ファンブレードの欠陥の検出精度を向上するために、YOLOv8をベースにした改良アルゴリズムを提案しました。まず、効果的なマルチスケールの注意に基づいたボトルネック構造からデュアルコンボリューションカーネル構造に変更してDE-C2fモジュールを形成し、ネットワークがマルチスケールの特徴を抽出する能力を向上させます。次に、グローバルリセプティブフィールドフィーチャフュージョンモジュール（GRE-SPPF）を設計して、ネットワークがグローバルフィーチャ情報をキャプチャし、ネットワークリセプティブフィールドを拡大するのを支援します。最後に、ネックに小目標検出レイヤーおよびマルチスケールフィーチャフュージョン構造を追加して、小さなおよび複雑な目標の検出性能を向上させます。さらに、検出ヘッドにアテンションおよびコンボリューションフュージョンモジュール（ACFM）を導入して、ネットワークが重要な情報に焦点を当て、背景の干渉を効果的に抑制します。ファンブレードの欠陥データセットでの実験結果は、改良されたアルゴリズムのmAP@0.5およびmAP@0.5：0.95がそれぞれ91.1％および61.8％に達し、それぞれベースラインアルゴリズムを6.2％および6.4％向上させ、回収率は84.9％で7.7％増加し、パラメータの数量は著しく増加せず、ファンブレードの欠陥検出に効果的に適用できます。

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