YOLO-DCS:改进YOLOv11n的风机叶片表面缺陷检测方法

摘要

针对风机叶片目标特征表达能力弱、背景复杂及小目标易漏检等问题，提出改进YOLOv11n的目标检测算法YOLO-DCS。在骨干网络中引入多分支卷积模块(DBB)和跨层级通道注意力(CLCA)，其中DBB模块使mAP@0.5提升1.6%,CLCA模块使mAP@0.5-0.95提升3%，增强关键特征表达能力。进一步构建融合C2PSA局部聚合与CLCA全局注意力的C2PSA＿CLCA模块，提高多尺度特征学习效果，小目标mAP提升8%。在Neck中采用Slim-Neck架构，引入GSConv与Vo-VGSCSP模块，在参数量仅增加约0.4 M的情况下使整体mAP@0.5-0.95提升5.7%。实验结果表明:YOLO-DCS的召回率、精确率、mAP@0.5和mAP@0.5-0.95分别达92.9%、93.4%、95.7%、76.8%，较基线模型YOLOv11n分别提升3.7%、2.7%、3.5%和5.7%，验证了所提方法的有效性。

关键词

风机叶片 / YOLOv11n / 特征融合 / 小目标漏检