Из-за сложности дефектов на поверхности лопастей ветровых турбин традиционные сверточные нейронные сети усложняются за счет процессов пороговой фильтрации и подавления немаксимумов, что затрудняет развертывание моделей. Предложен метод обнаружения дефектов лопастей ветровых турбин, который сочетает RT-DETR (трансформер реального времени) и алгоритм YOLOv5. Во-первых, на основе RepVGG и FasterNet была заново спроектирована основная нейронная сеть YOLOv5 для снижения вычислительной сложности модели. С учетом наличия мелких объектов в задаче обнаружения введен эффективный механизм внимания (efficient channel attention, ECA) в узле слияния признаков шейной сети для усиления выражения выходных признаков. Наконец, использован Decoder из RT-DETR для реконструкции детектирующей головы оригинальной сети, что уменьшает влияние подавления немаксимумов на модель. Экспериментальные результаты показали, что улучшенная модель YOLO-RT достигает средней точности обнаружения 87,2% и точности 92,7% на собственном датасете дефектов поверхности лопастей, что на 4,4 и 8,0 процентных пункта выше оригинальной модели YOLOv5 соответственно; скорость обнаружения составила 118,3 кадра в секунду, что лучше других моделей. Улучшенный алгоритм эффективно повышает точность и скорость обнаружения и лучше подходит для задач обнаружения дефектов поверхности лопастей ветровых турбин.

обнаружение дефектов;лопасти ветровых турбин;YOLOv5;механизм внимания;RT-DETR