Cztery recenzowane publikacje. Jedno partnerstwo akademickie. Lata przed rynkiem.
W 2019 roku Railston & Co Ltd sfinansowała program doktorancki na Loughborough University, współpracując bezpośrednio z Department of Computer Science, aby zbadać, jak Computer Vision i Deep Learning mogą fundamentalnie zmienić wykrywanie uszkodzeń łopat turbin wiatrowych.
W tamtym czasie AI w inspekcji łopat wirnika nie była jeszcze tematem rozmów w branży energetyki wiatrowej. Większość dostawców usług opierała się wyłącznie na ręcznym raportowaniu, protokołach inspekcji w formacie PDF i arkuszach kalkulacyjnych. Dostrzegliśmy szansę na zastosowanie Computer Vision i uczenia maszynowego do problemu, który branża jeszcze nie zidentyfikowała jako rozwiązywalny.
W kolejnych latach ta współpraca zaowocowała czterema recenzowanymi pracami badawczymi, nowatorskim potokiem Deep Learning, systemem charakteryzacji defektów oraz dwoma zestawami narzędzi open-source — wszystko oparte na rzeczywistych danych inspekcyjnych z naszej własnej działalności.
Railston & Co Ltd finansuje program doktorancki w School of Science na Loughborough University, koncentrując się na wykrywaniu uszkodzeń łopat turbin wiatrowych wspomaganym przez AI. Jason Watkins, CEO, jest bezpośrednio zaangażowany jako przemysłowy współautor badań.
Pierwsza publikacja w Journal of Imaging. Przedstawia dostosowany potok Deep Learning do wykrywania uszkodzeń łopat, który przewyższa YOLOv3 i YOLOv4, osiągając dokładność 86,74%. Wytrenowany na rzeczywistych danych inspekcyjnych Railston & Co.
Publikowane są: framework DefChars (Defect Characteristics), AI-Reasoner dla wyjaśnialnej AI oraz zestaw narzędzi open-source ForestMonkey. Badania wykraczają poza energetykę wiatrową w obszar ochrony zdrowia i zastosowań przemysłowych, demonstrując możliwość zastosowania w różnych branżach.
Głęboka wiedza na temat AI zdobyta w ramach tego programu badawczego bezpośrednio zasila rozwój produktu Collabaro — w tym ekstrakcję uszkodzeń wspomaganą AI z raportów inspekcji, integracje REST API ze specjalistycznymi platformami dronów i inspekcji oraz wewnętrzny serwer MCP do bieżących badań i eksperymentów z AI.
Współautorzy: Railston & Co Ltd z Department of Computer Science i Department of Physics na Loughborough University.
Journal of Imaging, 2021, 7(3), 46
Porównuje YOLOv3, YOLOv4 i Mask R-CNN do wykrywania uszkodzeń łopat. Przedstawia potok IE-MRCNN, który przewyższa wszystkie alternatywy z ważoną średnią dokładnością 86,74%. Proponuje trzy nowe miary oceny zaprojektowane specjalnie do wykrywania uszkodzeń. Wytrenowany na rzeczywistych obrazach inspekcyjnych Railston & Co.
Journal of Imaging, 2023 (złożony)
Przedstawia DefChars: 38 morfologicznych cech charakteryzujących defekty na podstawie koloru, kształtu i właściwości meta. Osiąga 80% średniej precyzji na czterech zbiorach danych, w tym uszkodzeniach łopat turbin wiatrowych, skanach CT medycznych i przemysłowych obrazach radiatorów. Podejście okazuje się mieć zastosowanie w różnych branżach.
Artykuł konferencyjny
Przedstawia ForestMonkey, zestaw narzędzi Python open-source, który wyjaśnia, dlaczego model AI podjął swoje prognozy. Wykorzystuje drzewa decyzyjne ensemble i DefChars do generowania wizualizowanych wykresów i tekstowych sugestii ulepszeń. Zastosowany do czterech modeli AI w przemysłowych i medycznych zbiorach danych.
