仪器仪表学报

作者：张泽辰，姚顺春，梁骁俊，袁宝义，张超波

单位：张泽辰,1.华南理工大学未来技术学院广州510006； 2.鹏城实验室深圳518055,,姚顺春,华南理工大学电力学院 广州510006,epscyao@scut.edu.cn,梁骁俊,鹏城实验室深圳518055,,袁宝义,中国能源建设集团国际工程有限公司北京100025,,张超波,鹏城实验室深圳518055,zhangchb@pcl.ac.cn,

关键词：风机叶片;缺陷检测;动态通道空间卷积;注意力多尺度;小目标感知增强

基金：国家自然科学基金(62303062)项目资助

当前风机叶片检测存在图像分辨率高、叶片缺陷目标小和形态复杂等问题，导致其表面缺陷难以准确识别和定位。为了解决以上问题，提出一种基于小目标感知增强的风机叶片缺陷检测方法。首先，构建了动态通道空间卷积模块来改进YOLOv8检测网络，利用空间重构模块和通道重构模块，减少模型运算量和降低特征提取冗余，进而提高模型的检测性能。其次，设计了一个小目标感知增强网络，该网络由多尺度Transformer模块、特征融合模块和小目标检测头构成，其多尺度Transformer模块能协助网络理解小目标周边区域的语义，具体包括多尺度融合模块、多层感知机和查询选择模块，进而实现小目标缺陷特征的粗提取。随后，利用双线性插值和上下文引导注意力融合机制，实现缺陷浅层-深层特征的尺寸与语义对齐，以提升模型对小目标缺陷的感知。最后，引入自适应分布交并比损失函数来提升缺陷定位精度，并降低类别不平衡对检测精度的影响。在海上风电机组自建叶片数据集进行实验验证，结果表明本文提出的缺陷检测网络平均精度可达0.815，相比较YOLOv8模型和RT-DETR模型，分别提高了0.134和0.182，且在RTX3090GPU上推理速度为14fps，满足实时检测的要求，进一步证明了其在风机叶片缺陷检测应用上的潜力。

来源：2025年第9期

《仪器仪表学报》期刊编辑部

查看仪器仪表学报杂志2025年第9期