Учитывая низкую точность обнаружения дефектов лопастей вентилятора, проблему пропуска и ошибочного обнаружения, предложен улучшенный алгоритм на основе YOLOv8. Во-первых, была предложена эффективная двухслойная структура свертки с многомасштабным вниманием вместо структуры бутылки для формирования модуля DE-C2f, повышающая способность сети извлекать многомасштабные особенности. Во-вторых, разработан модуль объединения глобального поля восприятия признаков (GRE-SPPF), который помогает сети захватывать глобальную информацию о признаках, расширяя поле восприятия сети. Наконец, в Neck были добавлены слой обнаружения малых целей и многомасштабная структура объединения признаков для улучшения детекции малых и сложных целей, при этом перед головой обнаружения введены модуль внимания и модуль объединения сверток (ACFM), делающие сеть фокусирующейся на ключевой информации и эффективно подавляющие фоновые помехи. Результаты экспериментов на наборе данных дефектов лопастей вентилятора показали, что точность алгоритма улучшилась на 6,2% и 6,4%, а его полнота составила 84,9%, выросла на 7,7%. При этом количество параметров практически не увеличилось, что делает его эффективным для применения в обнаружении дефектов лопастей вентилятора.

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