查看原文
其他

【好文推荐】基于HSCA-YOLOv7的风电机组叶片表面缺陷检测算法

中国电力 中国电力 2023-12-18

引文信息

李冰, 白云山, 赵宽, 等. 基于HSCA-YOLOv7的风电机组叶片表面缺陷检测算法[J]. 中国电力, 2023, 56(10): 43-52.

LI Bing, BAI Yunshan, ZHAO Kuan, et al. Surface defect detection algorithm for wind turbine blades based on HSCA-YOLOv7[J]. Electric Power, 2023, 56(10): 43-52.




摘要

叶片是风电机组的关键部件之一,易受到自然环境因素的影响,出现胶衣脱落、裂纹、腐蚀等损伤,影响风力发电效率及风电机组运行安全。针对航拍风电机组叶片图像缺陷尺度不一、定位不准确、检测精度低等问题,提出了一种HSCA-YOLOv7的风电机组叶片缺陷检测算法。首先根据无人机采集的风电机组叶片图像,制作叶片数据集,采用Mosaic、MixUp方法进行数据扩增;然后将不同膨胀率的深度可分离卷积引入改进空间金字塔池化(improved spatial pyramid pooling,ISPP)模块,减少池化操作带来的细节损失;提出混合空间通道注意力(hybrid spatial channel attention,HSCA)机制,捕获全局视觉场景上下文,增大目标特征与环境语义差异,解决航拍叶片图像缺陷尺度不一的问题;采用Focal EIoU损失函数,解决预测框长宽被错误放大的问题,提高模型对叶片缺陷的定位能力。实验结果表明,所提算法的均值平均精度、均值平均召回率分别达到83.64%、71.96%,与YOLOv7基线算法相比分别提高3.37%、5%。




结论

本文针对航拍风电机组叶片图像缺陷尺度大小不一、定位不准确、检测精度低等问题,提出一种基于HSCA-YOLOv7的无损检测方法,主要结论如下。1)提出ISPP特征加强模块,该模块采用不同膨胀率的深度可分离卷积,减少最大池化操作带来的细节损失,增强模型对小目标检测的能力;2)提出HSCA注意力模块,该模块结合通道注意力和卷积注意力,捕获全局视觉场景上下文,增大目标特征与环境语义差异,解决航拍叶片图像缺陷尺度不一的问题;3)采用Focal EIoU损失函数,直接将长宽作为惩罚项,解决预测框长宽被错误放大的问题,提高模型定位叶片缺陷的能力;4)定量与定性实验结果表明,本文算法较YOLOv7基线算法在mAP50上提高了3.37%,达到83.64%的检测精度。相较其他主流算法,本文算法整体上性能最优,能更好地识别缺陷,具有更高的置信度。

综上所示,本文算法在保证实时检测速度的同时,提高对风电机组叶片表面缺陷的检测精度,在一定程度上改善航拍叶片图像缺陷尺度不一、定位不准确、检测精度低的问题,为航拍叶片图像表面缺陷检测提供了新思路。在未来的研究中,将力争实现各类风电机组叶片缺陷检测精度的提升。




欢迎点击文后“阅读原文”跳转期刊官网,获取更多信息!





 往期回顾 


《中国电力》2023年第10期目录◀ 基于改进碳排放流理论的电力系统动态低碳调度方法|《中国电力》【好文推荐】基于可逆固体氧化物电池的风光氢综合能源系统容量规划【好文推荐】基于改进猫群算法的氢储能容量优化配置【好文推荐】CPC集热器冷却通道结构优化及换热流动数值模拟◀ “新型电力系统储能规划与运行关键技术”专题征稿启事◀ “面向现代智慧配电网的二次系统规划”专栏征稿启事◀ “面向电力基础设施的跨域攻击威胁与防御”专栏征稿启事◀ “面向新型电力系统的城市电网关键技术”专题征稿启事

编辑:于静茹
策划:蒋东方

审核:方彤

声明
根据国家版权局最新规定,纸媒、网站、微博、微信公众号转载、摘编《中国电力》编辑部的作品,转载时要包含本微信号名称、二维码等关键信息,在文首注明《中国电力》原创。个人请按本微信原文转发、分享。欢迎大家转载分享。
继续滑动看下一个

您可能也对以下帖子感兴趣

文章有问题?点此查看未经处理的缓存