超轻量级WDDNet：一种基于多模块协同和自适应剪枝的风机叶片损伤检测模型

《Energy》：Ultra-lightweight WDDNet: A wind turbine blade damage detection model based on multi-module collaboration and adaptive pruning

　　

摘要

风力涡轮机叶片表面的损伤可能导致发电效率降低并引起输出功率波动，从而影响并网稳定性。目前，风力涡轮机叶片损伤检测面临精度不足和检测效率低下的问题，检测结果需要依赖人工后期复核，这严重制约了运维响应速度和风电系统的可靠运行。为解决风力涡轮机叶片损伤检测中模型轻量化与检测精度之间的权衡问题，本文提出WDDNet，一种面向部署的叶片检测模型，该模型联合设计了损伤敏感特征表示与结构压缩。模型引入了双增强选择模块（DESBlock），通过多尺度特征解耦、边缘增强和双路径选择机制来增强损伤敏感的边缘和纹理表示。结合通道协同增强模块（CSEM），强化信息通道的响应并支持多尺度特征融合。实验结果表明，WDDNet在评估数据集和模拟干扰条件下均保持了具有竞争力的检测性能。通过引入LAMP剪枝策略，最终模型实现了8.56M参数、25.88 GFLOPs和52.89%的mAP50-95。与YOLO和RTDETR系列模型相比，WDDNet保持了具有竞争力的精度，尽管未能全面超越所有强基线模型。其主要优势在于减少了参数量、计算复杂度和推理延迟，延迟为14.9 ms。这些结果表明其在面向部署的无人机端或近边缘的叶片图像序列筛查中具有潜在应用价值。

引言

在全球能源转型加速的背景下，风力发电已成为可再生能源领域的一个核心发展方向，凭借其清洁、低碳足迹和资源丰富的优势[1]。作为能源转换的关键部件，风力涡轮机叶片长期暴露于复杂的户外环境中，易因风雨侵蚀、温度变化和机械磨损等因素而遭受各种表面损伤，如裂纹、腐蚀和边缘侵蚀等[2]，[3]。这些损伤会破坏叶片的气动外形和结构完整性，降低涡轮机输出功率，并诱发局部应力集中，从而加速裂纹扩展和前缘侵蚀[4]。在严重情况下，渐进性损伤可能导致叶片断裂和涡轮机非计划停机，从而威胁风电场的运行安全和发电可靠性[5]，[6]。因此，准确高效地检测损伤位置并识别损伤类型是确保风电系统长期稳定运行和降低运维成本的关键环节[7]。

当前的叶片运维范式依赖于无人机航拍获取叶片图像，随后在后端进行离线数据处理。这种方法固有的缺陷在于检测周期长、响应滞后[8]。与此同时，由于成本和能耗的限制，边缘嵌入式设备的计算资源十分有限。相比之下，传统的损伤检测模型通常参数量大且计算复杂度高，与边缘部署需求不兼容[9]。

从运营角度来看，基于边缘的损伤检测可以缩短从无人机图像采集到维护决策的路径。通过在巡检过程中筛选和优先级排序可疑叶片区域，检测器可以帮助减少人工复核工作量并支持更早的维护计划安排。这些潜在的运营收益在当前研究中仍为定性描述；停机时间、维护成本或发电量的直接降低尚未进行测量，需要长期现场部署。

因此，本研究针对边缘导向的无人机叶片检测问题，解决图像退化与计算约束下的检测挑战。该问题涉及两个耦合的需求：在复杂成像干扰下保持缺陷定位性能，以及减少模型规模、计算成本和推理延迟以实现及时检测反馈。

众多学者已对叶片损伤检测进行了广泛研究，现有方法通常可归为目视检查、基于计算机视觉的方法[10]和基于人工智能的方法[11]。目视检查通常依赖于现场维护人员的经验和主观判断，他们通过直接观察叶片表面或在专用成像条件下捕获的图像来识别缺陷。基于计算机视觉的方法从高清相机获取的图像中提取和分析手工制作的RGB特征，但仍需要大量专业知识和主观解释来识别裂纹、腐蚀和前缘侵蚀。然而，这些方法检查效率低，通常需要技术人员攀爬涡轮机或操作空中设备，导致覆盖范围有限且运营成本高昂。

