基于改进YOLOv8的风电叶片表面损伤检测与识别方法

作     者：吴博阳 毛胜轲 林特宇 任浩杰 蔡海洋 李扬 WU Boyang;MAO Shengke;LIN Teyu;REN Haojie;CAI Haiyang;LI Yang

作者机构：运达能源科技集团股份有限公司浙江杭州310012 

出 版 物：《机电工程》 (Journal of Mechanical & Electrical Engineering)

年 卷 期：2024年第41卷第7期

页      面：1260-1268页

学科分类：080801[工学-电机与电器] 0808[工学-电气工程] 08[工学] 080502[工学-材料学] 0805[工学-材料科学与工程（可授工学、理学学位）] 0802[工学-机械工程] 080201[工学-机械制造及其自动化] 

基　　金：国家重点研发计划项目(2022YFB4201205) 

主　　题：风电叶片损伤识别 YOLOv8 目标检测 数据增强算法 卷积注意力模块 梯度协调机制 平均精度 平均召回率 快速区域卷积神经网络 交并比 

摘      要：针对风电叶片极易出现损伤和故障,且制造和维护成本高昂等问题,提出了一种基于改进YOLOv8模型的风电叶片表面损伤检测与识别方法。首先,将现场拍摄到的高清叶片图像作为实验数据集,并将其按比例随机划分为训练集、验证集和测试集;然后,在YOLOv8模型中引入了动态数据增强算法Mosaic、Mixup及离线数据增强算法Albumentations,对训练数据集进行了扩充,解决了模型在有限数据集下的泛化性问题;最后,使用卷积注意力模块(CBAM)和梯度协调机制(GHM)/Focal loss算法等手段加强了模型的损伤检测能力,改进了样本分布不均衡问题,建立了一种先进的风电叶片表面损伤检测与识别方法,提升了YOLOv8模型对叶片损伤的检测精度。研究结果表明:改进后的YOLOv8模型在计算量和参数量都较低的情况下,其平均精度(AP)、平均召回率(AR)都超越了同等配置下的快速区域卷积神经网络(Faster R-CNN)模型。改进后的YOLOv8模型在交并比(IoU)阈值为0.5时的AP和AR分别达到了73.2%和58.8%,验证了该方法在风电叶片损伤检测方面具有一定的可靠性和有效性。