Dada la baja precisión en la detección de defectos en las palas del ventilador, el problema de detección perdida y la detección errónea, se propuso un algoritmo mejorado basado en YOLOv8. En primer lugar, se propuso una estructura de doble núcleo eficiente basada en atención multi-escala en lugar de la estructura de cuello de botella para formar el módulo DE-C2f, mejorando la capacidad de la red para extraer características de múltiples escalas. En segundo lugar, se diseñó el módulo de fusión de características del campo de percepción global (GRE-SPPF) para ayudar a la red a capturar información de características globales, ampliando así el campo de percepción de la red. Por último, se agregó una capa de detección de objetivos pequeños y una estructura de fusión de características de múltiples escalas en el cuello para mejorar el rendimiento de detección de objetivos pequeños y complejos. Además, se introdujo un módulo de atención y fusión convolucional (ACFM) antes de la cabeza de detección para que la red se centre en la información clave y suprima eficazmente las interferencias de fondo. Los resultados de los experimentos en el conjunto de datos de defectos en las palas del ventilador mostraron que el algoritmo mejorado tuvo un aumento del 6,2% y 6,4%, respectivamente, en la precisión media de recuperación @ 0,5 y la precisión media de recuperación @ 0,5: 0,95 en comparación con el algoritmo base, llegando al 91,1% y 61,8%, y su tasa de recuperación alcanzó el 84,9%, un aumento del 7,7%, sin un aumento significativo en la cantidad de parámetros, pudiendo aplicarse eficazmente en la detección de defectos en las palas del ventilador.

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