抗噪且轻量：基于超图计算的风电机组叶片缺陷检测

《Engineering Applications of Artificial Intelligence》：Noise-resilient and lightweight: Hypergraph computation for wind turbine blade defect detection

　　

摘要

当前风力涡轮机叶片检测实践在很大程度上依赖于效率低下的人工审查，而自动化深度学习模型在复杂背景干扰下难以兼顾实时部署约束与检测精度。为弥合这一差距，本文提出了一种轻量级超图计算与信息感知缺陷检测网络（LHCI-Net），这是一种新颖的架构设计，旨在在精度与计算效率之间实现最优权衡。该方法引入了自定义轻量级骨干网络以大幅降低计算开销，引入信息感知特征交互模块以利用极性感知和频域感知主动抑制背景噪声，以及引入特征诱导稀疏超图计算模块以聚合与任务相关的高阶特征依赖。在LHCI-Net架构训练完成后，进一步采用针对性剪枝和知识蒸馏以获得用于边缘部署的压缩学生模型。在自定义风力涡轮机叶片图像数据集和两个开源数据集上的实验结果验证了LHCI-Net的优越性。与最先进的模型相比，LHCI-Net将平均精度均值（mAP）提高了最高4.53%，同时将计算负载降低了最高47.0吉浮点运算（GFLOPs），展示了其卓越的鲁棒性以及在实际风力涡轮机叶片检测中的应用适应性。边缘设备基准测试进一步证实了所提出的压缩模型具有实际可部署性。

引言

随着全球向可再生能源转型的加速，维持风力涡轮机的结构可靠性对于确保能源稳定和防止灾难性、昂贵的系统故障至关重要（Zhou等人，2014；B. A等人，2019）。虽然无人机（UAV）在很大程度上取代了危险的人工攀爬来进行风力涡轮机叶片（WTB）检测，但随后的缺陷检测过程仍然严重依赖主观且耗时的人工审查（Gong等人，2023；Gong等人，2024a）。

尽管深度学习目标检测框架提供了一条清晰的自动化途径（Gong等人，2024b、2025；Lixiong等人，2024），但在实际WTB检测场景中部署这些模型面临两大技术挑战。首先，无人机拍摄的图片受到复杂背景干扰的困扰——例如多变的光照、移动的云朵以及涡轮机塔本身——这严重降低了现有算法的准确性并导致误检。其次，将这些模型直接部署到无人机或边缘计算平台上需要严格遵守轻量级参数限制和高速度推理约束，而当前的高精度模型根本无法在这一平衡上取得突破。

为了克服复杂环境噪声与边缘部署约束之间持续存在的差距，本工作提出了一种轻量级超图计算与信息感知缺陷检测网络（LHCI-Net）。与现有方法尝试对单个组件进行孤立升级不同，LHCI-Net被设计为一条高度协同的优化流水线——从特征提取到多尺度融合——在无需增加计算开销的情况下提供卓越的精度。

主要贡献如下。

• (1)
  开发了一种轻量级骨干网络——部分卷积特征聚合网络（PCFA-Net），利用通道划分、部分卷积和残差连接，在初始特征提取过程中显著降低计算成本。
• (2)
  引入了信息感知特征交互（IAFI）模块，将极性感知注意力与频域感知相结合，成功地将实际叶片缺陷与严重背景噪声隔离开来。
• (3)
  设计了超图计算特征聚合（HCFA）模块，构建特征诱导稀疏超图以进行高阶聚合。我们进一步通过分析超边分布、节点连通性和缺陷-背景分离来验证其拓扑结构，确认所学习到的特征空间支持任务相关的缺陷分组。
• (4)
  采用了一种结合组泰勒剪枝和自蒸馏策略（跨通道知识蒸馏（ICKD））的方法，针对无人机部署压缩模型，而不牺牲检测精度。
• (5)
  构建并应用了所提出的风力涡轮机叶片表面缺陷检测数据集（WTB-DET）进行实验验证。该数据集由655张原始图像通过数据增强生成，最终在四个缺陷类别中共包含3275张图像。

本文的组织结构如下。第2节概述相关工作。第3节详细阐述所提出的LHCI-Net的方法论。第4节展示了在三个数据集上进行的实验验证，包括WTB-DET、无人机风力涡轮机检测图像数据集（DTU）以及东北大学表面缺陷数据集（NEU-DET）。最后，第5节总结了本研究，讨论了其局限性，并展望了未来研究方向。

章节摘要

目标检测算法

目标检测算法可分为两类：单阶段和两阶段。两阶段算法以高精度为特征，但伴随着高昂的计算成本和较长的训练时间（Girshick等人，2014）。代表性的早期单阶段目标检测算法是一次性多框检测器（SSD）（Wei等人，2016），而在工业检测中最常用的方法是YOLO系列（Redmon等人，2016）。在……之后

LHCI-Net的提出框架

针对当前WTB缺陷检测框架庞大的计算需求和缺陷区域周围复杂背景干扰导致的精度下降这两大挑战，本文提出了一种创新的端到端检测框架，命名为LHCI-Net。具体来说，设计了一种轻量级骨干网络——部分卷积特征聚合网络（PCFA-Net）以降低计算成本，同时引入两个专用模块IAFI……

WTB-DET数据集与实验环境

本研究所使用的图像数据集包含WTB表面损伤图像，使用大疆Mavic 4 Pro拍摄。为了增强模型的泛化能力，在图像采集过程中系统地变化了光照方向、拍摄距离和相机角度等多种因素。在仔细裁剪缺陷区域后，获得了655个有效的原始样本。

为了进一步增加数据集的多样性并提高模型的鲁棒性，采用了多种……

结论

本研究解决了风力涡轮机自动化维护中的一个瓶颈：当前目标检测模型在复杂环境干扰下无法提供高精度，同时又不超出无人机和边缘平台的严格计算限制。为解决这一问题，我们提出了LHCI-Net——一种高度优化的架构，改变了在受限部署环境中特征提取和背景噪声的处理方式。受两种高效轻量级设计……的启发

CRediT作者贡献声明

Gong Lixiong：撰写——原稿，验证，方法论，形式化分析，概念化。Lv Yaowang：撰写——原稿，验证，方法论，形式化分析，概念化。Tian Jiaxing：可视化，资源，方法论，数据管理。Fuliu Yijia：验证，调查，数据管理。Hu Youxi：撰写——审查与编辑，监督，方法论，资金获取，形式化分析。Xia Liqiao：撰写——审查与编辑，验证，方法论。Wang Yongjing

利益冲突声明

作者声明不存在已知的可能影响本论文所述工作的竞争性经济利益或个人关系。

致谢

本研究由国家留学基金管理委员会（CSC）资助，资助编号：202508420143，并部分由英国工程与物理科学研究理事会（EPSRC）项目STAMAN（EP/Y02270X/1）和RoboTriage（EP/Z534080/1）支持。

Gong Lixiong | Lv Yaowang | Tian Jiaxing | Fuliu Yijia | Hu Youxi | Xia Liqiao | Wang Yongjing

湖北工业大学机械工程学院，武汉，湖北，430068，中国