雾天条件下基于RGB图像的轻量级风力发电机叶片-塔筒间隙检测方法

《Results in Engineering》：Lightweight Wind Turbine Blade-tower Clearance Detection Method under Foggy Conditions Using RGB Images

　　

风力发电机叶片与塔筒之间距离的高效测量对于风力发电机的安全运行至关重要。针对间隙距离实时检测与测量的技术难点，研究人员提出了一种基于轻量级实例分割网络（Lightweight Case Segmentation Network, WLCS-Net）的风力发电机叶片间隙测量方法。首先，为有效平衡检测网络的精度与计算复杂度，研究人员基于YOLOv8-seg框架构建了实例分割网络，采用轻量级EfficientNetV2骨干网络（backbone network）。其次，研究人员开发了一种新型并行混合架构模块，以增强模型提取多尺度特征（multi-scale features）的能力。第三，研究人员采集了晴天、阴天和雾天条件下的风力发电机叶片运行数据，基于此构建了名为Wind_blades、包含3600张RGB图像的风力发电机叶片间隙专用数据集。最后，研究人员在Wind_blades数据集及真实风电场场景中评估了所提出的WLCS-Net。WLCS-Net的Precision（精确率）和mAP@0.5分别达到0.9658和0.7475，实际推理速度达到78.9 FPS（Frames Per Second, 每秒帧数）。结果表明，WLCS-Net能够准确测量叶尖-塔筒间隙（blade tip-tower clearance）并支持风力发电机的安全运行。用于风力发电机叶片间隙测量的数据集与代码将在论文被接受后发布。

研究背景方面，随着风能作为清洁低碳可再生能源的认可度提升，风力发电成为全球能源转型的重要组成部分，现代风力发电机不断大型化，叶片更长更柔、转子直径更大以提高风能利用率并降低平准化度电成本。然而大型柔性叶片更易受气动力载荷与环境扰动影响，导致显著的动态叶尖位移，当叶片挠度过大时，叶尖与塔筒的最小间隙可能持续减小，潜在引发严重的碰塔事故，因此叶尖-塔筒间隙成为评估大型风力发电机运行安全的关键量化指标。复杂环境条件使可靠间隙评估需求更为迫切，强阵风、雨雪、结冰增加叶片载荷并进一步压缩叶尖-塔筒间隙安全裕度，而浓雾、强光照等不良视觉条件显著降低监测数据质量，难以准确识别叶尖与塔筒相对位置，复杂天气既增加叶片靠近塔筒风险，也给间隙测量与运行状态评估带来更大挑战，对于海上、山地、寒区环境运行的风力发电机，开发适应不良天气、实时可靠的间隙检测方法具有重要工程意义。当前风力发电机叶片间隙检测方法主要分为基于视觉的检测方法与雷达/测距类测量方法，测距类方法主要使用激光雷达（LiDAR）或激光扫描仪测量叶片与塔筒距离，具有较高测距精度且适合长距离工作，但设备昂贵，性能受扫描角度与目标表面反射率影响，雨雾或强光照下回波质量下降，限制其在低成本长期间隙监测中的应用；视觉类方法使用RGB相机采集图像，通过深度学习算法提取叶片、叶尖与塔筒区域，结合相机标定与几何变换将像素距离转换为实际间隙距离以实现动态测量，具有非接触获取边缘与结构信息的优势。YOLO系列因端到端检测管线与良好工程部署能力成为实时目标检测重要框架，但有限边缘计算资源下兼顾高精度与实时部署仍具挑战，轻量化骨干网络如GhostNet、MobileNet、EfficientNet常被用于替换或改进YOLO模型以提升边缘部署效率，但过度轻量化可能削弱叶尖等小目标表征能力需平衡精度与复杂度；YOLOv8采用C2f模块与无锚点解耦检测头提升特征表示与目标定位性能，训练稳定、部署成本低更适合边缘实时推理，但依赖图像纹理信息，浓雾、强光照或复杂背景下叶尖与塔筒边界分割稳定性下降，且叶尖在图像中通常为小目标并可能存在运动模糊，传统YOLOv8难以准确提取叶尖轮廓，因此在复杂天气与有限边缘资源下提升叶尖-塔筒间隙测量的精度与实时性仍是关键问题。为此研究人员开展研究并提出基于YOLOv8框架的轻量级实例分割网络WLCS-Net，构建Wind_blades数据集，在数据集与真实风电场场景中评估模型，得出WLCS-Net在精度、实时性与复杂天气适应性上优于基线模型的结论，该研究为风力发电机安全运行提供视觉监测技术支持，论文发表于《Results in Engineering》。

