Compte tenu de la faible précision de la détection des défauts des pales de ventilateur, du problème de détection manquée et de la détection incorrecte, un algorithme amélioré basé sur YOLOv8 a été proposé. Tout d'abord, une structure de convolution à double noyau efficace basée sur une attention multi-échelle a été proposée pour remplacer la structure bottleneck afin de former le module DE-C2f, améliorant ainsi la capacité du réseau à extraire des caractéristiques multi-échelles. Ensuite, un module de fusion des caractéristiques du champ de perception global (GRE-SPPF) a été conçu pour aider le réseau à capturer des informations de caractéristiques globales, élargissant ainsi le champ de perception du réseau. Enfin, une couche de détection de petites cibles et une structure de fusion de caractéristiques multi-échelles ont été ajoutées dans le cou pour améliorer la performance de détection des cibles petites et complexes. De plus, un module d'attention et une fusion des convolutions (ACFM) ont été introduits avant la tête de détection pour que le réseau se concentre sur les informations clés et supprime efficacement les interférences de l'arrière-plan. Les résultats des expériences sur l'ensemble de données de défauts des pales de ventilateur ont montré que l'amélioration de l'algorithme atteint respectivement 91,1% et 61,8% pour la précision moyenne de rappel @ 0,5 et la précision moyenne de rappel @ 0,5: 0,95, par rapport à l'algorithme de base, il a augmenté de 6,2% et 6,4% et son taux de rappel atteint 84,9%, en progression de 7,7%, avec un nombre de paramètres qui n'a pas augmenté de manière significative, pouvant être appliqué efficacement à la détection des défauts des pales de ventilateur.

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