Para mejorar la precisión en la detección de defectos en las palas del ventilador, se propone un algoritmo mejorado basado en YOLOv8. En primer lugar, se propone un cambio de estructura de cuello de botella a una estructura de doble núcleo convolucional basada en una atención efectiva de múltiples escalas para formar el módulo DE-C2f, con el fin de mejorar la capacidad de la red para extraer características de múltiples escalas. Luego, se diseña el módulo de fusión de características del campo visual global (GRE-SPPF) para ayudar a la red a capturar información de características globales y ampliar el campo visual de la red. Por último, en Neck, se añade una capa de detección de objetivos pequeños y una estructura de fusión de características de múltiples escalas para mejorar el rendimiento en la detección de objetivos pequeños y complejos. Además, se introduce un módulo de fusión de atención y convolución (ACFM) en la cabeza de detección para que la red se centre en la información clave y suprima eficazmente las interferencias de fondo. Los resultados experimentales en el conjunto de datos de defectos en las palas del ventilador muestran que el algoritmo mejorado mAP@0.5 y mAP@0.5: 0.95 alcanzaron el 91,1% y el 61,8%, respectivamente, aumentando un 6,2% y un 6,4% en comparación con el algoritmo base, la tasa de recuperación alcanzó el 84,9%, un aumento del 7,7%, y la cantidad de parámetros no se incrementó significativamente, lo que puede aplicarse de manera efectiva a la detección de defectos en las palas del ventilador.

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