摘要
نظرًا لتعقيد عيوب سطح شفرات التوربينات، تزيد شبكات الالتفاف العصبية التقليدية من تعقيد الحسابات بسبب عمليات تصفية العتبة وقمع القمم غير القصوى مما يعيق نشر النموذج. تم اقتراح طريقة كشف عيوب شفرات التوربينات تجمع بين RT-DETR (محول الكشف في الوقت الحقيقي) وخوارزمية YOLOv5. أولاً، تم إعادة تصميم الشبكة العصبية الأساسية لـ YOLOv5 بناءً على RepVGG وFasterNet لتقليل تعقيد الحساب. بالنظر إلى وجود أهداف صغيرة في مهمة الكشف، تم إدخال آلية الانتباه الفعالة (اهتمام القناة الفعال، ECA) في دمج الميزات بالشبكة العنقية لتعزيز قدرة التعبير عن الميزات الناتجة. أخيرًا، تم استخدام الجزء المشفر (Decoder) من RT-DETR لإعادة بناء رأس الكشف الأصلي للشبكة لتقليل تأثير قمع القمم غير القصوى على النموذج. أظهرت النتائج التجريبية أن نموذج الكشف المحسن YOLO-RT حقق دقة كشف متوسطة 87.2٪ ودقة 92.7٪ على مجموعة بيانات عيوب سطح شفرات التوربينات المصنعة ذاتيًا، بزيادة قدرها 4.4 نقطة مئوية و8.0 نقطة مئوية على التوالي مقارنة بنموذج YOLOv5 الأصلي؛ وسرعة الكشف بلغت 118.3 إطارًا في الثانية، متفوقًا على نماذج الكشف الأخرى. يمكن للخوارزمية المحسنة تحسين دقة وسرعة الكشف بشكل فعال، مما يجعلها مناسبة أكثر لتطبيقات كشف عيوب سطح شفرات التوربينات.
关键词
كشف العيوب;شفرات التوربينات;YOLOv5;آلية الانتباه;RT-DETR
以上内容由讯飞翻译自动生成，翻译内容仅供参考。对于因使用本网站翻译内容产生的相关后果，本网站不承担任何商业和法律责任。
The above content is generated by Large Model Translation. The translated content is for reference only. We do not assume any commercial or legal responsibilty for any consequences arising from the use of our website