Для улучшения точности обнаружения дефектов лопастей вентилятора предложен улучшенный алгоритм на основе YOLOv8. В первую очередь предложена смена бутылочного структурного элемента на два сверточных ядра, основанных на эффективном многоуровневом внимании для формирования модуля DE-C2f, чтобы повысить возможность извлечения многоуровневых особенностей сети. Затем разработана модуль глобального объединения признаков с общим областью восприятия (GRE-SPPF), который помогает сети захватить глобальную информацию о признаках и расширить область восприятия сети. И, наконец, в Neck добавлены слой обнаружения малых целей и многоуровневая структура слияния особенностей для улучшения производительности обнаружения малых и сложных объектов. Кроме того, вводится внимание и модуль слияния в голове детекции (ACFM), чтобы сеть сосредоточилась на ключевой информации и эффективно подавила фоновую помеху. Экспериментальные результаты на наборе данных дефектов лопастей вентилятора показывают, что улучшенный алгоритм mAP@0.5 и mAP@0.5: 0.95 достигли соответственно 91,1% и 61,8%, что увеличило базовый алгоритм на 6,2% и 6,4%, уровень полноты составил 84,9%, увеличение на 7,7%, и объем параметров не существенно увеличился, что может быть эффективно применено для обнаружения дефектов вентиляторных лопастей.

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