En raison de la faible précision lors de la détection des défauts des pales d’éolienne, avec des problèmes de détection manquée et de fausses détections, une algorithme amélioré basé sur YOLOv8 est proposé. Premièrement, un module DE-C2f remplaçant la structure en goulot d’étranglement par une structure à double noyau convolutionnel basée sur une attention multi-échelle efficace est introduit pour améliorer la capacité du réseau à extraire des caractéristiques multi-échelles. Deuxièmement, un module de fusion des caractéristiques du champ réceptif global (GRE-SPPF) est conçu pour aider le réseau à capturer les informations globales et élargir le champ réceptif. Enfin, une couche de détection de petits objets et une structure de fusion de caractéristiques multi-échelles sont ajoutées au niveau du cou pour améliorer la détection des petits et complexes objets ; de plus, un module de fusion attention-convolution (ACFM) est intégré avant la tête de détection, permettant au réseau de se concentrer sur les informations clés et de supprimer efficacement les interférences de fond. Les résultats expérimentaux sur un jeu de données de défauts des pales montrent que l’algorithme amélioré atteint des mAP@0.5 et mAP@0.5:0.95 de 91,1 % et 61,8 % respectivement, soit une amélioration de 6,2 % et 6,4 % par rapport à l’algorithme de base, avec un rappel de 84,9 %, en hausse de 7,7 %, sans augmentation significative du nombre de paramètres, ce qui le rend applicable efficacement à la détection des défauts des pales d’éolienne.

pales d’éolienne; détection de défauts; YOLOv8; caractéristiques multi-échelles; petits objets; mécanisme d’attention