面向安全预警的风机叶片微小缺陷智能检测方法

摘要

风力发电机叶片损坏易引发电力故障，造成安全隐患，而现有方法难以对叶片的微小缺陷做出有效检测。针对该问题，本文构建了一种智能化的YOLO-Wind缺陷检测模型。首先提出多尺度细节增强模块，通过对图像差分运算与跨尺度特征融合，提高微小缺陷特征的显著性表达。然后，将主干中的传统卷积替换为感受野注意力卷积，提高网络对缺陷关键特征的捕获能力。最后，通过Focal Loss改进CIoU损失，以自适应加权策略平衡不同难度样本的训练贡献，从而提升检测鲁棒性。实验结果表明，YOLO-Wind在自建数据集上的mAP_0.5达到93.1%,优于主流目标检测算法。在Small-WTB-Thermal1微小缺陷数据集上的mAP_0.5达到87.8%,相比原模型提升7.3个百分点。模型浮点计算量和参数量分别为8.6 GFLOPs和3.2M,具备一定的轻量化性能，能够为风机叶片智能运维提供技术支持。

关键词

缺陷检测 / 深度学习 / 风机叶片 / YOLO