gelangen so schneller von der Inspektion zur Mobilisierung.
Board Logging and Automated Data Extraction
Die Übertragung von Ergebnissen von Papier-Inspektionstafeln gehört zu den zeitaufwändigsten Aufgaben im Rotorblatt-Service. Mit Collabaro Field können Techniker eine ausgefüllte Tafel fotografieren und die Daten werden automatisch extrahiert.
Jeder Datenpunkt wird mit einer Ampel-Konfidenzwertung zurückgegeben, sodass Techniker auf einen Blick sehen, welche Einträge zu prüfen sind und in welcher Reihenfolge. Das Ergebnis: weniger Zeit am Telefon in der Höhe, weniger Übertragungsfehler und mehr Zeit am Rotorblatt.
Unsere Forschung hat bewiesen, dass KI Schäden an Rotorblättern mit hoher Genauigkeit erkennen und klassifizieren kann — und wir haben die Frameworks entwickelt, die erklären, warum ein KI-Modell zu seinen Ergebnissen kommt. Dies ist eine wesentliche Voraussetzung für sicherheitskritische Branchen wie die Windenergie.
Die KI-Forschung hat sich seitdem in einem Tempo beschleunigt, das es für jedes kleine Unternehmen unwirtschaftlich macht, eigene Computer-Vision-Modelle intern zu entwickeln und zu pflegen. Wir haben dies frühzeitig erkannt. Anstatt als KI-Unternehmen zu konkurrieren, haben wir unser tiefgreifendes Technologieverständnis dort eingesetzt, wo es echten kommerziellen Mehrwert liefert.
Heute sind die KI-Fähigkeiten von Collabaro direkt in operative Workflows integriert — nicht als separates Modul aufgesetzt. Unsere REST-API lässt sich mit spezialisierten Drohnen- und Inspektionsplattformen wie Perceptual Robotics verbinden. Und unser Verständnis der Defektcharakterisierung, das direkt aus dieser Forschung stammt, prägt, wie wir Schadensdaten für unsere Nutzer strukturieren, filtern und darstellen.
Die Forschung hat uns etwas gegeben, das sich durch kein Marketing der Welt kaufen lässt: echtes Fachwissen darüber, wie KI auf die Inspektion von Windkraftanlagen-Rotorblättern angewendet wird. Dieses Fachwissen steckt in jeder Funktion, die wir entwickeln.
Buchen Sie eine Demo und wir zeigen Ihnen, wie Collabaro Schadensdaten von Rotorblättern extrahiert, strukturiert und weiterverarbeitet.