研究人员开展研究用到的主要关键技术方法包括：基于YOLOv8-seg框架构建实例分割网络，采用轻量级EfficientNetV2骨干网络并在其中引入Fused-MBConv结构替代MBConv并加入挤压激励（Squeeze-and-Excitation, SE）优化与复合缩放方法；在骨干网络第3、4阶段集成卷积块注意力模块（Convolutional Block Attention Module, CBAM）实现跨阶段特征融合；设计由高效通道注意力（Efficient Channel Attention, ECA）模块与C2f模块串联组成的ECA-Bottleneck Block并行混合架构模块；使用海康威视200万像素无线智能相机采集晴天、阴天、雾天三种环境下共3600张风力发电机叶片与塔筒RGB图像构建Wind_blades数据集，并对叶片主区域与叶尖区域进行实例分割标注；在NVIDIA GTX 2080 GPU上离线训练测试模型，将权重部署至搭载Intel(R) Core(TM) I7-7600U与Intel(R) HD Graphics 620的工业计算机进行在线推理，通过相机标定将像素距离转换为实际间隙距离。

研究结果部分保留小标题并说明研究与结论如下：

1. 1.
   Introduction
   研究人员阐述风力发电机大型化带来的叶尖动态位移与碰塔风险，分析基于雷达/测距与基于视觉的两类间隙检测方法现状与局限，指出YOLOv8在复杂天气与边缘部署下的不足，提出三项主要贡献即设计WLCS-Net、设计ECA-Bottleneck Block、构建Wind_blades数据集，明确研究必要性与核心内容。
2. 2.
   Related Work
   2.1. Radar/Ranging-Based Methods for Wind Turbine Blade Clearance Measurement
   研究人员综述LiDAR、毫米波雷达、地面激光扫描仪等测距方法的应用与局限，指出现有方法需精确安装标定、成本高，对强光照与表面反射率敏感，且依赖距离回波信号难以充分捕获叶片与背景语义信息，在叶片快速旋转等干扰下易受信号匹配与目标识别误差影响。

2.2. Vision-Based Methods for Wind Turbine Blade Clearance Measurement

研究人员综述早期基于传统图像处理与近年基于深度学习的方法，指出传统方法对光照与背景敏感，深度学习方法借助卷积神经网络与注意力机制增强叶片目标特征响应并抑制背景噪声，相关YOLOv8改进研究展现强特征提取能力，为复杂环境下视觉间隙检测提供技术支持。

1. 3.
   Wind turbine blade clearance measurement method based on lightweight segmentation
   研究人员介绍WLCS-Net由轻量级骨干网络、ECA-Bottleneck Block与预测层组成，骨干网络下采样编码输入图像提取特征并在各阶段集成CBAM改善通道交互，ECA-Bottleneck Block精炼压缩特征并自适应调整权重增强表示，预测层输出叶尖分割结果并计算间隙距离。

3.1. Lightweight Backbone Network Design

3.1.1. EfficientNetV2 Optimization

研究人员将EfficientNetV2融入YOLOv8，用Fused-MBConv替代MBConv以充分利用GPU性能，采用复合缩放方法分两阶段搜索深度、宽度、分辨率缩放系数α、β、γ与整体放大因子φ，在小型基线网络搜索后扩展至其他模型以节省计算并增强泛化与可扩展性。

3.1.2. Cross-stage feature fusion

研究人员在骨干网络第3、4阶段集成CBAM，通过动态调整特征图通道与空间权重聚焦关键信息并抑制噪声，在第3阶段对特征图X₃₁进行3×3卷积得X₃₂并经CBAM后与1×1卷积调整通道的X₃₃跳接相加得X₄₁，第4阶段对X₄₁深度可分离卷积与1×1卷积扩通道得X₄₂，经SE模块重调通道权重后再1×1卷积得X₄₃与X₄₁跳接相加得X₅₁，融合低级与高级特征提升性能。

3.2. ECA-Bottleneck Block Module Design

研究人员提出串联ECA模块与C2f模块的ECA-Bottleneck Block，先对输入特征图用1×1卷积改变通道维度，经ECA模块沿通道维度加权增强重要通道特征，与原始输入跳接拼接保留低级特征并整合高级信息，最后用1×1卷积精炼输出最终特征图，提升模型表示能力与前景背景区分度。

1. 4.
   Wind_blades Dataset
   4.1. Dataset construction
   研究人员指出现有数据集多面向表面缺陷检测缺乏叶尖与主区域像素级标注且极少考虑雾天低能见度场景，使用海康威视200万像素无线智能相机采集3600张晴天、阴天、雾天各约1200张RGB图像构建Wind_blades数据集，标注类别为“blade”与“blade tip”以支持分割与定位及后续间隙计算。

4.2. Dataset analysis

研究人员对标注实例计算归一化中心坐标x_c^norm=x_c/W、y_c^norm=y_c/H与相对分割面积r_area=A_mask/(W×H)进行分析，发现主叶片与叶尖存在明显尺度差异，叶尖多集中于小尺度范围属典型小目标检测问题，目标沿叶片运动轨迹呈带状分布，叶尖中心多位于图像中部、主叶片多分布于下部，叶尖面积占比远小于主叶片且在雾天下边缘纹理弱易受背景干扰，体现数据集反映小目标定位、尺度变化与复杂环境边界提取等关键挑战的特性。

1. 5.
   Experiment and Result Analysis
   5.1. Measurement System Framework
   5.1.1. Training details
   研究人员采用离线训练边缘推理框架，在NVIDIA GTX 2080 GPU、CUDA 12.2、CUDNN 8.9.0、Pytorch 2.3.0环境下初始化WLCS-Net为分割任务，图像尺寸1920×1080，训练轮次1000，初始学习率lr0为0.01。

