大型風電機組葉輪裂紋焊接圖像檢測技術研究

中圖分類號：TQ110.5 文獻標志碼：A 文章編號：1001-5922（2025）07-0033-04

Abstract：In order to improve theaccuracyof image detection of crack welding defects of large wind turbine impellers，a detection method based on the improved YOLOv5model was proposed.Based on the YOLOv5 model，this method introduced the CBAMatention mechanism after the backbone network of the YOLOv5 model，CSPDarknet53，to enhance the learning of important features，and directlycalculated the diference between the widthand heightof the predictionboxandthereal boxto replace the distance lossof theaspectratio，soas toavoid the failure of the model to converge，and realized the improvementof the YOLOv5 model.Finaly，the improved YOLOv5 model was used to detect thecrack welding defect image ofthe impellerof the large wind turbine，and the detection accuracyof the crack welding defect image of the impellerof the large wind turbine was improved.The simulation results showed that theaverage accuracy，precision，recalland F1valueof the proposed method for the detection of impeller crack welding defect images of large wind turbines reached 96.30% ， 96.77% ， 94.72% and 96.27% ，respectively， which had higher accuracyand faster detection speed of 22.38 frames/s compared with the standard YOLOv5 model，CNN model，SSD model and RESNET50 model.

Key Words ： wind turbines ;impeller cracks ; welding defects ;image detection ; YOLOv5 model

大型風電機組是風能發電的關鍵設備，對風能發電效率和運行狀態具有重要意義。然而由于大型風電機組的葉輪在焊接過程中，會受到焊接應力的影響，導致葉輪產生裂紋，不利于其平衡，進而影響發電效率?；诖耍狙芯拷Y合YOLOv5模型在目標檢測領域的應用，如王書坤等利用輕量型YOLOv5模型，實現了對電網線路絕緣子的缺陷檢測[1]；孫麗萍等以YOLOv5模型為檢測模型，實現了對林業中的有害物檢測與識別[2]；豐玉華等在YOLOv5的基礎上，引入多頭自注意力，實現了對跌倒行人的檢測[3]，發現YOLOv5模型具有優異的目標檢測性能。本研究選擇YOLOv5模型為基礎框架，通過在YOLOv5模型的基礎上引入注意力機制，并改進其損失函數，以提高模型的性能，提出一種改進YOLOv5的大型風電機組葉輪裂紋焊接缺陷圖像檢測方法。

1 基本算法

1.1 YOLOv5模型簡介

YOLOv5模型是一種目標檢測算法，主要包括輸入端、主干網絡、頸部網絡和輸出端四個部分[4-5]。其中，輸入端是由3個不同的輸入層組成，負責對大、中、小3種不同尺度的目標進行輸入；主干網絡使用CSPDarknet53網絡，負責對特征輸入圖像特征進行提??；頸部網絡為特征圖金字塔（FPN）網絡，可實現不同特征圖層次信息的融合；輸出端使用Focalloss損失函數解決目標檢測中類別不平衡問題，并使用非極大抑制對重疊目標框進行處理，可提高模型性能[6-7]

YOLOv5模型具有結構簡單的特點，并通過使用CSPDarknet53、FPN等技術和策略，具有較高的性能和魯棒性。本研究選用YOLOv5模型作為大型風電機組葉輪裂紋焊接缺陷圖像檢測的基本框架。

1.2 YOLOv5模型改進

1.2.1 引入注意力機制

YOLOv5模型雖然可提取不同尺寸大小的特征，但對重要特征和無用特征分配的權重一致，導致模型精度有待提高[8-9]。因此，研究通過引入注意力機制對YOLOv5模型進行了改進。

CBAM（ConvolutionalBlock AttentionModule）是一種融合了空間注意力模塊和通道注意力模塊的注意力機制，通過利用通道注意力模塊對每個通道特征表達進行增強，利用空間注意力模塊提取空間關鍵信息，可增強特征表示，強化對重要特征的學習能力，進而提高模型性能[10-1]。本研究將 CBAM 注意力機制與CSPDarknet53網絡相結合，通過將CBAM注意力機制添加在CSPDarknet53網絡之后，以實現對重要特征的注意力學習，提高模型檢測性能。

