팬 날개의 결함을 탐지하는 정확성을 높이기 위해 개선된 YOLOv8을 기반으로 한 알고리즘을 제안했습니다. 먼저 다양한 스케일의 효과적인 주의를 기반으로 병목 구조를 이중 컨볼루션 커널 구조로 변경하여 DE-C2f 모듈을 형성하여 네트워크가 다양한 스케일 특징을 추출하는 능력을 향상시켰습니다. 그런 다음, 글로벌 수용 영역 피쳐 퓨전 모듈 (GRE-SPPF)을 디자인하여 네트워크가 글로벌 특징 정보를 캡처하고 네트워크 수용영역을 확장하는 데 도움이 되도록했습니다. 마지막으로 Neck에 작은 목표 감지 계층과 다양한 스케일 특징 융합 구조를 추가하여 작은 및 복잡한 목표 감지의 성능을 향상시켰습니다. 또한 감지 헤드에 중점과 컨볼 루션 퓨전 모듈 (ACFM)을 도입하여 네트워크가 핵심 정보에 집중하고 배경 교란을 효과적으로 억제하게했습니다. 팬 날개 결함 데이터 세트에서의 실험 결과는 개선된 알고리즘 mAP@0.5 및 mAP@0.5: 0.95가 각각 91.1% 및 61.8%에 도달하며 기준 알고리즘에 비해 각각 6.2% 및 6.4% 증가했으며 회수율은 84.9%로 증가했으며 매개 변수 양이 크게 증가하지 않았으며 팬 날개 결함 탐지에 효과적으로 적용할 수 있습니다.

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