基于改进的YOLOv7和无人机航拍技术的风机叶片缺陷检测

提出一种基于改进YOLOv7算法的风电叶片表面缺陷检测方法。该方法通过改进YOLOv7模型，提高风机叶片缺陷检测算法的准确性和效率，使用可切换空洞卷积代替原始模型中的MPConv，强化模型对不同尺度缺陷的敏感程度。引入CoordATT注意力模块，增强模型整体对模糊特征和小目标特征的关注程度。替换CIoU坐标损失函数为Wise-IoU，提高模型检测能力的精确度。在自建风电叶片数据集上进行实验验证，结果表明改进YOLOv7模型的平均精度均值提高了1.8%，检测速度达到了57fps满足无人机巡检实时检测需求。通过对比实验，改进后的模型在mAP、FPS、Precision、Recall等性能指标下优于YOLOv5s，Faster R-CNN，SSD等模型。该方法提高了无人机自动化检测风机叶片缺陷的能力。

风力发电作为一种清洁、可再生的能源形式，受到了全球范围内的广泛关注和推动。全球风电装机容量持续增长，年平均增长率超过了10%。越来越多的国家将风能发电作为主要的能源发展方向，加大了风电项目的建设和投资。风力发电场通常位于开放环境中，暴露在自然环境下，受到自然演变和生物活动的影响，如强风、大雨、冰雹、沙尘暴、雷暴对风机叶片造成损伤，导致缺陷的产生。风机叶片是风能发电系统的核心组成部分，其结构和状态直接影响发电系统的安全运行。不及时发现和处理缺陷可能导致叶片断裂，从而引发严重的事故。

传统的叶片缺陷检测通常需要人工对大量图像进行观察和分析，而目标检测算法可以自动地标记和定位缺陷，提高了检测的效率和准确性[1]。目前，学者对叶片缺陷检测采用的算法可以分为两类[2]，一类是两阶段(Two-Stage)目标检测算法，两阶段目标检测算法通常具有较高的检测精度，但相对较慢，如Zhang [3]等人在Mask R-CNN 的基础上， 提出了一种新的检测方法， 称为图像增强Mask R-CNN (IE Mask R-CNN)，包括用于预处理数据集的图像增强和增强技术的最佳组合，以及为WTB 缺陷检测和分类任务调整的Mask R-CNN 模型；Mao [4]等人使用迁移学习、可变形卷积和可变形RoI 对齐的改进策略以及上下文信息融合改进Cascade R-CNN，改进后的算法对风机叶片表面缺陷检测最大mAP 达92.1%。蒋姗[5]等将FPN 特征金字塔结构网络与Faster R-CNN 算法进行结合，并采用Soft-NMS 算法规避不同目标检测框因重叠而被误删的情况，有效提高了缺陷检测的精度和效率；另一类是单阶段(One-Stage)目标检测算法，单阶段目标检测算法具有较快的检测速度，但相对于两阶段算法在检测精度上有一定的落后，王道累[6]等将SSD 骨干神经网络更换为ResNet101，并提出一种新型注意力网络，用于学习同一通道特征图