引入CBAM注意力機制的YOLOv5模型網絡結

構如圖1所示。

1.2.2 損失函數改進

YOLOv5模型的輸出端使用Focalloss函數作為損失函數，可計算物體置信度損失、物體分類損失和預測框位置損失，而預測框位置損失又分為真實框和預測框交并比損失、寬高比距離損失和中心點距離損失3部分[12-14]。其中，寬高比距離損失是通過計算真實框和預測框的寬高比值進行確定，如式（1）：

L=α（4/π²）（arctan（w_gt/h_gt）-arctan（w/h））²

式中： α 表示平衡參數； w_gt，w 分別表示真實框和預測框的寬； h_gt?h 分別表示真實框和預測框的高。

根據式（1）可知，當預測框與真實框的寬高比為線性關系時，預測框的寬和高不能同時減小或同時增大，導致 YOLOv5 模型無法收斂[15-16]。本研究通過直接計算預測框和真實框的寬和高的差值，來替換寬高比的距離損失，對YOLOv5模型損失函數中寬高比距離損失計算方法進行了改進。

改進后的寬高比距離損失可改寫為：

式中： ρ²（?） 表示歐式距離； 分別表示覆蓋真實框和預測框最小外界框的寬度和高度。

改進后的YOLOv5模型損失函數可表示為：

式中：IOU為真實框與預測框的交并比損失； c 為2個后選礦最小包圍框對角線長度； b_gt?b 分別表示真實框和預測框的中心點。

2基于改進YOLOv5的大型風電機組葉輪 裂紋焊接缺陷檢測

（1）圖像采集與預處理。利用無人機拍攝大型風電機組葉輪裂紋焊接缺陷圖像，并對圖像進行翻轉、平移等增強處理，然后統一所有圖像為滿足YOLOv5模型輸入的尺寸；

（2）劃分數據集。將上述預處理后的大型風電機組葉輪裂紋焊接缺陷圖像按比例隨機劃分為兩個部分，并以數據量大的部分作為訓練集，以數據量小

的部分作為測試集;

（3）構建并訓練改進YOLOv5模型。基于Pytorch深度學習框架搭建改進YOLOv5模型，然后將訓練集輸入模型中進行學習和訓練，當達到訓練完成條件時，保存模型；

（4）葉輪裂紋焊接缺陷檢測。將待檢測的測試集中大型風電葉輪裂紋焊接缺陷圖像輸入保存的改進YOLOv5模型中，其輸出結果即為大型風電機組葉輪裂紋焊接缺陷檢測結果。

4 結果與分析

4.1 模型驗證

4.1.1 可行性驗證

為驗證所提改進YOLOv5模型的可行性，采用誤差反向傳播算法對改進YOLOv5模型進行訓練，并記錄了其訓練過程中的損失值和精確率變化，結果如圖2所示。

3 仿真實驗

3.1 實驗環境搭建

本次實驗基于PyTorch 深度學習框架、Python語言和PyCharm編程環境搭建改進YOLOv5仿真模型，并基于64位Windows10操作系統運行。系統配置IntelCorei7-10710UCPU，64G內存。

3.2 數據來源及預處理

本次實驗數據來自使用TrimbleUX5無人機拍攝的大型風電機組葉輪裂紋焊接缺陷圖像，共1000張?？紤]到所采集的數據量較小，而改進YOLOv5模型訓練需要大量的數據。因此，實驗前對數據進行了翻轉、平移、隨機縮減等數據增強處理，共得到5000張實驗用圖像。

