WTFFN-YOLO: An Improved Lightweight Method for Surface Defect Detection on Wind Turbine Blades
本文提出了 WTFFN-YOLO，一种用于风力涡轮机叶片表面缺陷检测的改进型轻量化目标检测框架，该框架集成了 C3K2-SACA 注意力机制、频率感知特征融合模块以及 WTFFN 颈部网络，实现了 mAP 提升 6.9% 且模型参数减少 8%。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
风力涡轮机是现代能源转型的沉默哨兵，它们巨大的叶片旋转着，将风转化为电能。然而，这些结构运行在地球上一些最恶劣的环境中，饱受沙尘暴、闪电和持续水分的侵袭。随着时间的推移，这些叶片的表面会出现隐藏的损伤：微小的裂纹、漏油和针孔，这些都可能危及整台机器。检测这些缺陷对于安全和效率至关重要，但这样做非常困难。缺陷通常很小，且散布在广阔而复杂的背景中，使得肉眼难以察觉。虽然无人机已成为检查这些高耸结构的常用工具，但其搭载的计算机往往过于薄弱，无法运行寻找这些细微缺陷所需的沉重软件。这造成了一个瓶颈，即对速度的需求与对准确性的需求似乎在向相反的方向拉扯。
天津工业大学的研究人员通过开发一种全新的、更轻量化的表面缺陷检测方法，解决了这一挑战。他们从一个强大的现有计算机视觉系统 YOLO 开始，该系统旨在快速寻找图像中的物体。然而，标准版本的系统对于无人机有限的计算能力来说过于沉重。为了解决这个问题，团队并没有简单地缩小现有模型，而是重新构建了其内部逻辑以提高效率。他们用三个定制设计的模块替换了标准组件，这些模块充当了专门的过滤器。第一个模块将系统的注意力集中在图像最重要的部分，忽略干扰性的背景。第二个模块确保系统在不同细节层级观察图像时，不会丢失裂纹开始处的精细边缘。第三个模块充当智能混合器，结合这些不同的图像视图，使系统能够在无需进行不必要计算的情况下，理解缺陷的形状和上下文。
这种重新设计的成果是通过系统实现的具体增益来衡量的。在针对数千张显示涡轮机叶片上的污垢、针孔和漏油图像的数据集进行测试时，这个被作者称为 WTFFN-YOLO 的新系统证明其比原始版本更精确。它将正确识别缺陷的整体能力提高了近 7%。更重要的是，对于最难看到的微小缺陷，它寻找小目标的能力提高了 8% 以上。与此同时，研究人员成功地将参数数量（即决定模型大小和复杂度的内部设置）减少了 8%。这意味着该系统不仅更擅长发现损伤，而且更轻、更快，使其更适合于巡检无人机上的有限硬件。
在与其它领先检测模型的直接对比中，这种新方法始终优于其竞争对手。它在比基于其他流行架构的版本使用更少计算能力和更少参数的情况下，实现了更高的准确度得分。例如，与使用另一种轻量化骨干网络的类似系统相比，新方法在发现更多缺陷的同时，将模型大小减少了近 9%。研究人员通过严格的测试验证了这些发现，在标准图像集上运行模型，并测量其正确识别缺陷的频率与漏报或误报的频率。数据表明，定制模块协同工作，创造出了一个既敏锐又精简的系统，有效地平衡了高精度需求与飞行设备的物理限制。
这项工作为维护风能基础设施提供了一条具体的路径。通过优化计算机处理图像的方式，团队展示了构建一个既足够小到可以搭载在无人机上，又足够聪明到可以看见最小裂纹的检测器的可能性。该研究并未声称已经解决了风力涡轮机维护中的所有问题，也没有暗示该方法在所有可能的天气条件下都能完美运作。然而，它证明了通过精心的工程设计，速度与准确性之间的权衡可以向两者的提升方向倾斜。其结果是一个能够帮助保持风电场安全高效运行的工具，确保它们产生的清洁能源能够持续不断地流动。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。