CEA-DETR: 一种基于多尺度特征融合的风力发电机叶片表面缺陷检测方法

《Sensors》：CEA-DETR: A Multi-Scale Feature Fusion-Based Method for Wind Turbine Blade Surface Defect Detection Xudong Luo, Ruimin Wang, Jianhui Zhang, Junjie Zeng and Xiaohang Cai

　　

研究人员提出了一种基于改进RTDETR的检测框架，称为CEA-DETR，用于风力涡轮机叶片表面缺陷检测。首先，设计了一个跨尺度多边缘特征提取（CSME）主干网络，通过集成多尺度池化和边缘增强单元以及双域特征选择机制，有效提取不同尺度下的细粒度纹理和边缘特征。其次，构建了一个高效的多尺度特征融合网络（EMSFFN），通过自适应加权融合和多尺度卷积结构促进深层跨层级特征交互，从而增强多尺度缺陷的表征能力。此外，引入了一种自适应稀疏自注意力机制（ASSA）重构AIFI模块，增强了全局依赖建模能力，并引导网络在复杂背景条件下聚焦于关键缺陷区域。实验结果表明，CEA-DETR的mAP₅₀和mAP_50:95分别达到89.4%和68.9%，相比RT-DETR-r18基线分别提高了3.1%和6.5%。同时，模型计算成本（GFLOPs）降低了20.1%，参数量减少了8.1%。这些优势使CEA-DETR更适合部署在资源受限的无人机（UAV）上，实现高效、实时的风力涡轮机叶片自主检测。

**研究背景与问题**
全球能源需求持续增长及能源结构加速转型的背景下，风能因其清洁可再生特性成为现代电力系统的重要支柱。风力发电机叶片作为转换风能为电能的核心组件，其运行状态直接影响发电效率与使用寿命。然而，长期运行中叶片承受复杂循环载荷和恶劣环境，易产生裂纹、腐蚀、蒙皮脱粘等表面缺陷。若未及时检测修复，可能导致气动性能下降甚至结构灾难性失效，造成严重经济损失与安全隐患。传统检测方法（如目视检查、超声检测、振动监测、热成像及声发射等）虽能提升安全性，但依赖专业设备和人工判读，效率低、成本高、主观性强，难以规模化应用于风场大范围周期性巡检。近年来，基于深度学习的检测方法（如Faster R-CNN、YOLO系列）取得进展，但风电机叶片缺陷尺度变化大、边缘模糊、背景干扰严重，仍存在检测精度不足、误检漏检率高的问题。尤其Transformer架构在全局上下文建模上有优势，而原始RT-DETR在特征融合、边缘细节保持及复杂背景下的注意力干扰方面存在局限。为此，研究人员开展了本研究。

**研究内容与结论**
本文提出一种基于改进RT-DETR的检测框架CEA-DETR，针对叶片表面缺陷检测中的多尺度、弱边缘、强背景干扰问题，从特征提取、特征融合、注意力建模三方面进行改进。实验结果表明：CEA-DETR在自建数据集（含6类缺陷，4468张图像）上mAP₅₀和mAP_50:95分别达89.4%和68.9%，相比RT-DETR-r18基线提升了3.1%和6.5%，同时参数量减少8.1%、计算量降低20.1%。与主流检测模型（Faster R-CNN、YOLOv5m/v7/v8m/v11m/v12m、Deformable DETR、RT-DETR-r50等）相比，CEA-DETR在精度与效率上均取得更优平衡。该研究发表于《Sensors》。

**主要技术方法**
1. **跨尺度多边缘特征提取主干（CSME）**：通过集成多尺度池化与边缘增强单元（EIEM）及双域选择机制（DSM，包含空间选择模块SSM和频率选择模块FSM），增强不同尺度下细粒度纹理和边缘特征的提取，减少背景冗余。
2. **高效多尺度特征融合网络（EMSFFN）**：采用自适应加权融合策略（源自BiFPN）、高效上采样卷积模块（EUCB）和跨阶段多尺度深度可分离卷积模块（CSMDC），实现跨层级特征深度交互，提升多尺度缺陷表征。
3. **自适应稀疏自注意力机制（ASSA）**：重构RT-DETR的AIFI模块，通过并行密集自注意力（DSA）和稀疏自注意力（SSA）分支并自适应融合，在保留全局上下文的同时抑制无关背景干扰，增强关键缺陷区域建模。

