ロボティクスと深層学習を用いた洋上エネルギー設備の構造健全性モニタリング

Unofficial AI-generated summary based on the public title and abstract. Not an official translation.

🔬研究者:The integration of YOLOv5 with an ROV for defect detection provides a practical deep learning pipeline applicable to underwater SHM.

🏢実務担当者:Offshore renewable energy operators can adopt this system to reduce inspection costs and downtime.

🏛政策担当者:Policymakers should note that such innovations can lower LCOE, accelerating the energy transition.

過酷な海洋環境は、生物付着、疲労亀裂、剥離、および腐食により、海洋再生可能エネルギー設備を構造的に劣化させる可能性がある。構造欠陥は、過度のダウンタイムと、運転・保守（O&M）費用の増加につながり、洋上風力および海洋エネルギー設備からの均等化発電原価（LCOE）に悪影響を及ぼす可能性がある。構造欠陥のタイムリーな検出と予防的保守介入を確実にするために、効果的な構造ヘルスモニタリング（SHM）は、海洋再生可能エネルギーシステムの寿命を大幅に延ばし、O&M費用とLCOEを削減することができる。従来のSHM手法には、視覚機能を欠く固定センサーと、遠隔操作無人探査機（ROV）からのビデオ記録の手動分析が含まれる。従来の検査方法は、時間がかかり、費用がかかり、人為的ミスが発生しやすい。このプロジェクトは、改良された市販のROVと深層学習（DL）フレームワーク（YOLOv5）を統合し、記録されたビデオデータを処理して欠陥を識別する、革新的なSHMシステムを提案する。深層学習フレームワークを図1に示す。ROVカメラから収集されたビデオデータは、搭載メモリに保存され、SHMキャンペーン完了時にDLモデルに転送されて処理される。ビデオ記録は個々のフレームに分割され、前処理および拡張段階を経て、ノイズ除去、回転、反転、およびガウスノイズ除去が行われる。Cross Stage Partial（CSP）層は、入力特徴マップを分割し、各部分を個別に処理してから結合することで、効率を向上させるように設計されている。空間ピラミッドプーリング層（SPP）は、複数のプーリングスケールを使用して、グローバルおよびローカルの空間情報の両方を捕捉し、異なるサイズの物体を検出する。Feature Pyramid Network（FPN）層は、マルチスケールの特徴表現を強化し、低解像度の特徴をアップサンプリングして高解像度の特徴と結合することで、小さな物体の検出を改善する。DLフレームワークの出力には、バウンディングボックス予測、信頼度スコア、および分類結果が含まれる。 水中画像を収集するために、チームは、データ収集システム（DCS）を含む追加の筐体を備えたGladius Mini S水中ビークルを配備する。DCSは搭載電源を備え、温度センサーと深度センサーを備えた16 MPカメラを含み、これらはマイクロコントローラと通信し、データを保存する。深度センサー、加速度計、追加カメラ、ソナー、およびジャイロスコープもシステムに統合され、さらなる機能が追加される予定である。これらのセンサーは、経路探索、衝突検出、位置特定、およびエラー補正におけるROVの能力を拡張し、これらすべてがビークルの自律運転を可能にすることに貢献する。画像は、畳み込みニューラルネットワーク（CNN）によって分析され、欠陥を分類する。CNNは、欠陥データベースに保存された注釈付き画像でトレーニングされ、予備結果は、従来の方法と比較して精度が87%向上した大幅に改善された検出を示している。深層学習モデルと水中ROVの能力を統合することにより、このプロジェクトは海洋再生可能エネルギーシステムのSHM時間とコスト効率を向上させる。

AI 翻訳（deepseek-v4-flash）。 正確を期す場合は下の原文を参照してください。

The harsh ocean environment can structurally degrade ocean renewable energy installations from biofouling, fatigue cracking, spalling, and corrosion. Structural defects can lead to excessive downtime and increased operational and maintenance (O&M) expenses that can adversely impact the Levelized Cost of Energy (LCOE) from offshore wind and marine energy deployments. To ensure timely detection of structural defects and preventive maintenance interventions, effective Structural Health Monitoring (SHM) can significantly extend life and reduce the O&M costs and LCOE of ocean renewable energy systems. Traditional methods of SHM include fixed sensors that lack visual capability, and manual analysis of video recordings from Remotely Operated Vehicles (ROVs). The traditional inspection methods are time-consuming, expensive, and prone to human error. This project proposes an innovative SHM system that integrates a modified off-the-shelf ROV with a deep learning (DL) framework (YOLOv5) to process the recorded video data and process it to identify the defects. The deep learning framework is shown in Fig. 1. The video data collected from the ROV camera is stored in onboard memory and transferred to the DL model for processing at the completion of SHM campaign. The video recording is split into individual frames and passed through the preprocessing and augmentation stages for denoising, rotation, flipping, and Gaussian noise elimination. The Cross Stage Partial (CSP) layers are designed to split the input feature map, process each part separately, and merge them to improve efficiency. The spatial pyramid pooling layers (SPP) use multiple pooling scales to capture both global and local spatial information to detect objects of different sizes. The Feature Pyramid Network (FPN) layer enhances multi-scale feature representation and up-sample lower-resolution features and merges them with higher-resolution features to improve small object detection. The DL framework outputs include bounding box predictions, confidence scores and classification results. To collect the underwater images, the team deploys a Gladius Mini S underwater vehicle with an additional enclosure that contains data collection system (DCS). The DCS has onboard power and includes a 16 MP camera with temperature and depth sensors that communicate with and store data on a microcontroller. A depth sensor, an accelerometer, additional cameras, a sonar, and a gyroscope are also planned to be integrated into the system to add further capabilities. These sensors will extend the ROV’s capabilities of pathfinding, collision detection, positioning, and error correction, all of which contribute to making the autonomous operation of the vehicle possible. The images will be analyzed by the Convolutional Neural Network (CNN) to classify the defects. CNN is trained on annotated images stored in a defect database, and the preliminary results indicate significantly improved detection with 87% increase in accuracy compared to the traditional methods. By integrating the deep learning model with the capabilities of an underwater ROV, this project will increase the SHM time and cost efficiency of ocean renewable energy systems.

• Zenodo https://zenodo.org/records/20545534first seen 2026-06-05 04:16:05 · last seen 2026-06-06 04:15:11