為滿足改進YOLOv5模型輸入圖像的格式需求，實驗前將每張圖像像素比例統一為640×640，并將圖像劃分為訓練集和測試集兩個部分[17-18]其中，訓練集數據包括4000張大型風電機組葉輪裂紋焊接缺陷圖像，測試集數據包括1000張大型風電機組葉輪裂紋焊接缺陷圖像。

3.3 評價指標

本次實驗選用平均精度（mAP）、精確率（Preci-sion）、召回率（Recall） F₁ 值作為評估改進YOLOv5模型檢測性能的指標。其中，平均精度、精確率、召回率和F值的計算方法如式（4）＼～式（7）[19-20] 。

式中：AP是以精確率為縱軸和召回率為橫軸建立二維坐標系中，兩軸與曲線所圍的面積； N 表示目標類別； m₁ 表示真正例； n₁ 表示假正例； n₂ 表示假負例。

3.4參數設置

本次試驗設置改進YOLOv5模型的最大迭代次數為100，批大小為4，目標檢測類別數為1，輸入圖像像素比例為 640×640 。

由圖2可知，隨著迭代進行，模型快速收斂，損失值穩定在0.05左右，精確率穩定在 97% 左右。由此說明，所提的改進YOLOv5模型可行有效，可用于大型風電機組葉輪裂紋焊接缺陷圖像檢測應用中。

4.1.2 改進效果驗證

為驗證本文對YOLOv5模型的改進效果，實驗對比了改進前后YOLOv5模型在實驗數據集上，對大型風電機組葉輪裂紋焊接缺陷的檢測效果。表1為改進前后YOLOv5模型在測試數據集上的各項性能指標，其中，YOLOv5－A表示只引入注意力機制改進的YOLOv5模型;YOLOv5-B表示只改進損失函數的YOLOv5模型。

由表1可知，相較于改進前的標準YOLOv5模型以及只引入注意力機制改進的YOLOv5模型和只改進損失函數的YOLOv5模型，所提的同時引入注意機制和改進損失函數的YOLOv5模型具有更優異的檢測性能，平均精度、精確率、召回率 值分別達到96. 30% ， 96.77% 94.72% 、 96.27% ，均得到了不同程度的提升。由此說明，所提的改進YOLOv5模型可提高對大型風電機組葉輪裂紋焊接缺陷的檢測精度，改進有效。

檢測速度是衡量所提改進YOLOv5模型是否具有可行性和推廣性的重要指標。實驗對比了YOLOv5模型改進前后的檢測速度，結果如表2所示。

由表2可知，改進前后的YOLOv5模型檢測速度較為接近，且均具有較高的檢測速度，約為22幀/s，說明所提改進YOLOv5模型可行，改進有效。

4.2 模型對比

為進一步驗證所提改進YOLOv5模型對大型風電機組葉輪裂紋焊接缺陷的檢測有效性和優越性，實驗對比了所提模型與常用缺陷檢測模型CNN模型、SSD模型、RESNET50模型在實驗數據集上的各項性能指標，結果如表3所示。此外，實驗還對比了所提改進YOLOv5模型與對比模型的檢測速度，結果如表4所示。

由表3可知，相較于對比模型，所提模型的各項性能指標最高，平均精度、精確率、召回率 值分別達到96. 30% 、96. 77% （204 ，94.72% 96.27% 。由此說明，所提的改進YOLOv5模型在大型風電機組葉輪裂紋焊接缺陷檢測中，具有明顯的優越性，可更準確地識別葉輪裂紋焊接缺陷。

由表4可知，相較于對比模型，所提改進YOLOv5模型的檢測速度更快，達到22.38幀/s，均得到了不同程度的提升。由此說明，所提改進YOLOv5模型可更快檢測出大型風電機組葉輪裂紋焊接缺陷，具有一定的優越性。

5 結語

綜上所述，所提的大型風電機組葉輪裂紋焊接缺陷檢測方法，通過采用引入注意力機制和損失函數改進的YOLOv5模型進行目標檢測，實現了大型風電機組葉輪裂紋焊接缺陷檢測，檢測平均精度、精確率、召回率、 F₁ 值分別達到96.30%、96.77%、

