改进的YOLOv5风机叶片缺陷检测方法.pdf
《改进的YOLOv5风机叶片缺陷检测方法.pdf》由会员分享,可在线阅读,更多相关《改进的YOLOv5风机叶片缺陷检测方法.pdf(13页珍藏版)》请在咨信网上搜索。
1、Modeling and Simulation 建模与仿真建模与仿真,2023,12(4),3574-3586 Published Online July 2023 in Hans.https:/www.hanspub.org/journal/mos https:/doi.org/10.12677/mos.2023.124329 文章引用文章引用:高文俊,张海峰.改进的 YOLOv5 风机叶片缺陷检测方法J.建模与仿真,2023,12(4):3574-3586.DOI:10.12677/mos.2023.124329 改进的改进的YOLOv5风机叶片缺陷检测方法风机叶片缺陷检测方法 高文俊高文
2、俊*,张海峰张海峰 上海工程技术大学机械与汽车工程学院,上海 收稿日期:2023年5月3日;录用日期:2023年7月7日;发布日期:2023年7月14日 摘摘 要要 为了解决风力发电机叶片传统检测的耗时长,效率低,精度低等问题为了解决风力发电机叶片传统检测的耗时长,效率低,精度低等问题。为此,本文提出一种改进的。为此,本文提出一种改进的YOLOv5风机叶片缺陷检测算法。首先,针对图像中复杂背景和图片模糊等影响因素,本算法采用限制对比度自风机叶片缺陷检测算法。首先,针对图像中复杂背景和图片模糊等影响因素,本算法采用限制对比度自适应直方图均衡化的方法,加强叶片缺陷特征,减弱这些因素对数据集的影响。
3、其次,在主干网络中引适应直方图均衡化的方法,加强叶片缺陷特征,减弱这些因素对数据集的影响。其次,在主干网络中引入极化注意力机制,以增强网络对缺陷特征的敏感性,进一步提高入极化注意力机制,以增强网络对缺陷特征的敏感性,进一步提高模型模型检测检测能力能力。最后,在主干网络末。最后,在主干网络末端加入金字塔池化模块,以扩大网络端加入金字塔池化模块,以扩大网络不同尺度的感受能力不同尺度的感受能力,增强对多尺度,增强对多尺度目标目标的识别能力。实验结果表明的识别能力。实验结果表明,在自制风机叶片数据集中,改进的在自制风机叶片数据集中,改进的YOLOv5算法相比原有算法,算法相比原有算法,召回率上升了召回
4、率上升了13.7个百分点,准确率也个百分点,准确率也增长了增长了16.3个百分点,个百分点,平均精度均值平均精度均值提提高了高了16.5个百分点个百分点。因此,该算法可以更好地应用于风机叶片缺。因此,该算法可以更好地应用于风机叶片缺陷检测场景,为陷检测场景,为增强风力发电机组的操作效率和稳定性增强风力发电机组的操作效率和稳定性提供了有力支持。提供了有力支持。关键词关键词 YOLOv5,风机叶片,注意力机制,多尺度,风机叶片,注意力机制,多尺度 The Improved YOLOv5 Wind Turbine Blade Defect Detection Method Wenjun Gao*,H
5、aifeng Zhang School of Mechanical and Automotive Engineering,Shanghai University of Engineering Science,ShangHai Received:May 3rd,2023;accepted:Jul.7th,2023;published:Jul.14th,2023 Abstract To address the issues of long detection times,low efficiency,and low accuracy in traditional detec-tion method
6、s for wind turbine blades,this paper proposes an improved YOLOv5 algorithm for detecting blade defects.Firstly,to enhance the blade defect features and reduce the influence of complex backgrounds and blurry images,this algorithm uses a contrast-limited adaptive histo-*通讯作者。高文俊,张海峰 DOI:10.12677/mos.2
7、023.124329 3575 建模与仿真 gram equalization method.Secondly,a polarized attention mechanism is introduced into the back-bone network to enhance the networks sensitivity to defect features and further improve the mod-els detection capabilities.Finally,a pyramid pooling module is added to the end of the b
