Devido à baixa precisão na detecção de defeitos nas pás de turbinas eólicas, com problemas de detecção perdida e falsa, foi proposto um algoritmo melhorado baseado no YOLOv8. Primeiro, foi proposto um módulo DE-C2f que substitui a estrutura de gargalo por uma estrutura de duplo núcleo convolucional baseada em atenção multiescala eficiente para melhorar a capacidade da rede de extrair características multiescala. Em segundo lugar, foi projetado um módulo de fusão de características do campo receptivo global (GRE-SPPF) para ajudar a rede a capturar informações globais e ampliar o campo receptivo. Por fim, adicionou-se uma camada de detecção de pequenos alvos e uma estrutura de fusão de características multiescala no pescoço (Neck) para melhorar o desempenho na detecção de alvos pequenos e complexos; além disso, um módulo de fusão de atenção e convolução (ACFM) foi introduzido antes da cabeça de detecção, permitindo que a rede se concentre nas informações-chave e suprima eficazmente as interferências de fundo. Os resultados experimentais no conjunto de dados de defeitos das pás mostraram que o algoritmo melhorado alcançou mAP@0.5 e mAP@0.5:0.95 de 91,1% e 61,8%, respectivamente, representando um aumento de 6,2% e 6,4% em relação ao algoritmo base, com taxa de recall de 84,9%, crescimento de 7,7%, e sem aumento significativo no número de parâmetros, podendo ser aplicado efetivamente na detecção de defeitos das pás de turbinas eólicas.

pás de turbinas eólicas; detecção de defeitos; YOLOv8; características multiescala; pequenos alvos; mecanismo de atenção