随着人工智能技术的快速发展，越来越多的神经网络模型被应用于风力涡轮机叶片损伤检测，帮助解决传统检查方法的局限性并支持自动化缺陷识别。Mendikute等人[12]开发了一种基于超声无损检测数据的卷积神经网络，用于识别多类叶片缺陷，证明了深度学习在无损检测（NDT）领域的可行性。Liu等人[13]提出了GFD-YOLOX，该方法融合了双频特征融合和层次注意力机制，以增强小规模裂纹和腐蚀特征的表示能力。这些研究为可再生能源部件的缺陷识别和故障诊断提供了有用的技术参考。

除了叶片相关的研究外，自适应视觉建模、多级特征融合、多模态学习、特征分离和仿生表示学习等领域的最新进展也为鲁棒缺陷检测提供了有益的方法论启示。例如，Adaptive-PVT通过自适应特征建模改进了医学图像分割[14]，而YOLO-TCS通过集成多尺度特征融合和注意力机制增强了交通标志检测[15]。多任务学习也被用于手部热痕时间估计和身份识别[16]，深度软阈值特征分离被探索用于红外手印身份识别和时间估计[17]。此外，特征感知多头自注意力哈希被用于中国古代文献图像检索[18]，免疫深度表示卷积神经网络被用于油气管道故障诊断[19]。尽管这些研究关注不同的应用场景，但它们在自适应特征选择、多级表示、仿生特征交互和干扰抑制方面的思想与基于无人机的风力涡轮机叶片损伤检测是相关的。

尽管现有的基于图像处理和深度学习的叶片损伤检测方法已经实现了自动缺陷识别并提高了检查效率，但仍有两个关键挑战。首先，大多数方法未能充分考虑复杂风电场环境对图像质量和模型精度的影响。Ye等人[20]引入了增强的YOLOv5s，融合了ODConv和DyHead模块以改善低光照和低清晰度条件下的特征提取，提高了报告的裂纹检测性能；然而，在遇到强噪声或强烈表面反射时，其鲁棒性仍然有限。Xu等人[21]提出了SNMSDA-YOLO11，该方法集成了多尺度膨胀注意力机制和多种数据增强策略，以应对样本稀缺和尺度变化导致的检测困难，但该模型在处理因极端视角或恶劣天气导致的严重模糊图像时仍存在识别错误。此外，Li等人[22]提出了基于U形Kolmogorov-Arnold网络改进的UKANCNet模型。通过集成跨尺度特征融合机制（CFFM）、通道-空间混合注意力（CSMA）和贝叶斯优化损失函数，该模型报告微小型风力涡轮机叶片缺陷分割的mIoU为89.5%。报告的结果表明，该方法在识别裂纹和断裂等缺陷方面具有细节保留和噪声抑制能力。然而，该方法专门针对微小型风力涡轮机叶片设计。面对大型风力涡轮机叶片的复杂尺度变化、强风干扰导致的图像模糊和远距离拍摄引起的特征退化等问题，仍需要进一步的适配和优化。Fan等人[23]提出了一种基于无人机的图像拼接方法用于损伤定位，通过特征匹配提高了场景完整性，但在强风条件下无人机抖动时仍易产生拼接误差。总体而言，尽管这些方法在一定程度上增强了复杂环境下的特征提取，但它们尚未完全解决实际风电场中普遍存在的挑战，包括大气干扰、镜面反射、噪声干扰以及远距离航拍引起的图像退化。