8、ackbone network to expand the networks perception capabilities at different scales and enhance its rec-ognition capabilities for multi-scale targets.Experimental results show that,compared with the original algorithm,the improved YOLOv5 algorithm increases the recall rate by 13.7 percentage points,t
9、he accuracy rate by 16.3 percentage points,and the average precision by 16.5 percentage points in the self-made wind turbine blade dataset.Therefore,this algorithm can be better applied to the wind turbine blade defect detection scenario,providing strong support for enhancing the efficiency and stab
10、ility of wind power generation units.Keywords YOLOv5,Wind Turbine Blade,Attention Module,Multi Scale Copyright 2023 by author(s)and Hans Publishers Inc.This work is licensed under the Creative Commons Attribution International License(CC BY 4.0).http:/creativecommons.org/licenses/by/4.0/1.引言引言 在风力发电
11、机组中,风机叶片是造价成本最高的部分。由于风机叶片的复杂物理结构,它们的受力状态会随着风速的变化而发生变化,这使得它们成为最容易发生故障的部位。如果不能及时检测风机叶片的缺陷和故障隐患,提前预防故障的发生,并保证风机叶片的正常运行,就会因风机叶片故障而造成严重损失。因此,风机叶片缺陷的检测具有极其重要的意义和价值。传统的风机叶片缺陷检测技术主要基于图像处理检测技术和传感器等来完成检测的,如阈值分割,边缘提取等和声传感器,振动传感器,光传感器等。如曹庆才1等为了提取风机叶片缺陷,采用机器视觉方法,对风机叶片图像进行滤波和对比度增强预处理,然后采用 OSTU 阈值法进行图像分割,最后使用 Cann
12、y 边缘检测算法提取叶片缺陷特征;严海领2等为了能够检测不同颜色风机叶片中的缺陷类型,分析基础传统边缘提取算子的提取效果,最终得出采用 Prewitt 算子提取边缘特征和图像增强处理的方法后对不同颜色风机叶片缺陷特征提取效果较好;邹洁3等人将光纤光栅传感器布置在风机叶片上,对传感器接收到的冲撞信号进行信号能量分布和中心波长分析来得出风机叶片是否存在表面损伤缺陷。但是这些技术都有不足之处,如基于传统图像处理技术的缺陷检测方法,需要人工设计的算法去提取相对应的缺陷明显特征,人为主观性大,且提取效果受环境因素影响较大,对环境要求比较严格,识别准确度不高。基于传感器检测技术的方法,需要人为在风机叶片表
13、面布置对应的传感器设备,搭建检测传感器信号系统,整体花费费用大,且不能对缺陷类别进行分类。随着机器学习和深度学习的迅速发展,深度学习能够根据标签信息自主学习类别特征的模型能力,使其成为缺陷识别中热门的一门技术。本文提出了一种改进的 YOLOv5 算法,用于风机叶片缺陷的检测。首先,采用了限制对比度自适应均衡化算法(Contrast Limited Adaptive Histogram Equalization,CLAHE)4对数据集进行预处理,以减少复杂背景和运动模糊等因素对数据集质量的影响,并提高模型的检测能力。然后在主干网络中引入了极化自注意力机制(Polarized Self-Atten
14、tion,PSA)5,使得模型能够更加关注叶片缺陷特征,忽略次要背景特征,提高目标缺陷的识别和定位能力。最后在主干网络末端引入了金字塔池化模块(Pyramid Pooling Module,PPM)6,通过增加多个池化层,充分利用全局上下文信息,提高了对多尺度目标的识别能力,以增强模Open AccessOpen Access高文俊,张海峰 DOI:10.12677/mos.2023.124329 3576 建模与仿真 型对大目标和小目标缺陷的检测能力。从而进一步提高了模型的性能。实验结果表明,改进的 YOLOv5算法相比原有算法的召回率上升了 13.7 个百分点,准确率提升了 16.3 个百
15、分点,平均精度均值提高了16.5 个百分点,有效提升了原有 YOLOv5 算法的检测能力。2.YOLOv5 算法算法 YOLOv5 是一种基于深度学习的目标检测算法,其核心思想是将输入图像分割成多个网格并在每个网格内独立进行目标检测,从而实现对整个图像的目标检测。与其它的目标检测算法相比,YOLOv5 的扩展性更好,检测速度也更快。如图 1 所示该算法的具体结构包含四个主要模块:预处理模块、主干网络、路径聚合网络和输出模块。预处理模块主要对输入图像进行预处理,以适应网络的要求。其中,Mosaic 数据增强7对模型输入的图像进行每四张图像随机剪裁、旋转、缩放等处理手段之后再进行拼接,以扩充数据集
