تصحيح أخطاء تحديد العيوب في شفرات المروحة باستخدام تحسين خوارزمية YOLOv8. أولاً، تقدم هيكل الفلتر المزدوج المستوحى من فهم فعّال للمقياس المتعدد للتركيز بدلاً من هيكل الزجاجة لتشكيل وحدة DE-C2f لتعزيز قدرة الشبكة على استخراج الميزات العديدة للمقياس. ثانياً، تصميم وحدة دمج الميزات الشاملة متعددة المستويات (GRE-SPPF) تساعد الشبكة في التقاط معلومات الميزات الشاملة وتوسيع نطاق استشعار الشبكة. أخيرًا، في Neck، تمت إضافة طبقة كشف الأهداف الصغيرة وهيكل دمج ميزات متعددة المستويات لزيادة أداء كشف الأهداف الصغيرة والمعقدة. بالإضافة إلى ذلك، تم إدخال وحدة الانتباه ودمج الفولت في رأس الكشف (ACFM) لتركيز الشبكة على المعلومات الحاسمة وقمع الإزعاج الخلفي بشكل فعال. تشير نتائج التجارب على مجموعة بيانات العيوب في شفرات المروحة إلى أن أداء الخوارزمية المحسنة mAP@0.5 و mAP@0.5: 0.95 وصلت على التوالي إلى 91.1% و 61.8%، مما يعزز كل من الخوارزمية الأساسية بنسبة 6.2% و 6.4%، وصلت معدلات الاستدعاء إلى 84.9٪، مما يعزز بنسبة 7.7٪، ولم يكن هناك زيادة واضحة في حجم المعلمات، ويمكن تطبيقه بشكل فعال في كشف العيوب في شفرات المروحة.

wind turbine blade;defect detection;YOLOv8;Multi-scale features;small object;attention mechanism