Pour améliorer la précision de la détection des défauts des pales du ventilateur, un algorithme amélioré basé sur YOLOv8 a été proposé. Tout d'abord, un changement de la structure de bouteille en un double noyau de convolution basé sur une attention multi-échelle efficace a été proposé pour former le module DE-C2f afin d'améliorer la capacité du réseau à extraire des caractéristiques multi-échelles. Ensuite, un module de fusion des caractéristiques du champ perceptif global (GRE-SPPF) est conçu pour aider le réseau à capturer des informations de caractéristiques globales et élargir le champ perceptif du réseau. Enfin, dans Neck, une couche de détection des cibles petites et une structure de fusion des caractéristiques multi-échelles sont ajoutées pour améliorer les performances de détection des cibles petites et complexes. De plus, un module de fusion d'attention et de convolution (ACFM) est introduit dans 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 expérimentaux sur l'ensemble de données de défauts des pales de ventilateur montrent que l'algorithme amélioré mAP@0.5 et mAP@0.5: 0.95 ont atteint respectivement 91,1% et 61,8%, augmentant de 6,2% et 6,4% par rapport à l'algorithme de base, le taux de rappel est de 84,9%, en hausse de 7,7%, et le nombre de paramètres n'a pas augmenté de manière significative, ce qui peut être appliqué efficacement à la détection de défauts des pales du ventilateur.

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