论文部分内容阅读
针对传统方式检测风力涡轮机表面缺陷时出现的精度不足、泛化性较差问题，提出了一种改进YOLOv5s的风力涡轮机表面缺陷检测模型。在网络结构方面，首先在主干特征提取网络引入改进的MobileNetv3网络，用于协调并平衡模型的轻量化和精度关系；其次采用BiFPN式的融合方式，增强神经网络的多尺度适应能力，提高融合速度和效率；最后为轻量化的自适应调节特征权重，运用ECAnet通道注意力机制，进一步提高神经网络的特征提取能力。在损失函数方面，将边框回归的损失函数修改为αIoU Loss，进一步提升了bbox回归精度。实验结果表明，基于YOLOv5s的改进算法可以在复杂环境下快速准确地识别风机表面的缺陷目标，能够满足实时目标检测的实际应用需求。