Devido à complexidade dos defeitos na superfície das pás de aerogeradores, as redes neurais convolucionais tradicionais aumentam a complexidade computacional devido aos processos de filtragem por limiar e supressão de não-máximos, o que dificulta o deploy do modelo. Propõe-se um método de detecção de defeitos nas pás do aerogerador que combina RT-DETR (transformador de detecção em tempo real) e o algoritmo YOLOv5. Primeiramente, a rede neural backbone do YOLOv5 foi redesenhada com base no RepVGG e FasterNet para reduzir a complexidade computacional do modelo. Considerando a presença de alvos de pequeno porte na tarefa de detecção, foi introduzido o mecanismo eficiente de atenção no canal (efficient channel attention, ECA) na parte de fusão de características da rede do pescoço para melhorar a capacidade de expressão das características de saída. Por fim, utilizou-se o Decoder do RT-DETR para reconstruir a cabeça de detecção da rede original, reduzindo o impacto da supressão de não-máximos no modelo. Os resultados experimentais mostram que o modelo de detecção YOLO-RT melhorado alcançou uma precisão média de detecção de 87,2% e uma precisão de 92,7% em um conjunto de dados próprio de defeitos na superfície das pás do aerogerador, aumentando 4,4 e 8,0 pontos percentuais, respectivamente, em comparação ao modelo YOLOv5 original; a taxa de detecção atingiu 118,3 quadros por segundo, superior a outros modelos de detecção. O algoritmo melhorado pode melhorar efetivamente a precisão e a velocidade de detecção, sendo mais adequado para tarefas de detecção de defeitos na superfície das pás do aerogerador.

detecção de defeitos;pás de aerogerador;YOLOv5;mecanismo de atenção;RT-DETR