Étant donné la complexité des défauts de surface des pales d’éoliennes, les réseaux neuronaux convolutionnels traditionnels augmentent la complexité des calculs en raison des processus de filtrage par seuil et de suppression des non-maxima, ce qui complique le déploiement du modèle. Une méthode de détection des défauts des pales d’éoliennes combinant RT-DETR (transformeur de détection en temps réel) et l’algorithme YOLOv5 est proposée. Tout d'abord, le réseau neural principal de YOLOv5 est repensé sur la base de RepVGG et FasterNet afin de réduire la complexité de calcul du modèle. Étant donné la présence de petites cibles dans la tâche de détection, un mécanisme d'attention efficace (attention canal efficace, ECA) est introduit dans la partie fusion des caractéristiques du réseau du cou pour améliorer la capacité d’expression des caractéristiques de sortie. Finalement, le décodeur de RT-DETR est utilisé pour reconstruire la tête de détection du réseau original, réduisant ainsi l’impact de la suppression des non-maxima sur le modèle. Les résultats expérimentaux montrent que le modèle amélioré YOLO-RT atteint une précision moyenne de détection de 87,2% et une précision de 92,7% sur un jeu de données de défauts de surface de pales d’éoliennes auto-constitué, avec une amélioration de 4,4 et 8,0 points de pourcentage respectivement par rapport au modèle YOLOv5 original ; la vitesse de détection atteint 118,3 images par seconde, supérieure à celle des autres modèles. L’algorithme amélioré améliore efficacement la précision et la vitesse de détection, ce qui le rend plus adapté aux tâches de détection des défauts de surface des pales d’éoliennes.

détection des défauts;pales d’éoliennes;YOLOv5;mécanisme d’attention;RT-DETR