基于UKAN增强多尺度特征融合的微型风力涡轮机叶片缺陷分割方法UKANCNet

《Expert Systems with Applications》：UKANCNet: Multi-scale feature fusion with UKAN enhancement for micro wind turbine blade defect segmentation

本文提出了一种新型U型Kolmogorov-Arnold网络变体UKANCNet，通过精细至粗略的特征整合方法（CFFM）和通道-空间混合注意力机制（CSMA），有效解决了传统编码器-解码器网络在微型风力涡轮机叶片缺陷分割中的信息丢失问题。实验结果表明，该模型在平均交并比（mIoU）指标上达到89.5%，为可再生能源系统的智能运维提供了高效精准的解决方案。

　　

Highlight

传统非破坏性工业检测方法

传统叶片无损检测（NDT）方法面临三大核心限制：环境依赖性、操作复杂性以及缺陷检测精度问题。声发射检测（Acoustic Emission Testing）虽能识别内部损伤，但需要昂贵的嵌入式传感器，且在复合材料中存在信号衰减问题，对表面裂纹的灵敏度较差。振动监测（Vibration Monitoring）和红外热成像（Infrared Thermography）技术则难以...

方法论

底层特征擅长捕捉局部纹理和细粒度模式，而深层特征则编码了目标的全局结构及位置信息。为了处理具有不同缺陷尺寸和空间分布的风机缺陷图像，我们引入了通道-空间混合注意力机制（CSMA），它巧妙结合了通道注意力（CA）和空间注意力（SA），能够自适应地抑制背景干扰，同时突出缺陷相关区域。

为了减轻解码过程中的信息损失，我们提出了一种分层...

数据集

极端环境下的风机叶片会承受侵蚀性外力（风沙、降水、冰雹）和热波动的联合作用，这会加速叶片老化。此类损伤的表现形式和进展存在显著差异，从而导致不同缺陷的风险特征各不相同。

目前公开的叶片缺陷数据集十分有限。我们构建的新数据集为叶片缺陷分割的监督学习提供了支持。该数据集源自使用...

讨论

我们提出的UKANCNet在风力涡轮机叶片（WTB）和AHS数据集上表现出显著优势，特别是在实现精确像素级量化方面超越了现有方法。与近期先进模型如EGCIENet和QsegNet相比，UKANCNet在达到相当甚至更优性能的同时，大幅降低了计算成本。这种高效性源于将KAN层与深度可分离卷积及动态参数共享的创新性结合...

结论

本文提出了UKANCNet，一种专为风力涡轮机叶片分割设计的新型网络，显著提升了分割精度。所提出的UKANCNet集成了CSMA模块，以应对叶片图像中复杂的背景，使网络能更聚焦于叶片区域和缺陷位置。为了有效融合高、低分辨率特征，我们引入了CFFM模块，它采用渐进式上采样策略来整合多尺度特征图，从而...