16、的数据量,增加算法对模糊目标和小目标的检测能力。自适应锚框计算针对不同待检测的目标会预设长宽比检测框,在训练过程中将预测框与真实框对比,根据差值反向传播获得最佳锚框值。自适应图片缩放则通过计算图像最适宜的尺寸,增加灰边来补齐缺失图像,减少计算量,提升模型的训练速度。主干网络是 YOLOv5 算法的核心部分,采用 new CSPDarknet53 模块,其中,new CSPDarknet53 模块包含 Focus 结构和 CSPDarknet53 8结构。Focus 结构可以将输入图像分割成多个独立的区域,以增加通道的数量,并生成采样特征图。而 CSPDarknet53 结构则可以通过调整网络的
17、深度,将特征图划分为不同的梯度,从而实现更加有效的特征提取。通过提取图像特征,将其馈送到路径聚合网络,以达到预测输出三个不同尺度结果的目的。CSPDarknet53 结构解决了模型训练过程中重复的梯度信息,将梯度变化集成到特征的映射中,从而降低计算速度,减少参数并压缩模型。路径聚合网络模块是为了改善特征金字塔网络的性能,如图2所示。与FPN(Feature Pyramid Networks,FPN)9从上到下采用上采样方式只传递高维语义信息不同,路径聚合网络10在 FPN 后接入从底部到顶部采用下采样方式传递位置信息的 Bottom-up 结构,使得整体具有较高的位置信息。路径聚合网络模块将
18、FPN 和 Bottom-up 有机地结合起来,可以更好地改进整体网络模型,从而增强模型的整体语义和位置信息提取,提高网络模型特征的表达能力。输出模块由边界框损失函数11和分类损失函数12以及置信度损失函数13和尺度平衡损失函数与非极大值抑制14和锚框机制组成,生成三种不同的特征图输出,从而实现多尺度预测15。Figure 1.YOLOv5 algorithm structure diagram 图图 1.YOLOv5 算法结构图 高文俊,张海峰 DOI:10.12677/mos.2023.124329 3577 建模与仿真 Figure 2.Path aggregation network
19、module 图图 2.路径聚合网络模块 3.改进的改进的 YOLOv5 风机叶片缺陷检测算法风机叶片缺陷检测算法 为了解决数据集中各风电场背景不一致以及无人机运动中产生的模糊和噪音现象,提高数据集质量,采用 CLAHE 预处理算法,对自制风机叶片 YOLOv5 目标缺陷检测数据集进行输入前处理。又因为YOLOv5 的主干特征提取网络并未能自学习标注的缺陷特征之间关系且数据集中同一缺陷可能表现不同形式,类内特征变化比较大,且无法进行长距离学习建模形成高级的、非线性的表示特征,因此为了提升 YOLOv5 对复杂数据集的特征学习能力,关注各个特征图之间的通道信息和空间信息,在主干网络中融入 PSA
20、 自注意力机制,提升模型检测能力和精度。在分析数据集中可知,不同缺陷的尺度差异也比较大,为了进一步充分利用特征图中的多尺度信息,在 YOLOv5 主干网络中嵌入 PPM 模块,增强网络模型对多尺度目标检测能力,提升模型的综合检测能力。其中,引入的 PSA 和 PPM 的融合结构如图 3 和图 4 所示。最终,本文改进后的算法如图 5 所示,其中基本模块为 CBS,其由卷积层,批量正则化层,SiLU 损失函数构成,多数模块的组成都离不开它;Res 模块是为残差结构组成,残差结构有两个分支,一个分支经过两个 CBS 进行特征提取,另一个分支称为 Shortcut 直接将原始特征图连接到另一个分支输
21、 Figure 3.PSA_CSP1_X network structure 图图 3.PSA_CSP1_X 网络结构 高文俊,张海峰 DOI:10.12677/mos.2023.124329 3578 建模与仿真 Figure 4.PPM_CSP1_X network structure 图图 4.PPM_CSP1_X 网络结结构 Figure 5.YOLOv5 PSA PPM network structure diagram 图图 5.YOLOv5 PSA PPM 网络结构图 出,并进行 add 操作,具有 CSP1 命名的模块中都包括该结构;Focus 结构称为切片结构,其把输入图片经
22、过切片操作(每 2 2 大小的像素区域,把位于同一位置的像素拼到一起),将原本只有 3 通道的 RGB原图,下采样成具有 12 通道的特征图,且并没有原图信息的丢失;SPPF 结构为池化结构,采用串联式的 3 个 5 5 大小的最大池化结构,使得可以对输入特征图,提取多个尺度特征,并进行 concat 融合。3.1.数据预处理数据预处理 在深度学习中,数据集的质量直接影响着模型的精度、泛化能力和鲁棒性。在风机叶片数据集中,由于存在多样化的缺陷背景,拍摄抖动、模糊化和天气等因素的影响,使得缺陷特征难以被网络模型准确提取。为了解决这些问题,本文采用了 CLAHE 对数据集进行预处理。与普通的直方图
23、均衡化不同,CLAHE 算法会计算多个直方图,每个直方图对应于图像的不同部分,然后使用它们来重新分配图像的亮高文俊,张海峰 DOI:10.12677/mos.2023.124329 3579 建模与仿真 度值。这种自适应方法适用于改善局部对比度,并增强图像每个区域中边缘的清晰度。通过 CLAHE 算法处理后,图像中的缺陷区域更加明显,使得网络在推理过程中更容易学习到缺陷特征。图 6 展示了处理前后的对比图,可以明显看出 CLAHE 算法的有效性。Figure 6.Comparison before and after CLAHE treatment 图图 6.CLAHE 处理前后对比 3.2.
