Offshore wind turbine blades are susceptible to various defects such as cracks, delamination, erosion, and fatigue damage due to the harsh marine environment. This study proposes a convolutional autoencoder-based anomaly detection method using time-series thermographic data to overcome the limitations of conventional inspection techniques. Thermographic images were obtained by heating GFRP specimens, and a preprocessing technique was applied to convert temporal thermal patterns into two-dimensional images through square tiling along the time axis, allowing the model to capture time-dependent thermal characteristics. The autoencoder, trained solely on normal data, adopts a semi -supervised learning structure that identifies defects based on reconstruction error. The performance was evaluated using three model depths (AE03, AE04, AE05) and two stride settings (3 and 5). As a result, the deepest model, AE05, achieved the best overall detection performance, recording 92.39% accuracy, 96.59% NPV, and 95.45% specificity on the stride-5 dataset at the 0.95 quantile threshold. Experimental results confirmed that both model depth and stride size contributed to improved detection accuracy, and the proposed method demonstrated high practical potential for thermography-based blade defect detection.

해상풍력발전기의 블레이드는 해양 환경의 특성상 균열, 박리, 침식, 피로손상 등 다양한 결함에 취약하다. 본 연구에서는 기존 검사 방법의 한계를 극복하기 위해 시계열 열화상 데이터를 활용한 합성곱 오토인코더 기반 이상 탐지 기법을 제안하였다. GFRP 시편을 가열하며 획득한 열화상 이미지가 인공지능의 입력 데이터로 사용될 때, 시계열적 특성을 가질 수 있도록 시간 흐름에 따라 정방형으로 배열하는 전처리 기법을 통해 2차원 이미지로 변환하였다. 정상 데이터만으로 학습된 오토인코더는 재구성 오차 기반으로 결함 여부를 판단하는 준지도 학습 구조를 가지며, 세 가지 모델 깊이(AE03, AE04, AE05)와 두 종류의 스트라이드(3, 5) 조건에서 성능을 평가하였다. 그 결과, 가장 깊은 구조를 가진 AE05 모델이 스트라이드 5 데이터셋에서 0.95 Quantile 임계값을 기준으로 정확도 92.39%, NPV 96.59%, 특이도 95.45%를 달성하였으며 가장 우수한 탐지 성능을 보였다. 제안된 기법은 정상 데이터만을 이용하여 빠르고 효율적으로 결함을 탐지할 수 있어, 열화상 기반의 블레이드 결함 탐지에서 높은 실용 가능성을 보여주었다.

Keywords: 해상풍력발전(Offshore wind turbine), 열화상(Thermography), 이상탐지(Anomaly detection), 합성곱 오토인코더(Convolutional autoencoder)