基于改进YOLOv5s的风电叶片表面缺陷检测方法

摘要

为了提高风电机组叶片健康监测技术的智能化、高效化、便捷化发展，依据目标识别技术提出一种基于改进YOLOv5s算法的风电叶片表面缺陷检测方法。首先将YOLOv5s算法的原始骨干网络用渐进特征金字塔网络（AFPN）替换，增强了网络的学习能力;其次将卷积块注意力模块（CBAM）嵌入到主干提取网络中，提高了模型对叶片表面缺陷特征的提取能力;然后使用最小点距离交并比（MPDIoU）损失函数替换CIoU损失函数，提高了边界框定位精度;最后，采用改进的检测方法对某风电机组叶片进行缺陷检测。检测结果表明，改进后的算法在精确率、召回率和平均精度均值（mAP）等方面分别提高了4.1%、2.9%和4.8%，达到了91.9%、89.3%和93.5%，具有显著的精度优势和更好的模型稳定性。

关键词

风电叶片 / 缺陷检测 / 渐进特征金字塔网络 / 卷积块注意力模块