24、融合极化自注意力机制融合极化自注意力机制 在风机叶片数据集中,缺陷的背景复杂,且同一类型缺陷特征变化大,但不同缺陷类型的位置信息是较固定,在自制数据集中的腐蚀类别位置通常在叶片前缘位置,叶尖开裂类别位于叶片尖端位置,为了使得原始YOLOv5主干网络能够对数据集类内特征变化大的问题进行强大建模,和关注同一缺陷的位置信息。本文采用 PSA 注意力机制将其与主干网络进行融合。比较 SE 16只关注通道信息,GE 17只关注位置信息,PSA 通过混合注意力提升模型检测能力,对比 CBAM 18虽也是混合注意力,但是通过减少输入张量的通道尺寸,使用二维卷积来计算空间注意力,从而获得位置信息,且卷积操作只
25、能捕获局部关系,无法获得视觉任务中必不可少的长程依赖关系。像上述这些注意力机制大多是都是采用全连接层、卷积层来获取注意力权重,在挖掘信息的时候不是很有效,影响模型的建模能力,而 PSA 通过自注意力机制捕捉全局信息来获得更大的感受野和上下信息,进而获取注意力权重,充分利用自注意力机制结构的建模能力,相比较其它自注意力机制通过计算相似性矩阵来确定每个位置或通道的权重分配,从而实现对特征的加权和聚合,这种方法往往无法精确地表达不同维度之间的关系,尤其是当特征的维度较高时,存在着难以建模的问题。PSA 极化自注意力采用了一种全新的思路,通过极化滤波结构在通道和空间维度保持比较高的分辨率,这一步能够减
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 改进 YOLOv5 风机 叶片 缺陷 检测 方法
1、咨信平台为文档C2C交易模式,即用户上传的文档直接被用户下载,收益归上传人(含作者)所有;本站仅是提供信息存储空间和展示预览,仅对用户上传内容的表现方式做保护处理,对上载内容不做任何修改或编辑。所展示的作品文档包括内容和图片全部来源于网络用户和作者上传投稿,我们不确定上传用户享有完全著作权,根据《信息网络传播权保护条例》,如果侵犯了您的版权、权益或隐私,请联系我们,核实后会尽快下架及时删除,并可随时和客服了解处理情况,尊重保护知识产权我们共同努力。
2、文档的总页数、文档格式和文档大小以系统显示为准(内容中显示的页数不一定正确),网站客服只以系统显示的页数、文件格式、文档大小作为仲裁依据,平台无法对文档的真实性、完整性、权威性、准确性、专业性及其观点立场做任何保证或承诺,下载前须认真查看,确认无误后再购买,务必慎重购买;若有违法违纪将进行移交司法处理,若涉侵权平台将进行基本处罚并下架。
3、本站所有内容均由用户上传,付费前请自行鉴别,如您付费,意味着您已接受本站规则且自行承担风险,本站不进行额外附加服务,虚拟产品一经售出概不退款(未进行购买下载可退充值款),文档一经付费(服务费)、不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
4、如你看到网页展示的文档有www.zixin.com.cn水印,是因预览和防盗链等技术需要对页面进行转换压缩成图而已,我们并不对上传的文档进行任何编辑或修改,文档下载后都不会有水印标识(原文档上传前个别存留的除外),下载后原文更清晰;试题试卷类文档,如果标题没有明确说明有答案则都视为没有答案,请知晓;PPT和DOC文档可被视为“模板”,允许上传人保留章节、目录结构的情况下删减部份的内容;PDF文档不管是原文档转换或图片扫描而得,本站不作要求视为允许,下载前自行私信或留言给上传者【自信****多点】。
5、本文档所展示的图片、画像、字体、音乐的版权可能需版权方额外授权,请谨慎使用;网站提供的党政主题相关内容(国旗、国徽、党徽--等)目的在于配合国家政策宣传,仅限个人学习分享使用,禁止用于任何广告和商用目的。
6、文档遇到问题,请及时私信或留言给本站上传会员【自信****多点】,需本站解决可联系【 微信客服】、【 QQ客服】,若有其他问题请点击或扫码反馈【 服务填表】;文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“【 版权申诉】”(推荐),意见反馈和侵权处理邮箱:1219186828@qq.com;也可以拔打客服电话:4008-655-100;投诉/维权电话:4009-655-100。