【好文推荐】基于HSCA-YOLOv7的风电机组叶片表面缺陷检测算法

引

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 

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。