Angesichts der geringen Genauigkeit bei der Erkennung von Defekten an den Lüfterflügeln, des Problems der fehlenden Erkennung und der fehlerhaften Erkennung wurde ein verbessertes Algorithmus basierend auf YOLOv8 vorgeschlagen. Erstens wurde eine effiziente Doppelkernkonvolutionsstruktur mit multiskaliger Aufmerksamkeit anstelle der Engpassstruktur zur Bildung des Moduls DE-C2f vorgeschlagen, um die Fähigkeit des Netzwerks zur Extraktion von Multiskalenmerkmalen zu verbessern. Zweitens wurde das Modul zur globalen Merkmalsintegration des Wahrnehmungsfeldes (GRE-SPPF) entwickelt, um das Netzwerk bei der Erfassung globaler Merkmalinformationen zu unterstützen und das Wahrnehmungsfeld des Netzwerks zu erweitern. Schließlich wurden im Hals eine kleine Ziel-Detektionsschicht und eine Multiskalen-Merkmalintegrationsstruktur hinzugefügt, um die Detektionsleistung für kleine und komplexe Ziele zu verbessern. Darüber hinaus wurden vor dem Detektionskopf ein Aufmerksamkeits- und Faltungsintegrationsmodul (ACFM) eingeführt, um das Netzwerk auf Schlüsselinformationen zu konzentrieren und Hintergrundstörungen effektiv zu unterdrücken. Die Ergebnisse der Experimente auf dem Datensatz für Lüfterflügeldefekte zeigten, dass der verbesserte Algorithmus in Bezug auf den Basisalgorithmus in der mittleren Durchschnittsgenauigkeit @ 0,5 um 6,2% und in der mittleren Durchschnittsgenauigkeit @ 0,5: 0,95 um 6,4% gestiegen ist und die Abrufquote 84,9% beträgt, was einen Zuwachs von 7,7% darstellt, ohne dass sich die Parameter signifikant erhöht haben, und daher effektiv zur Erkennung von Defekten an den Lüfterflügeln angewendet werden kann.

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