其次，大多数现有检测模型包含大量参数并具有较高的计算复杂度，由于风电场边缘设备的算力和能耗限制，难以部署在这些设备上。因此，无法满足及时获取损伤信息和快速检测损伤的运营需求。Rizvi等人[24]通过将二值分割掩码与多种YOLO变体结合来增强叶片缺陷检测，实现了改进的mAP性能；然而，该方法在训练和推理过程中都需要大量计算资源，限制了其在低功耗设备上的适用性。Hang等人[25]提出了MIP-YOLO，一种基于YOLOv8改进的模型。通过集成haar小波注意力（HWA）和C2fGhost等独特模块，增强了裂纹边缘特征提取和小目标检测能力。尽管该模型集成了裂纹分类、分割和损伤等级评估，且具有有竞争力的检测精度，但由于多个模块的集成导致结构冗余。因此，参数量和计算复杂度未能得到有效控制，难以满足边缘设备的轻量化部署需求。一些研究试图缓解这一问题。例如，Xiao等人[26]提出了MFYOLO，采用轻量级卷积、动态卷积和知识蒸馏策略，在保持有竞争力的检测精度的同时，将参数量和计算成本减少了40%以上。然而，其跨平台泛化稳定性仍然有限。尽管这些研究推进了叶片损伤检测的轻量化发展，但大多数方法仍未能达到风电场运维中及时获取图像、快速检测和运营反馈所需的边缘计算水平。

这种实际差距也可以用本研究采用的统一实验设置进行量化。相比之下，主流检测器需要12.13-36.93 M参数和每512×512图像17.6-27.8 ms的延迟，而经过剪枝的WDDNet包含8.56 M参数并实现了14.9 ms的延迟。此外，环境鲁棒性评估表明，即使在拟议模型中，在雾、运动模糊、低光照和传感器噪声条件下mAP50-95也会下降2.67-3.98个百分点。这些数值结果表明，风力涡轮机叶片检测仍受到复杂无人机采集条件下计算需求和图像质量退化的双重制约。

基于上述综述，现有研究的局限性可从两个方面总结：损伤敏感特征表示的鲁棒性和边缘计算约束下的可部署性。尽管取得了这些进展，但仍存在两个研究空白。首先，现有方法在恶劣的无人机成像条件下并不能始终如一地保留损伤敏感特征，尤其是受光照变化、噪声、反射和图像模糊影响的小型缺陷和弱边界缺陷。其次，检测鲁棒性的提升通常是通过引入额外的特征提取或注意力组件来实现的，这增加了模型复杂度并限制了在资源受限的边缘设备上的部署。因此，未解决的问题并非精度或计算效率的单一问题，而是在实际风电场检测条件下两者的协同优化。

方法论解决方案是DESBlock、CSEM、混合编码器-解码器特征融合和LAMP剪枝的剪枝感知集成，其中损伤敏感特征表示和结构压缩是协同设计的，而非视为独立阶段。

为了解决这些局限性，本文提出WDDNet，一种面向无人机风力涡轮机叶片损伤检测的剪枝感知超轻量级检测器。在引言中，所提方法从研究动机的角度而非详细的网络实现进行定位：它联合考虑了损伤敏感特征表示和结构紧凑性。DESBlock、CSEM、混合编码器-解码器和LAMP剪枝的详细设计将在方法论部分呈现。因此，本文的核心方法论贡献是一种剪枝感知的轻量级设计，其中鲁棒特征表示和网络压缩被共同考虑，而非将剪枝视为事后辅助步骤。本研究并非声称一种根本性的新检测范式，而是提供了一种面向任务的架构洞察：轻量级叶片损伤检测器应在剪枝前保留紧凑的损伤敏感特征通路，从而使得结构压缩能够去除冗余响应，同时保留边缘、纹理和尺度相关的缺陷信息。

在本研究中，"超轻量级"被用作一种面向部署的研究特定描述符，而非通用硬件标准。在统一的512×512评估设置下，少于10M参数、少于30 GFLOPs以及在RTX 3090参考平台上单图像延迟低于20ms被用作内部比较标准。