Artykuł konferencyjny • Finansowany przez Loughborough University z przemysłowym wsparciem Railston & Co Ltd
Proponuje framework AI-Reasoner — system, który ekstrahuje DefChars z obrazów i uzasadnia prognozy AI za pomocą drzew decyzyjnych. Wprowadza 38 charakterystyk defektów dotyczących koloru, złożoności kształtu i metainformacji. Przetestowany na 366 obrazach uszkodzeń łopat turbin wiatrowych z dokładnością wykrywania 84,15% i klasyfikacji 80,60%.
Publikacje dały nam solidne fundamenty techniczne. Następnym krokiem było zastosowanie tych wniosków do rzeczywistych wyzwań operacyjnych, z którymi dostawcy usług serwisu łopat zmagają się każdego dnia.
Nasze stosowane badania dały nam wiedzę, aby wcześnie i skutecznie pracować z multimodalnymi modelami językowymi. Ta zgromadzona wiedza pozwala naszej ekstrakcji uszkodzeń działać z dowolnym formatem raportu — CSV, XLSX, PDF lub Word. Niezależnie od tego, jaka platforma inspekcji lub dostawca dronów był używany, Collabaro może automatycznie ekstrahować i strukturyzować bogate dane o uszkodzeniach — eliminując ręczne ponowne wprowadzanie danych, redukując błędy i skracając czas przygotowania oferty przetargowej z godzin do minut.
Zrozumienie, jak ekstrahować i klasyfikować ustrukturyzowane dane o uszkodzeniach, pozwoliło nam opracować przepływ pracy, który automatycznie przekształca surowe wyniki inspekcji w projekty, zlecenia i zadania w Collabaro. To, co zajmowało kierownikowi projektu dni — ręczne tworzenie zleceń roboczych z raportu inspekcji — teraz dzieje się w minutach. Dostawcy usług przechodzą szybciej od inspekcji do mobilizacji.
Board Logging and Automated Data Extraction
Przenoszenie wyników z papierowych tablic inspekcyjnych należy do najbardziej czasochłonnych zadań w serwisie łopat. Dzięki Collabaro Field technicy mogą sfotografować wypełnioną tablicę, a dane są automatycznie ekstrahowane.
Każdy punkt danych jest zwracany z semaforowym wynikiem pewności, dzięki czemu technicy mogą natychmiast zobaczyć, które wpisy wymagają sprawdzenia i w jakiej kolejności. Efekt: mniej czasu spędzonego na telefonie na wysokości, mniej błędów przepisywania i więcej czasu przy łopacie.
Nasze badania udowodniły, że AI może wykrywać i klasyfikować uszkodzenia łopat z wysoką dokładnością — i opracowaliśmy frameworki, które wyjaśniają, dlaczego model AI dochodzi do swoich wyników. Jest to zasadniczy warunek dla branż o krytycznym znaczeniu dla bezpieczeństwa, takich jak energetyka wiatrowa.
Badania AI przyspieszyły od tamtej pory w tempie, które sprawia, że utrzymywanie własnych modeli Computer Vision wewnętrznie jest nieopłacalne dla każdej małej firmy. Rozpoznaliśmy to wcześnie. Zamiast konkurować jako firma AI, zastosowaliśmy nasze głębokie zrozumienie technologii tam, gdzie dostarcza rzeczywistej wartości komercyjnej.
Dziś możliwości AI Collabaro są bezpośrednio zintegrowane z przepływami operacyjnymi — nie dodane jako oddzielny moduł. Nasz interfejs REST API łączy się ze specjalistycznymi platformami dronów i inspekcji, takimi jak Perceptual Robotics. A nasze rozumienie charakteryzacji defektów, wywodzące się bezpośrednio z tych badań, kształtuje to, jak strukturyzujemy, filtrujemy i prezentujemy dane o uszkodzeniach naszym użytkownikom.
Badania dały nam coś, czego żadna kampania marketingowa nie może kupić: prawdziwą wiedzę ekspercką na temat tego, jak AI ma zastosowanie w inspekcji łopat turbin wiatrowych. Ta wiedza jest zakorzeniona w każdej funkcji, którą opracowujemy.
Zamów demo, a pokażemy Ci, jak Collabaro ekstrahuje, strukturyzuje i przetwarza dane o uszkodzeniach łopat.
