考虑形态特征的监督机制提升了在非结构化自然环境中的风力涡轮机叶片缺陷实时定位精度

《Scientific Reports》：Morphology-aware supervision improves real-time wind turbine blade defect localization in unstructured natural environments

　　

摘要

无人机检测被广泛用于风力涡轮机叶片的维护工作，但在实际运行中的风电场中，由于背景干扰、缺陷形状比例异常以及图像空间中的弯曲或分叉结构，很难准确检测出细微损伤。我们提出了SWCB-YOLO，这是一种基于YOLOv11n开发的轻量级边缘检测器。其核心创新在于引入了曲率感知形状交并比损失函数——一种基于裂纹形态特征的图像空间定位正则化方法：通过多边形掩模预先计算贝塞尔曲率、骨架距离和延伸度等参数，并在训练过程中应用，从而无需改变检测模块的结构及推理成本。该损失函数还与不对称条带Swin-TransformerV2模块相结合，用于处理细长裂纹上的长距离依赖关系；同时还配备了频率-空间双域注意力模块，该模块将基于DCT的通道校准与空间注意力机制相结合。在涵盖一整个年度周期的真实数据集上测试，SWCB-YOLO的mAP@50值为89.0%，mAP@50:95值为52.8%，在相同的训练条件下，相比YOLOv11n基准模型分别提升了13.8%和11.7%。该模型在Jetson Xavier NX设备上的参数量为370万，推理速度可达35帧/秒。在按风力涡轮机分组进行的交叉验证中，其性能依然保持提升趋势，提升幅度在12.4%到14.6%之间；即便去除几乎相同的测试图像后，性能提升效果依然存在。此外，该模型还在五个公开测试数据集上进行了测试，其中包括两个用于检测叶片缺陷的数据集，进一步证明了其在不同场景下的适用性。该模型的实现代码及测试配置均已公开。