風力タービンブレード表面の欠陥が複雑であるため、従来の畳み込みニューラルネットワークは閾値選択や非最大抑制のプロセスにより計算の複雑性が増加し、モデルの展開に不利である。RT-DETR（リアルタイム検出トランスフォーマー）とYOLOv5アルゴリズムを組み合わせた風力タービンブレード欠陥検出方法を提案する。まず、RepVGGとFasterNetに基づいてYOLOv5のバックボーンニューラルネットワークを再設計し、モデルの計算複雑性を低減した。検出タスクに小さな対象が存在することを考慮し、ネックネットワークの特徴融合部位に効率的チャネル注意機構（efficient channel attention、ECA）を導入し、出力特徴の表現能力を強化した。最後に、RT-DETRのデコーダを使用して元のネットワークの検出ヘッドを再構築し、非最大抑制がモデルに与える影響を減少させた。実験結果は、改良されたYOLO-RT検出モデルが自作の風力タービンブレード表面欠陥データセットで平均検出精度87.2%、精度92.7%を達成し、元のYOLOv5モデルと比較してそれぞれ4.4ポイント、8.0ポイントの向上を示したことを示している。検出速度は118.3フレーム/秒に達し、他の検出モデルより優れている。改良されたアルゴリズムは検出精度と速度を効果的に向上させ、風力タービンブレード表面欠陥検出タスクへの適用により適している。

欠陥検出;風力タービンブレード;YOLOv5;注意機構;RT-DETR