94.72% 96.27% 。相較于改進前YOLOv5模型和常用缺陷檢測模型CNN模型、SSD模型、RESNET50模型，所提改進YOLOv5模型對大型風電機組葉輪裂紋焊接缺陷檢測具有更高的精度，且檢測速度更快，為22.38幀/s。

【參考文獻】

[1]王書坤，高林，伏德粟，等.改進的輕量型YOLOv5絕緣子缺陷檢測算法研究［J].湖北民族大學學報（自然科學版），2021，39（4） ：456-461.

[2]孫麗萍，譚少亨，周宏威，等.基于YOLOv5的林業有害生物檢測與識別[J].森林工程，2022，38（5）：104-109.

[3]豐玉華，魏怡，劉力手，等.面向跌倒行人的MP-YOLOv5檢測模型[J].重慶郵電大學學報（自然科學版），2023，35（5） ：960-970.

[4]宋明芮，唐海，徐洪勝.基于改進YOLOv5s的微表情識別研究[J].重慶科技學院學報（自然科學版），2023，25（6） ：65-71.

[5]白培瑞，王瑞，劉慶一，等.DS-YOLOv5：一種實時的安全帽佩戴檢測與識別模型［J].工程科學學報，2023，45（12） ：2108-2117.

[6]趙偉，王爽，趙東洋.基于 SD-YOLOv5s-4L的煤礦井下無人駕駛電機車多目標檢測[J].工礦自動化，2023，49（11） ：121-128.

[7]趙磊，矯立寬，翟冉，等.基于YOLOv5的瓶蓋封裝缺陷輕量化檢測算法［J].激光與光電子學進展，2023，60（22） ：139-148.

[8]楊振，李林，羅文婷，等.改進YOLOv5的瀝青路面病害檢測算法[J].計算機工程與設計，2023，44（11）：3360-3372.

[9]路琪，于元強，許道明，等.改進YOLOv5的小型旋翼無人機目標檢測算法[J].計算機科學，2023，50（S2）：212-219.

[10]蔣博，萬毅，謝顯中.改進YOLOv5s的輕量化鋼材表面缺陷檢測模型[J].計算機科學，2023，50（S2）：271-277.

[11]高英，吳玉虹.基于YOLOv5s的輕量化行人檢測算法[J].現代電子技術，2023，46（22）：151-158.

[12] 甄然，劉穎，孟凡華，等.基于YOLOv5的輕量化目標檢測算法[J].無線電工程，2023，53（6）：1242-1250.

[13］曾耀，高法欽.基于改進YOLOv5 的電子元件表面缺陷檢測算法［J].浙江大學學報（工學版），2023，57（3） ：455-465.

[14]周愛玲，譚光興.基于YOLOv5s的交通信號燈檢測算法［J].廣西科技大學學報，2023，34（4）：69-76.

[15]蒲玲玲，楊柳.改進YOLOv5的多車輛目標實時檢測及跟蹤算法［J].科學技術與工程，2023，23（28）：12159-12167.

[16]朱世元，方世鵬.基于深度學習的橡膠制品缺陷檢測技術創新[J].粘接，2023，50（7）：26-29.

[17]謝椿輝，吳金明，徐懷宇.改進YOLOv5的無人機影像小目標檢測算法［J].計算機工程與應用，2023，59（9） ：198-206.

[18]付宏建，白宏陽，郭宏偉，等.融合多注意力機制的光學遙感圖像目標檢測方法［J].光子學報，2022，51（12） ：312-320.

[19]高新陽，魏晟，溫志慶，等.改進YOLOv5輕量級網絡的柑橘檢測方法[J].計算機工程與應用，2023，59（11）：212-221.

［20］張東嶺.基于圖像處理的機械材料缺陷檢測技術研究[J].粘接.2022.49（6）：39-43.