Aufgrund der Komplexität der Oberflächendefekte von Windturbinenschaufeln erhöhen traditionelle Faltungsneuronale Netze die Rechenkomplexität durch Schwellenwertfilterung und Nicht-Maxima-Unterdrückung, was die Modellbereitstellung erschwert. Es wird eine Methode zur Defekterkennung an Windturbinenschaufeln vorgeschlagen, die RT-DETR (Echtzeit-Erkennungs-Transformer) und den YOLOv5-Algorithmus kombiniert. Zunächst wurde das Rückgrat-Netzwerk von YOLOv5 auf Basis von RepVGG und FasterNet neu gestaltet, um die Rechenkomplexität des Modells zu reduzieren. Da bei der Erkennungsaufgabe kleine Objekte vorhanden sind, wurde im Fusionsbereich der Merkmale im Halsnetzwerk ein effizienter Aufmerksamkeitsmechanismus (efficient channel attention, ECA) eingeführt, um die Ausdrucksfähigkeit der Ausgangsmerkmale zu verbessern. Schließlich wird der Decoder aus RT-DETR verwendet, um den Erkennungskopf des ursprünglichen Netzwerks neu zu konstruieren und den Einfluss der Nicht-Maxima-Unterdrückung auf das Modell zu verringern. Die experimentellen Ergebnisse zeigen, dass das verbesserte YOLO-RT-Erkennungsmodell auf einem selbst erstellten Datensatz von Windturbinenschaufel-Oberflächendefekten eine mittlere Erkennungsgenauigkeit von 87,2% und eine Präzision von 92,7% erreicht, was jeweils eine Steigerung von 4,4 und 8,0 Prozentpunkten gegenüber dem ursprünglichen YOLOv5-Modell darstellt; die Erkennungsgeschwindigkeit beträgt 118,3 Bilder/s und ist damit besser als bei anderen Erkennungsmodellen. Der verbesserte Algorithmus kann die Erkennungsgenauigkeit und -geschwindigkeit effektiv verbessern und eignet sich besser für die Erkennungsaufgaben von Oberflächendefekten an Windturbinenschaufeln.

Defekterkennung;Windturbinenschaufeln;YOLOv5;Aufmerksamkeitsmechanismus;RT-DETR