6 个叶片缺陷识别能力
针对风机叶片的视觉识别专项训练。海上 / 陆上风机叶片都适用。
裂纹识别
叶片表面裂纹（包括早期细微裂纹）识别。裂纹位置 + 长度 + 分级标记。早期识别能避免发展成致命缺陷。
雷击痕迹识别
叶片雷击是常见损伤。雷击点、雷击痕迹、伴随的烧灼区域识别。海上风电雷击频率高，监测必要。
污损与覆冰识别
叶片表面污损、积尘、积冰、生物附着识别。影响风机发电效率，定期评估辅助清洁决策。
边缘破损识别
叶片前缘、后缘破损识别。这是叶片磨损最常见的部位之一，关系到气动效率。
油漆涂层异常
叶片油漆剥落、涂层老化识别。涂层是叶片防腐和气动性能的关键。
巡检报告自动生成
基于识别结果生成结构化的叶片巡检报告：叶片 ID + 缺陷类型 + 严重程度 + 位置标注图 + 处置建议。可按风电业主模板定制。
适合谁用
风电运维生态的多个环节都用得上。
风电场运维方
风电场业主自有运维团队。已有无人机巡检流程，加 AI 后效率提升。
无人机巡检服务商
提供风电场无人机巡检服务的公司。可以从"卖巡检"升级为"卖巡检 + 卖报告"。
能源运维集成商
负责风电场整体运维的集成商。把叶片 AI 作为运维方案的能力模块。
风机制造商
风机厂商可以集成叶片识别能力到自家的运维管理系统中，作为售后服务能力。
叶片缺陷识别需要数据共建
叶片缺陷识别的准确率高度依赖训练数据。客户共建数据是长期合作的核心。
初始数据要求
推荐客户提供 200-500 张已有标注的巡检图片（包含主要缺陷类型）作为初始训练数据。完全冷启动也能做，但准确率会较低。
持续数据共建
客户每次巡检的图片 + 工程师复核结果回传到我们的训练管道，模型持续优化。"用得越久越准"是这类项目的核心价值。
不同风机型号差异化
不同厂商、不同型号的风机叶片差异大。模型可以按风机型号细分训练，专属模型准确率显著高于通用模型。
海上 vs 陆上差异
海上风机叶片受盐雾、紫外线、雷击影响更大，缺陷类型分布与陆上不同。我们针对海上场景有专门优化。
模型 OTA 升级
模型升级通过 OTA 推送到客户部署环境。新版本识别准确率提升后，客户立即受益，不需要重新部署。
与无人机厂商合作
我们和主流无人机巡检平台（如大疆智图、Skydio）做了集成。无人机飞完图片直接导入我们的系统，工作流无缝。