Quattro articoli sottoposti a revisione paritaria. Una collaborazione universitaria. Anni di vantaggio sul mercato.
Nel 2019 Railston & Company Ltd ha finanziato un programma di dottorato alla Loughborough University, collaborando direttamente con il Dipartimento di Informatica per esplorare come la visione artificiale e il deep learning potessero trasformare il rilevamento dei difetti sulle pale delle turbine eoliche.
All'epoca il settore dell'energia eolica non parlava di IA per l'ispezione delle pale. La maggior parte degli appaltatori si affidava interamente a report manuali, registri di ispezione in PDF e fogli di calcolo. Abbiamo visto l'opportunità di applicare la computer vision e il machine learning a un problema che il settore non aveva ancora riconosciuto come risolvibile.
Negli anni successivi questa collaborazione ha prodotto quattro articoli scientifici sottoposti a revisione paritaria, una nuova pipeline di deep learning, un sistema di caratterizzazione dei difetti e due toolkit open source, tutti basati su dati reali di ispezione delle pale provenienti dalle nostre attività.
Railston & Company Ltd finanzia un programma di dottorato presso la School of Science della Loughborough University, dedicato al rilevamento dei difetti sulle pale delle turbine eoliche basato sull'IA. Jason Watkins, CEO, partecipa direttamente alla ricerca come coautore industriale.
Primo articolo pubblicato sul Journal of Imaging. Presenta una pipeline di deep learning personalizzata per il rilevamento dei difetti delle pale, che supera YOLOv3 e YOLOv4 con un'accuratezza dell'86,74%. Addestrata su dati di ispezione reali forniti da Railston & Company Ltd.
Pubblicati il framework DefChars (Defect Characteristics), AI-Reasoner per l'IA spiegabile e il toolkit open source ForestMonkey. La ricerca si estende oltre l'energia eolica, fino alla sanità e alle applicazioni industriali, a dimostrazione dell'applicabilità trasversale ai diversi settori.
La profonda conoscenza dell'IA acquisita grazie a questo programma di ricerca orienta direttamente lo sviluppo del prodotto Collabaro, compresa l'estrazione dei danni dai report di ispezione basata sull'IA, le integrazioni API REST con piattaforme specializzate per droni e ispezioni e un server MCP interno utilizzato per la ricerca e la sperimentazione continue sull'IA.
Scritti da Railston & Company Ltd insieme al Dipartimento di Informatica e al Dipartimento di Fisica della Loughborough University.
Journal of Imaging, 2021, 7(3), 46
Confronta YOLOv3, YOLOv4 e Mask R-CNN per il rilevamento dei difetti delle pale. Presenta la pipeline IE-MRCNN, che raggiunge un'accuratezza media ponderata dell'86,74% superando tutte le alternative. Propone tre nuove misure di valutazione create appositamente per il rilevamento dei difetti. Addestrata su immagini reali di ispezione delle pale fornite da Railston & Company Ltd.
Journal of Imaging, 2023 (inviato)
Presenta DefChars: 38 caratteristiche morfologiche che descrivono i difetti in base a colore, forma e proprietà meta. Raggiunge una mean average precision dell'80% su quattro dataset, tra cui difetti delle pale delle turbine eoliche, TAC mediche e immagini di dissipatori di calore industriali. Dimostra che l'approccio funziona in settori diversi.
Articolo di conferenza
Presenta ForestMonkey, un toolkit Python open source che spiega perché un modello di IA ha formulato le sue previsioni. Utilizza alberi decisionali ensemble e DefChars per generare grafici visualizzati e suggerimenti di miglioramento in forma di testo. Applicato a quattro modelli di IA su dataset industriali e medici.
Articolo di conferenza • Finanziato dalla Loughborough University con il supporto industriale di Railston & Company Ltd
Propone il framework AI-Reasoner, un sistema che estrae DefChars dalle immagini e utilizza alberi decisionali per ragionare sulle previsioni dell'IA. Introduce 38 caratteristiche dei difetti relative a colore, complessità della forma e informazioni meta. Testato su 366 immagini di difetti di pale di turbine eoliche, con un'accuratezza dell'84,15% nel rilevamento e dell'80,60% nella classificazione.
Gli articoli ci hanno dato una solida base tecnica. Quello che è venuto dopo è stato applicare quelle intuizioni ai problemi operativi reali che gli appaltatori di servizi sulle pale affrontano ogni giorno.
La nostra ricerca applicata ci ha fornito le conoscenze di dominio per lavorare efficacemente con i modelli linguistici multimodali fin dalle prime fasi. È questo patrimonio di conoscenze a permettere alla nostra funzione di estrazione dei danni di operare su qualsiasi formato di report: CSV, XLSX, PDF o Word. Indipendentemente dalla piattaforma di ispezione o dal fornitore di droni utilizzato, Collabaro può estrarre e strutturare automaticamente dati ricchi sui danni, eliminando il reinserimento manuale, riducendo gli errori e abbreviando da ore a minuti il tempo necessario per preparare l'offerta di un progetto.
Capire come estrarre e classificare dati strutturati sui danni ci ha permesso di creare un flusso che trasforma automaticamente l'output grezzo delle ispezioni in progetti, interventi e attività in Collabaro. Ciò che prima richiedeva giorni a un project manager per creare manualmente gli ordini di lavoro a partire da un report di ispezione può ora avvenire in pochi minuti, offrendo agli appaltatori un percorso più rapido dall'ispezione alla mobilitazione.
Board Logging and Automated Data Extraction
Trasferire i risultati dalle schede di ispezione cartacee è uno dei compiti più lunghi nel servizio sulle pale. Collabaro Field consente ai tecnici di fotografare una scheda compilata e di far estrarre automaticamente i dati.
Ogni dato torna con un punteggio di affidabilità a semaforo, così i tecnici sanno a colpo d'occhio quali voci controllare e in che ordine. Il risultato: meno tempo al telefono in quota, meno errori di trascrizione e più tempo sulla pala.
La nostra ricerca ha dimostrato che l'IA può rilevare e classificare i difetti delle pale con elevata accuratezza, e abbiamo costruito i framework per spiegare perché un modello di IA giunge alle sue conclusioni. È un requisito fondamentale per settori critici per la sicurezza come l'energia eolica.
Da allora la ricerca sull'IA ha accelerato a un ritmo tale da rendere antieconomico per qualsiasi piccola azienda sviluppare e mantenere internamente modelli di visione personalizzati. Lo abbiamo capito presto. Invece di cercare di competere come azienda di IA, abbiamo applicato la nostra profonda conoscenza della tecnologia dove offre un reale valore commerciale.
Oggi le funzionalità di IA di Collabaro sono integrate direttamente nei flussi di lavoro operativi, non aggiunte come modulo separato. La nostra API REST si integra con piattaforme specializzate per droni e ispezioni come Perceptual Robotics. E la nostra comprensione della caratterizzazione dei difetti, direttamente informata da questa ricerca, determina il modo in cui strutturiamo, filtriamo e presentiamo i dati sui danni ai nostri utenti.
La ricerca ci ha dato qualcosa che nessun marketing può comprare: una competenza autentica su come l'IA si applica all'ispezione delle pale delle turbine eoliche. Quella competenza è incorporata in ogni funzionalità che sviluppiamo.
Prenoti una demo e le mostreremo come Collabaro estrae, struttura e utilizza i dati sui danni delle pale.
