Zur Verbesserung der Genauigkeit bei der Erkennung von Fehlern an den Lüfterblättern wurde ein verbessertes Algorithmus basierend auf YOLOv8 vorgeschlagen. Zunächst wurde ein Wechsel von einer Flaschenhalsstruktur zu einer Doppel-Convolution-Kernstruktur auf Basis einer effizienten Multi-Scale-Aufmerksamkeit vorgeschlagen, um das DE-C2f-Modul zu bilden und die Fähigkeit des Netzwerks zur Extraktion von Multi-Scale-Merkmalen zu verbessern. Dann wurde das Global Receptive Field Feature Fusion Module (GRE-SPPF) entworfen, um dem Netzwerk zu helfen, globale Merkmalinformationen zu erfassen und das Rezeptive Field des Netzwerks zu erweitern. Schließlich wurden in Neck eine kleine Ziel-Erkennungsschicht und eine Multi-Scale-Feature-Fusion-Struktur hinzugefügt, um die Leistung der Erkennung kleiner und komplexer Ziele zu verbessern. Darüber hinaus wurde in der Detection Head ein Attention and Convolution Fusion Module (ACFM) eingeführt, damit das Netzwerk sich auf wichtige Informationen konzentriert und Hintergrundstörungen effektiv unterdrückt. Experimentelle Ergebnisse auf dem Datensatz für Lüfterblattfehler zeigen, dass der verbesserte Algorithmus mAP@0.5 und mAP@0.5: 0.95 erreicht haben, jeweils 91,1% und 61,8%, was eine Steigerung gegenüber dem Baseline-Algorithmus von 6,2% und 6,4% darstellt, und die Recall-Rate 84,9% beträgt, was eine Steigerung von 7,7% bedeutet, und die Parameteranzahl nicht signifikant zugenommen hat, was effektiv zur Erkennung von Lüfterblattfehlern eingesetzt werden kann.

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