.png){kind=icon}
返回
A multi-scale defect detection network for wind turbines utilizing margin aware features
.png){kind=icon}
PRE
AI
DOI：10.1088/1361-6501/ae08db.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
风电机组(WTs)的长期运行会导致多尺度表面缺陷，严重损害运行可靠性。基于无人机的缺陷检测为实现风电机组运行状态的实时评估提供了一种可行方法。然而，当前无人机检测系统的部署在同时实现此类多尺度缺陷的敏感性和定位精度方面存在困难。为解决此限制，我们提出了一种新型的缺陷边缘感知和多尺度协同注意力网络(DMCA-Net)。首先，我们提出了一种缺陷边缘细节转移骨干网络，以增强浅层特征中的边缘信息，这些信息可与多尺度特征融合。其次，引入了三层锚点注意力特征选择与融合金字塔网络，以优化通道-空间交互，能够动态平衡局部细节和全局特征，从而提高缺陷定位精度。此外，设计了一种基于直方图的协同注意力头编码器，通过联合优化频域分箱注意力和交叉箱注意力来检测小目标缺陷，增强小目标缺陷的特征强度。最后，引入了归一化Wasserstein距离-内部距离-IoU(NWD-InnerDIoU)损失，以增强模型泛化能力并缓解严重的数据不平衡，有效减少多尺度目标间相互作用导致的性能波动。实验结果表明，DMCA-Net在风电机组缺陷数据集上达到83.1%的mAP50，较基线模型提升3.1%，同时保持每秒81.3帧的实时检测能力。特别是在检测性能方面，其表现优于常用的检测模型。
期刊
IF:
3.4
论文数:
2.7K
被引数:
2.3W
机构
引用论文
Review of state-of-the-art surface defect detection on wind turbine blades through aerial imagery: Challenges and recommendations☆通过航拍图像对风力涡轮机叶片进行最新表面缺陷检测的回顾: 挑战和建议 ☆
OAAI
OAAI分享收藏Cross stage partial connections based weighted Bi-directional feature pyramid and enhanced spatial transformation network for robust object detection.png)
NEUROCOMPUTING
NEUROCOMPUTINGIF6.5
PREAI
分享收藏YOLOv8-WTDD: multi-scale defect detection algorithm for wind turbinesYOLOv8-WTDD：风力涡轮机多尺度缺陷检测算法
IF0
PREAI
分享收藏Wind turbine blade recycling: A review of the recovery and high-value utilization of decommissioned wind turbine blades风力涡轮机叶片回收: 退役风力涡轮机叶片的回收和高价值利用综述
PREAI
分享收藏分享收藏YOLOv5_CDB: A Global Wind Turbine Detection Framework Integrating CBAM and DBSCANYOLOv5_CDB：一种集成CBAM和DBSCAN的全局风力涡轮机检测框架REMOTE SENSING
OAAI
REMOTE SENSINGIF4.1
OAAI分享收藏Sonar-YOLO: acoustic target detection in shallow water based on the fusion of improved lightweight networks and attention mechanismSonar-YOLO：基于改进轻量级网络与注意力机制融合的浅水声学目标检测
PREAI
分享收藏Fast detection of wind turbine blade damage using Cascade Mask R-DSCNN-aided drone inspection analysis利用Cascade Mask R-DSCNN辅助的无人机检测分析实现风轮叶片损伤的快速检测
IF0
PREAI
分享收藏
查看更多内容