《机电工程》杂志,月刊( 详细... )

中国标准连续出版物号 ISSN 1001-4551 CN 33-1088/TH
主办单位浙江省机电集团有限公司
浙江大学
主编陈 晓
副 主 编唐任仲、罗向阳(执行主编)
总 经 理罗向阳
出 版浙江《机电工程》杂志社有限公司
地 址杭州市上城区延安路95号浙江省机电集团大楼二楼211、212室
电话Tel+86-571-87041360、87239525
E-mailmeem_contribute@163.com
国外发行中国国际图书贸易总公司
订阅全国各地邮局   国外代号M3135
国内发行浙江省报刊发行局
邮发代号32-68
广告发布登记证:杭上市管广发G-001号

在线杂志

当前位置: 机电工程 >>在线杂志

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,等. 日期:2024-08-02/span> 浏览:579 查看PDF文档

基于改进YOLOv8的风电叶片表面损伤检测与识别方法*
吴博阳,毛胜轲,林特宇,任浩杰,蔡海洋,李扬

(运达能源科技集团股份有限公司,浙江 杭州 310012)


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。

关键词: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

中图分类号:TH17;TG115.28;TM315文献标识码:A文章编号:1001-4551(2024)07-1260-09


本文引用格式:

吴博阳,毛胜轲,林特宇,等.基于改进YOLOv8的风电叶片表面损伤检测与识别方法[J].机电工程,2024,41(7):1260-1268.

WU Boyang, MAO Shengke, LIN Teyu, et al. Surface damage detection and identification method of wind turbine blades based on improved YOLOv8[J].Journal of Mechanical & Electrical Engineering, 2024,41(7):1260-1268.




友情链接

浙江机械信息网