यह शोधपत्र YOLO-आधारित गहन शिक्षण मॉडलों का एक समूह प्रस्तावित करता है जो पवन ऊर्जा संयंत्रों के ब्लेड और टावरों जैसे प्रमुख घटकों में दोषों का पता लगाने के लिए दृश्य और तापीय, दोनों छवियों का उपयोग करता है। यह दृष्टिकोण सामान्य YOLOv8 मॉडल को एक तापीय-विशिष्ट मॉडल के साथ जोड़ता है और एक परिष्कृत बाउंडिंग बॉक्स फ़्यूज़न एल्गोरिथम के माध्यम से पूर्वानुमान परिणामों को एकीकृत करता है। प्रायोगिक परिणाम दर्शाते हैं कि प्रस्तावित विधि 0.93 की औसत सटीकता (mAP@.5) और 0.90 का F1-स्कोर प्राप्त करती है, जो एकल YOLOv8 मॉडल (mAP@.5 0.91) की तुलना में प्रदर्शन में उल्लेखनीय सुधार करता है। इससे पता चलता है कि एकाधिक YOLO आर्किटेक्चर और संलयित बहु-स्पेक्ट्रल डेटा का उपयोग दृश्य और तापीय दोषों का पता लगाने की विश्वसनीयता को बढ़ा सकता है।
