풍력 터빈 블레이드 표면 결함의 복잡성으로 인해 전통적인 합성곱 신경망은 임계값 필터링 및 비최대 억제 과정을 포함하여 계산 복잡도가 증가하며 모델 배포에 불리합니다. RT-DETR(실시간 검출 변환기)과 YOLOv5 알고리즘을 결합한 풍력 터빈 블레이드 결함 검출 방법을 제안합니다. 먼저 RepVGG와 FasterNet을 기반으로 YOLOv5의 백본 신경망을 재설계하여 모델 계산 복잡도를 낮추었습니다. 검출 작업에서 작은 크기 객체가 존재함을 고려하여 넥 네트워크의 특징 융합 부위에 효율적인 주의 메커니즘(efficient channel attention, ECA)을 도입하여 출력 특징 표현 능력을 강화했습니다. 마지막으로 RT-DETR의 디코더를 사용하여 원본 네트워크의 검출 헤드를 재구성하여 비최대 억제가 모델에 미치는 영향을 줄였습니다. 실험 결과 개선된 YOLO-RT 검출 모델은 자체 제작한 풍력 터빈 블레이드 표면 결함 데이터셋에서 평균 검출 정확도 87.2%, 정밀도 92.7%를 기록하였으며, 원본 YOLOv5 모델 대비 각각 4.4백분율 포인트, 8.0백분율 포인트 향상되었습니다; 검출 속도는 118.3 프레임/초로 다른 검출 모델보다 우수합니다. 개선된 알고리즘은 검출 정확도와 속도를 효과적으로 향상시켜 풍력 터빈 블레이드 표면 결함 검출 작업에 더 적합합니다.

결함 검출;풍력 터빈 블레이드;YOLOv5;주의 메커니즘;RT-DETR