Debido a la complejidad de los defectos en la superficie de las palas de los aerogeneradores, las redes neuronales convolucionales tradicionales incrementan la complejidad computacional debido a los procesos de filtrado por umbral y supresión de no máximos, dificultando el despliegue del modelo. Se propone un método de detección de defectos en las palas de los aerogeneradores que combina RT-DETR (transformador de detección en tiempo real) y el algoritmo YOLOv5. Primero, la red neuronal principal de YOLOv5 se rediseñó basada en RepVGG y FasterNet para reducir la complejidad computacional del modelo. Considerando la presencia de objetivos de pequeño tamaño en la tarea de detección, se introdujo un mecanismo de atención eficiente (atención de canal eficiente, ECA) en la parte de fusión de características en la red del cuello para mejorar la capacidad de expresión de las características de salida. Finalmente, se usó el decodificador de RT-DETR para reconstruir la cabeza de detección de la red original, reduciendo el impacto de la supresión de no máximos en el modelo. Los resultados experimentales mostraron que el modelo mejorado YOLO-RT alcanzó una precisión media de detección del 87.2% y una precisión del 92.7% en un conjunto de datos propio de defectos en la superficie de palas de aerogeneradores, mejorando 4.4 y 8.0 puntos porcentuales respectivamente en comparación con el modelo original YOLOv5; la velocidad de detección alcanzó 118.3 fotogramas por segundo, superior a otros modelos de detección. El algoritmo mejorado puede mejorar eficazmente la precisión y la velocidad de detección, siendo más adecuado para tareas de detección de defectos en la superficie de las palas de aerogeneradores.

detección de defectos;palas de aerogeneradores;YOLOv5;mecanismo de atención;RT-DETR