Quatre articles évalués par des pairs. Un partenariat universitaire. Des années d'avance sur le marché.
En 2019, Railston & Co Ltd a sponsorisé un programme de doctorat à l'Université de Loughborough, en partenariat direct avec le Département d'Informatique pour explorer comment la vision par ordinateur et le deep learning pourraient transformer la détection de défauts sur les pales d'éoliennes.
À l'époque, le secteur éolien ne parlait pas encore d'IA pour l'inspection des pales. La plupart des prestataires s'appuyaient entièrement sur des rapports manuels, des enregistrements d'inspection au format PDF et des tableurs. Nous avons vu une opportunité d'appliquer la vision par ordinateur et l'apprentissage automatique à un problème que le secteur n'avait pas encore reconnu comme soluble.
Au cours des années suivantes, cette collaboration a produit quatre articles de recherche évalués par des pairs, un pipeline de deep learning original, un système de caractérisation des défauts et deux outils open source, tous construits à partir de données d'inspection réelles issues de nos propres opérations.
Railston & Co Ltd sponsorise un programme de doctorat à l'École des Sciences de l'Université de Loughborough, axé sur la détection de défauts des pales d'éoliennes par l'IA. Jason Watkins, PDG, participe directement à la recherche en tant que co-auteur industriel.
Premier article publié dans le Journal of Imaging. Présente un pipeline de deep learning personnalisé pour la détection de défauts de pales surpassant YOLOv3 et YOLOv4, atteignant une précision de 86,74 %. Entraîné sur des données d'inspection réelles fournies par Railston & Co.
Le cadre DefChars (Caractéristiques des défauts), l'AI-Reasoner pour l'IA explicable et la boîte à outils open source ForestMonkey sont tous publiés. La recherche s'étend au-delà de l'éolien vers la santé et les applications industrielles, démontrant son applicabilité intersectorielle.
La compréhension approfondie de l'IA acquise grâce à ce programme de recherche oriente directement le développement du produit Collabaro, notamment l'extraction automatisée des dommages à partir de rapports d'inspection, les intégrations API REST avec des plateformes spécialisées de drones et d'inspection, et un serveur MCP interne utilisé pour la recherche et l'expérimentation en IA.
Co-publiés par Railston & Co Ltd avec le Département d'Informatique et le Département de Physique de l'Université de Loughborough.
Journal of Imaging, 2021, 7(3), 46
Compare YOLOv3, YOLOv4 et Mask R-CNN pour la détection de défauts de pales. Présente le pipeline IE-MRCNN atteignant 86,74 % de précision moyenne pondérée, surpassant toutes les alternatives. Propose trois nouvelles mesures d'évaluation spécialement conçues pour la détection de défauts. Entraîné sur des images d'inspection réelles fournies par Railston & Co.
Journal of Imaging, 2023 (soumis)
Présente les DefChars : 38 caractéristiques morphologiques décrivant les défauts par couleur, forme et propriétés méta. Atteint 80 % de précision moyenne sur quatre ensembles de données incluant les défauts de pales d'éoliennes, les scanners CT médicaux et les images industrielles de dissipateurs thermiques. Prouve l'applicabilité intersectorielle de l'approche.
Article de conférence
Présente ForestMonkey, une boîte à outils Python open source qui explique pourquoi un modèle d'IA a fait ses prédictions. Utilise des arbres de décision ensemblistes et les DefChars pour générer des graphiques visualisés et des suggestions d'amélioration textuelles. Appliquée à quatre modèles d'IA sur des données industrielles et médicales.
Article de conférence • Financé par l'Université de Loughborough avec le soutien industriel de Railston & Co Ltd
Propose le cadre AI-Reasoner, un système qui extrait les DefChars des images et utilise des arbres de décision pour raisonner sur les prédictions de l'IA. Présente 38 caractéristiques de défauts couvrant la couleur, la complexité des formes et les méta-informations. Testé sur 366 images de défauts de pales d'éoliennes atteignant 84,15 % de détection et 80,60 % de précision de classification.
Les articles nous ont fourni une solide base technique. L'étape suivante a consisté à appliquer ces connaissances aux problèmes opérationnels réels auxquels les prestataires de services pour pales font face quotidiennement.
Notre recherche appliquée nous a donné les connaissances sectorielles nécessaires pour travailler efficacement avec les modèles de langage multimodaux dès leurs débuts. Cette connaissance accumulée est ce qui permet à notre capacité d'extraction des dommages de fonctionner avec n'importe quel format de rapport — CSV, XLSX, PDF ou Word. Quel que soit le fournisseur de drones ou la plateforme d'inspection utilisé, Collabaro peut extraire et structurer automatiquement des données de dommages enrichies, éliminant la re-saisie manuelle et réduisant le temps de préparation d'un appel d'offres de quelques heures à quelques minutes.
La compréhension de l'extraction et de la classification des données de dommages structurées nous a permis de créer un flux de travail qui transforme automatiquement les résultats d'inspection bruts en projets, missions et tâches dans Collabaro. Ce qui nécessitait auparavant qu'un chef de projet passe des jours à créer manuellement des ordres de travail à partir d'un rapport d'inspection peut désormais se faire en quelques minutes, offrant aux prestataires une voie plus rapide de l'inspection à la mobilisation.
Board Logging and Automated Data Extraction
Le transfert des constatations depuis les tableaux d'inspection papier est l'une des tâches les plus chronophages dans les services pour pales. Collabaro Field permet aux techniciens de photographier un tableau complété et d'en extraire automatiquement les données.
Chaque donnée revient avec un score de confiance tricolore, permettant aux techniciens d'identifier d'un coup d'œil les entrées à vérifier et dans quel ordre. Résultat : moins de temps sur le téléphone en hauteur, moins d'erreurs de transcription, et plus de temps sur la pale.
Notre recherche a prouvé que l'IA peut détecter et classifier les défauts de pales avec une grande précision, et nous avons créé les cadres pour expliquer pourquoi un modèle d'IA parvient à ses conclusions. C'est une exigence critique pour les secteurs à risques comme l'éolien.
La recherche en IA s'est depuis accélérée à un rythme qui rend économiquement non viable pour toute petite entreprise de créer et de maintenir des modèles de vision personnalisés en interne. Nous l'avons reconnu tôt. Plutôt que d'essayer de concurrencer en tant qu'entreprise d'IA, nous avons appliqué notre compréhension approfondie de la technologie là où elle apporte une réelle valeur commerciale.
Aujourd’hui, les capacités d'IA de Collabaro sont intégrées directement dans les flux de travail opérationnels, et non ajoutées comme un module séparé. Notre API REST s'intègre avec des plateformes spécialisées de drones et d'inspection comme Perceptual Robotics. Et notre compréhension de la caractérisation des défauts, directement informée par cette recherche, façonne la façon dont nous structurons, filtrons et présentons les données de dommages à nos utilisateurs.
La recherche nous a apporté quelque chose qu'aucun marketing ne peut acheter : une expertise réelle dans l'application de l'IA à l'inspection des pales d'éoliennes. Cette expertise est intégrée dans chaque fonctionnalité que nous développons.
Réservez une démo et nous vous montrerons comment Collabaro extrait, structure et traite les données de dommages des pales.