**研究结果**
- **主干网络对比实验（4.4节）**：将CSME与ResNet18/50、FasterNet、MambaOut、Swin Transformer、EfficientViT、MobileNetV4等7种主干替换至RT-DETR，在相同设置下对比。CSME取得最高精度（Precision 89.5%、Recall 85.9%、mAP₅₀ 88.2%），参数量（15.8 MB）显著低于ResNet50（43.1 MB），验证了CSME在提升多尺度特征提取能力的同时维持低复杂度。
- **特征融合网络对比实验（4.5节）**：将EMSFFN与CCFM、SlimNeck、BiFPN、GDNeck、MAFPN等5种融合网络替换，保持其他部分不变。EMSFFN取得最佳综合性能（Precision 88.4%、Recall 86.3%、mAP₅₀ 87.6%），证明其多尺度融合策略的有效性。
- **注意力模块对比实验（4.6节）**：将ASSA与HiLo、EAA、DHSA、Pola等注意力机制替换AIFI模块。ASSA的mAP₅₀达87.4%，优于其他方法（提升0.7%–1.6%），验证了稀疏自适应机制在抑制背景干扰和增强缺陷特征方面的优势。
- **综合对比实验（4.7节）**：CEA-DETR与Faster R-CNN、YOLOv5m/v7/v8m/v11m/v12m、Deformable DETR、RT-DETR-r50/r18对比。CEA-DETR的mAP₅₀（89.4%）和mAP_50:95（68.9%）均为最高，参数量（15.9 MB）和GFLOPs（52.4）低于多数对比模型，FPS达63.2，证明其在精度与实时性上的平衡优势。
- **检测结果可视化（4.8节）**：对比YOLOv8m/v11m/v12m和RT-DETR-r18，CEA-DETR在小尺度缺陷（裂纹、轻微剥落）上定位更精准、置信度更高，在多尺度缺陷共存场景及强背景干扰下有效抑制误检。
- **热力图可视化（4.9节）**：Grad-CAM显示，基线RT-DETR-r18响应分散，背景区域有高响应；而CEA-DETR的响应集中聚焦于缺陷核心区域，对边缘敏感，背景响应被显著抑制。
- **消融实验（4.10节）**：
- DSM模块消融（4.10.1节）：单独引入SSM后mAP₅₀提升0.2%，再引入FSM后提升至88.2%，说明空间和频率域选择互补。
- 整体消融（4.10.2节）：逐步加入CSME、EMSFFN、ASSA-AIFI后，各项指标逐步提升；三者联合时效果最优（Precision 92.1%、Recall 87.6%、mAP₅₀ 89.4%、mAP_50:95 68.9%），且复杂度仅小幅增加。证明各模块协同有效性。

**讨论与结论**
讨论部分指出：ASSA-AIFI通过稀疏与密集自注意力分支的自适应融合，在理论上可解释为信息保持与噪声抑制的平衡——密集分支保证全局依赖完整性，稀疏分支通过ReLU平方函数抑制低相关背景响应，提高特征表示信噪比。CSME主干则通过多尺度边缘增强和双域选择强化高频边缘信息，减少漏检。研究局限性包括：数据集规模与多样性有限，未在极端天气、剧烈光照等条件下验证，边缘设备部署仍有功耗和散热挑战。结论部分翻译如下：
本研究提出了一种基于改进RT-DETR的框架CEA-DETR，用于风力涡轮机叶片表面缺陷检测。通过集成CSME主干、EMSFFN模块和ASSA-AIFI机制，该方法增强了多尺度特征表示、边缘细节提取以及在复杂背景下的特征交互鲁棒性。大量实验结果表明，CEA-DETR相比多种主流检测模型取得了更优的检测性能。特别地，它在提高检测精度的同时，相对于RT-DETR-r18基线减少了模型参数和计算复杂度。这些结果表明，所提框架为在复杂视觉条件下实现准确缺陷检测提供了一种有效且高效的解决方案。从实践角度看，CEA-DETR框架在集成到基于无人机的风场智能巡检系统中显示出强大潜力，可支持自动化维护流程、降低人工检查成本，并提高风电基础设施的安全性、可靠性和运行效率。该工作为工业环境中实现智能化和可扩展的检测系统提供了一条可行技术路径。未来工作将聚焦于构建更大更多样的数据集、研究轻量化优化技术（结构化剪枝、知识蒸馏）、边缘设备端到端延迟测试，以及将CSME主干扩展到其他高精度工业缺陷检测任务。