Ein verbessertes Verfahren von AUD-YOLO zur Oberflächenschadenserkennung von Windturbinenschaufeln

Die Erkennung von Schäden an Windturbinenschaufeln (WTBs) ist entscheidend, um die Effizienz der Stromerzeugung zu verbessern und die Lebensdauer der Turbinen zu verlängern. Traditionelle Erkennungsmethoden leiden jedoch häufig unter falsch positiven Ergebnissen und versäumten Entdeckungen und berücksichtigen nicht ausreichend komplexe Wetterbedingungen wie Nebel und Schnee. Daher schlägt diese Studie ein WTBs-Schadenserkennungsmodell vor, das auf einem verbesserten YOLOv8 basiert und AUD-YOLO genannt wird. Zunächst wird das ADown-Modul in das YOLOv8-Rückgrat integriert, um einige konventionelle Faltung-Down-Sampling-Operationen zu ersetzen, wodurch die Parameteranzahl verringert wird und die Fähigkeit des Modells zur Extraktion von Bildmerkmalen gesteigert wird. Zweitens enthält das Modell den UniRepLKNet mit großem Faltungskernel und das C2f-Modul, wodurch es komplexe Bildmerkmale umfassender erlernen kann. Drittens ersetzt ein leichtes DySample-Dynamik-Upsampling-Modul die Methode der nächsten Nachbarn-Interpolation im ursprünglichen Modell, wodurch reichhaltigere semantische Informationen gewonnen werden. Experimentelle Ergebnisse zeigen, dass das AUD-YOLO-Modell eine herausragende Leistung bei der Erkennung von WTBs-Schäden unter komplexen und ungünstigen Wetterbedingungen zeigt, mit einer Verbesserung von 3 % in der mAP@0.5-Metrik und einer Verbesserung von 6,2 % in der mAP@0.5-0.95-Metrik im Vergleich zu YOLOv8. Darüber hinaus hat das Modell nur 2,5 Millionen Parameter und eine rechnerische Komplexität von 7,2 GFLOPs, was es geeignet macht für den Einsatz in Umgebungen mit eingeschränkter Rechenkapazität, wo präzise Erkennung entscheidend ist. Schließlich wurde eine mobile Anwendung namens WTBs Damage Detection System entworfen und entwickelt, die eine mobile basierte Erkennung von WTBs-Schäden ermöglicht.