5.1.2. System framework

研究人员将训练后模型权重部署至风机附近工业计算机进行在线推理，负责图像预处理、叶片与叶尖分割及实际间隙计算，结果通过TCP/IP传至风电场SCADA监控系统，方法仅用于间隙距离实时测量不直接参与控制决策，间隙值d_c=n d_{2，其中n为叶尖与塔筒像素值，d2为标定像素距离。}

5.2. Quantitative Analysis

研究人员在Wind_blades数据集上对YOLOv8、YOLOv11与WLCS-Net进行5次独立实验取均值与标准差比较，WLCS-Net全体类别Precision达0.9658、Recall达0.9625、mAP@0.5达0.7475，较YOLOv8分别提升15.29%、1.80%、17.25%，较YOLOv11分别提升7.13%、5.60%、4.55%，Recall标准差仅0.0037、mAP@0.5标准差仅0.0271均低于基线，表明WLCS-Net能更准确区分叶片、叶尖与背景且减少有限数据集下训练波动。

5.3. Qualitative Analysis

研究人员对比晴天、阴天、雾天下YOLOv8、YOLOv11与WLCS-Net可视化结果，晴阴天YOLOv8与YOLOv11多能检测叶尖但主叶片分割有限，WLCS-Net能准确定位叶尖并更完整分割主叶片；雾天YOLOv8与YOLOv11易漏检或仅检局部，WLCS-Net仍能较准确提取叶片并定位叶尖，表明其对复杂天气适应性更好，能增强叶尖前景响应并抑制背景干扰，提升分割与定位稳定性。

5.4. Ablation Experiments

研究人员构建WLCS-EfficientNetV2、WLCS-CBAM、WLCS-ECA与基线YOLOv8及WLCS-Net对比，替换EfficientNetV2较基线Precision、Recall、mAP@0.5提升3.71%、0.04%、1.84%，GFLOPs降10.42%、FPS增11.67%；加CBAM较WLCS-EfficientNetV2 Precision与mAP@0.5提升5.16%与11.34%但Recall略降；加ECA较WLCS-EfficientNetV2提升7.78%与9.27%，GFLOPs再降5.12%、FPS增6.59%；完整WLCS-Net较仅CBAM模型三项指标再升5.71%、3.37%、3.42%，较仅ECA模型升3.14%、3.90%、5.37%，表明EfficientNetV2、CBAM与ECA-Bottleneck Block具互补性，WLCS-Net在精度、实时性与训练稳定性间取得更好平衡。

5.5. Wind Turbine Clearance Experiment

研究人员将WLCS-Net移植至真实风力发电机平台，在工业计算机Intel(R) Core(TM) I7-7600U与Intel(R) HD Graphics 620上开展间隙检测实验，针对叶尖小目标易丢失与主叶片大目标特征冗余问题采用叶尖与叶片融合检测增强鲁棒性并计算间隙值，实测不同帧下塔筒参考点与叶尖点像素距离如F1为842.45、F11为135.24等，再将像素距离转换为实际叶尖-塔筒间隙完成测量。

1. 6.
   Conclusion
   研究人员总结提出基于RGB图像的轻量级实例分割方法WLCS-Net用于雾天叶片-塔筒间隙测量，通过集成轻量骨干、注意力增强特征表示与ECA-Bottleneck Block至YOLOv8框架改善复杂户外场景分割，构建Wind_blades数据集支持多天气训练评估，实验表明WLCS-Net在分割精度、叶尖定位与实时推理上优于基线，可视化与消融证实各组件有效，现场实验显示实时监测潜力；当前数据集主要覆盖晴阴雾天，极端场景不足，未来将扩展数据集、提升严重低能见度鲁棒性并探索多相机与多传感器融合以增强可靠性。

讨论部分总结为研究人员在结论中指出WLCS-Net有效提升复杂环境下叶片与叶尖分割能力并实现雾天间隙测量，各关键组件经消融与现场实验验证有效，但现有数据集天气覆盖有限，后续将从数据集扩展、极端条件鲁棒性提升及多源融合三方面完善研究。

研究结论部分翻译为：本文提出WLCS-Net，一种基于RGB图像的轻量级实例分割方法，用于雾天条件下风力发电机叶片-塔筒间隙测量。通过将轻量级骨干网络、注意力增强特征表示与ECA-Bottleneck Block集成至YOLOv8框架，所提方法改善了复杂户外场景中的叶片与叶尖分割。还构建专用Wind_blades数据集以支持不同天气下的模型训练与评估。实验结果表明，WLCS-Net在分割精度、叶尖定位与实时推理能力上优于基线模型。可视化对比与消融研究进一步证实了各关键组件的有效性，而现场实验表明了所提方法在实时叶片-塔筒间隙监测中的实用潜力。然而，当前数据集主要涵盖晴天、阴天与雾天条件，更极端的场景仍代表不足。未来工作将扩展数据集，改善严重低能见度条件下的鲁棒性，并探索多相机测量与多传感器融合以增强监测可靠性。