Debido a la baja precisión en la detección de defectos en las palas de aerogeneradores, con problemas de detección perdida y falsa, se propone un algoritmo mejorado basado en YOLOv8. Primero, se propone un módulo DE-C2f que reemplaza la estructura de cuello de botella por una estructura de doble núcleo convolucional basada en atención multiescala eficiente para mejorar la capacidad de la red para extraer características multiescala. En segundo lugar, se diseña un módulo de fusión de características de campo receptivo global (GRE-SPPF) para ayudar a la red a capturar información global y ampliar el campo receptivo. Finalmente, se agrega una capa de detección de pequeños objetivos y una estructura de fusión de características multiescala en el cuello para mejorar el rendimiento en la detección de objetivos pequeños y complejos; además, se introduce un módulo de fusión de atención y convolución (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 experimentales en el conjunto de datos de defectos en las palas de aerogeneradores muestran que el algoritmo mejorado alcanzó mAP@0.5 y mAP@0.5:0.95 de 91,1% y 61,8%, respectivamente, lo que supone un aumento del 6,2% y 6,4% en comparación con el algoritmo base, con una tasa de recuperación del 84,9%, un incremento del 7,7%, y sin un aumento significativo en la cantidad de parámetros, lo que permite una aplicación eficaz en la detección de defectos de palas de aerogeneradores.

palas de aerogeneradores; detección de defectos; YOLOv8; características multiescala; pequeños objetivos; mecanismo de atención