Quatro artigos científicos revistos por pares. Uma parceria universitária. Anos à frente do mercado.
Em 2019, a Railston & Co Ltd patrocinou um programa de doutoramento na Universidade de Loughborough, estabelecendo uma parceria direta com o Departamento de Ciências da Computação para explorar como a visão por computador e o deep learning poderiam transformar a deteção de defeitos em pás de turbinas eólicas.
Na altura, o sector da energia eólica não falava de IA para inspeção de pás. A maioria dos contratantes dependia inteiramente de relatórios manuais, registos de inspeção em PDF e folhas de cálculo. Vimos uma oportunidade de aplicar visão por computador e machine learning a um problema que o sector ainda não tinha reconhecido como solúvel.
Ao longo dos anos seguintes, esta colaboração produziu quatro artigos científicos revistos por pares, um pipeline de deep learning inovador, um sistema de caracterização de defeitos e dois toolkits open-source, todos construídos com dados reais de inspeção de pás das nossas próprias operações.
A Railston & Co Ltd patrocina um programa de doutoramento na Escola de Ciências da Universidade de Loughborough, focado na deteção de defeitos em pás de turbinas eólicas com base em IA. Jason Watkins, CEO, está diretamente envolvido na investigação como co-autor industrial.
Primeiro artigo publicado no Journal of Imaging. Apresenta um pipeline de deep learning personalizado para deteção de defeitos em pás que supera o YOLOv3 e o YOLOv4, atingindo 86,74% de precisão. Treinado com dados reais de inspeção fornecidos pela Railston & Co.
O framework DefChars (Características de Defeitos), o AI-Reasoner para IA explicável e o toolkit open-source ForestMonkey são todos publicados. A investigação estende-se para além da energia eólica a aplicações na área da saúde e industriais, demonstrando a aplicabilidade entre sectores.
A profunda compreensão da IA adquirida através deste programa de investigação informa diretamente o desenvolvimento de produto do Collabaro, incluindo a extração de danos por IA a partir de relatórios de inspeção, integrações REST API com plataformas especializadas de drones e inspeção, e um servidor MCP interno utilizado para investigação e experimentação contínuas em IA.
Co-autorados pela Railston & Co Ltd com o Departamento de Ciências da Computação e o Departamento de Física da Universidade de Loughborough.
Journal of Imaging, 2021, 7(3), 46
Compara YOLOv3, YOLOv4 e Mask R-CNN para deteção de defeitos em pás. Apresenta o pipeline IE-MRCNN com 86,74% de precisão média ponderada, superando todas as alternativas. Propõe três novas métricas de avaliação especificamente concebidas para deteção de defeitos. Treinado com imagens reais de inspeção de pás fornecidas pela Railston & Co.
Journal of Imaging, 2023 (submetido)
Apresenta o DefChars: 38 características morfológicas que caracterizam defeitos por cor, forma e meta propriedades. Atinge 80% de precisão média em quatro conjuntos de dados, incluindo defeitos em pás de turbinas eólicas, tomografias médicas e imagens de dissipadores de calor industriais. Demonstra a aplicabilidade transversal entre sectores.
Artigo de conferência
Apresenta o ForestMonkey, um toolkit Python open-source que explica porque é que um modelo de IA tomou as suas previsões. Utiliza árvores de decisão ensemble e DefChars para gerar gráficos visualizados e sugestões de melhoria em texto. Aplicado a quatro modelos de IA em conjuntos de dados industriais e médicos.
Artigo de conferência • Financiado pela Universidade de Loughborough com apoio industrial da Railston & Co Ltd
Propõe o framework AI-Reasoner, um sistema que extrai DefChars de imagens e utiliza árvores de decisão para raciocinar sobre previsões de IA. Apresenta 38 características de defeitos que cobrem cor, complexidade de forma e meta-informação. Testado em 366 imagens de defeitos em pás de turbinas eólicas, atingindo 84,15% de precisão de deteção e 80,60% de classificação.
Os artigos deram-nos uma base técnica sólida. O que se seguiu foi aplicar esses conhecimentos a problemas operacionais reais enfrentados pelos contratantes de serviços de pás todos os dias.
A nossa investigação aplicada deu-nos o conhecimento de domínio para trabalhar eficazmente com modelos de linguagem multimodal numa fase inicial. Esse conhecimento acumulado é o que permite à nossa capacidade de extração de danos funcionar com qualquer formato de relatório — CSV, XLSX, PDF ou Word. Independentemente da plataforma de inspeção ou fornecedor de drones utilizado, o Collabaro consegue extrair e estruturar dados ricos de danos automaticamente, eliminando a reintrodução manual, reduzindo erros e encurtando o tempo necessário para preparar uma proposta de projecto de horas para minutos.
Compreender como extrair e classificar dados de danos estruturados permitiu-nos construir um fluxo de trabalho que transforma automaticamente os resultados de inspeção em projetos, trabalhos e tarefas no Collabaro. O que antes exigia que um gestor de projecto passasse dias a criar ordens de trabalho manualmente a partir de um relatório de inspeção pode agora acontecer em minutos, proporcionando aos contratantes um caminho mais rápido da inspeção à mobilização.
Board Logging and Automated Data Extraction
Transferir resultados de painéis de inspeção em papel é uma das tarefas mais demoradas no serviço de pás. O Collabaro Field permite que os técnicos fotografem um painel preenchido e tenham os dados extraídos automaticamente.
Cada ponto de dados é devolvido com uma pontuação de confiança com sinalização de trânsito, para que os técnicos saibam de relance quais as entradas a verificar e por que ordem. O resultado: menos tempo ao telemóvel em altura, menos erros de transcrição e mais tempo na pá.
A nossa investigação demonstrou que a IA consegue detetar e classificar defeitos em pás com elevada precisão, e construímos os frameworks para explicar porque é que um modelo de IA chega às suas conclusões. Este é um requisito crítico para indústrias de segurança crítica como a energia eólica.
A investigação em IA acelerou entretanto a um ritmo que torna economicamente inviável para qualquer empresa de pequena dimensão construir e manter modelos de visão personalizados internamente. Reconhecemos isso cedo. Em vez de tentar competir como empresa de IA, aplicámos a nossa profunda compreensão da tecnologia onde entrega valor comercial real.
Hoje, as capacidades de IA do Collabaro estão integradas diretamente nos fluxos de trabalho operacionais, não adicionadas como um módulo separado. A nossa API REST integra-se com plataformas especializadas de drones e inspeção como a Perceptual Robotics. E a nossa compreensão da caracterização de defeitos, diretamente informada por esta investigação, molda como estruturamos, filtramos e apresentamos dados de danos aos nossos utilizadores.
A investigação deu-nos algo que nenhum investimento em marketing consegue comprar: genuína especialização em como a IA se aplica à inspeção de pás de turbinas eólicas. Essa especialização está incorporada em cada funcionalidade que construímos.
Marque uma demonstração e mostraremos como o Collabaro extrai, estrutura e actua sobre dados de danos em pás.