这些阈值仅用于为本文的实验提供背景说明，不应被解读为适用于所有硬件平台或部署场景的通用定义。在低功耗便携式边缘平台上的执行被视为一项独立的实证部署属性。在本手稿中，"边缘部署"指的是在资源受限的本地硬件上执行检测器，而"近边缘筛选"则特指在测试的便携式平台上进行顺序图像级推理。因此，术语"实时"并不用于描述在 Core m3-8100Y 平台上进行的高帧率视频处理。本文的主要贡献如下：（1）针对复杂无人机成像条件下的特征退化问题，WDDNet 引入了轻量级特征增强组件，以改善对小型、多尺度和弱边界叶片缺陷的表征能力。具体模块结构在方法部分中有详细描述。（2）开发了一种剪枝感知轻量级架构，以在剪枝前后保留紧凑且信息丰富的特征传输通路。该设计提高了特征表征与结构压缩之间的兼容性，而不是将剪枝视为孤立的后处理步骤。（3）为应对边缘部署约束，我们为风力发电检测整合了特征增强、结构优化和剪枝。在评估条件下，该模型实现了 14.9 毫秒的推理延迟，同时保持了具有竞争力的检测性能。本研究旨在改善资源受限的边缘部署条件下，基于无人机的风力发电机叶片损伤检测的准确率与效率权衡。章节片段概述所提出的流程概述WDDNet 的整体工作流程如图 1 所示。给定一张无人机采集的叶片图像，模型首先提取损伤敏感的边缘和纹理特征，然后通过混合编解码器抑制冗余通道响应并整合局部与全局上下文信息。检测头预测损伤类别和边界框位置。模型收敛后，应用 LAMP 剪枝移除冗余权重，获得用于部署的紧凑检测器。数据来源与采集条件为提高数据集的多样性和实际相关性，构建的风力发电机叶片损伤数据集结合了来自中国湖北某风场的实地采集数据，以及来自多个国家和地区公开的风力发电机叶片数据集 [30], [31]。湖北子集作为核心实地数据来源，而公开数据集则引入了额外的多样性，包括叶片外观、缺陷形态、成像设备、采集距离、背景和环境条件。骨干网络消融实验为评估所提出的 DESBlock 作为骨干网络在风力发电机叶片损伤检测中的有效性，与主流骨干网络进行了对比实验。结果列于表 3。如表 3 所示，DESBlock 的主要优势体现在高 IoU 定位指标上，在所比较的骨干网络中取得了最高的 mAP75 和 mAP50?95。与几个竞争性基线的改进幅度适中，但这是以相对较低的...（此处原文截断）讨论实验结果表明，WDDNet 的主要贡献在于改善了基于无人机的风力发电机叶片损伤检测的部署导向型准确率与效率权衡。与主要通过日益复杂的特征提取或融合结构来追求更高准确率的传统检测模型相比，WDDNet 同时考虑了损伤敏感特征表征和结构紧凑性。消融实验结果显示，DESBlock 主要贡献于...（此处原文截断）结论本研究提出了 WDDNet 作为一种剪枝感知轻量级架构，用于基于无人机的风力发电机叶片检测。在评估的数据集和模拟扰动条件下，WDDNet 保持了具有竞争力的检测性能，同时实现了 8.56 M 参数、25.88 GFLOPs、14.9 毫秒延迟和 52.89% 的 mAP50?95。这些结果表明这是一种部署导向型的准确率与效率权衡，而非相对于所有基线检测器的通用准确率优势。独立验证...（此处原文截断）CRediT 作者贡献声明高涵：撰写—审阅与编辑，撰写—初稿。洪文鹏：撰写—审阅与编辑，概念化。郭震琦：撰写—审阅与编辑，数据整理。赵博：撰写—审阅与编辑，概念化。曹生贤：撰写—审阅与编辑，形式分析。凡思源：撰写—审阅与编辑，方法论。丁伟：撰写—审阅与编辑，资金获取。未引用参考文献 [32], [33], [34], [35], [36], [37]。利益冲突声明作者声明不存在已知的可能影响本文所述工作的竞争性财务利益或个人关系。致谢本工作得到中国国家重点研发计划（项目编号：2024YFB4207200）以及教育部算力网络与信息安全重点实验室（项目编号：2024ZD005）的资助。高涵|洪文鹏|郭震琦|赵博|曹生贤|凡思源|丁伟东北电力大学能源与动力工程学院，吉林，132012，中国