大型風(fēng)電機(jī)組葉輪裂紋焊接圖像檢測(cè)技術(shù)研究

中圖分類號(hào)：TQ110.5 文獻(xiàn)標(biāo)志碼：A 文章編號(hào)：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(fēng)電機(jī)組是風(fēng)能發(fā)電的關(guān)鍵設(shè)備，對(duì)風(fēng)能發(fā)電效率和運(yùn)行狀態(tài)具有重要意義。然而由于大型風(fēng)電機(jī)組的葉輪在焊接過程中，會(huì)受到焊接應(yīng)力的影響，導(dǎo)致葉輪產(chǎn)生裂紋，不利于其平衡，進(jìn)而影響發(fā)電效率。基于此，本研究結(jié)合YOLOv5模型在目標(biāo)檢測(cè)領(lǐng)域的應(yīng)用，如王書坤等利用輕量型YOLOv5模型，實(shí)現(xiàn)了對(duì)電網(wǎng)線路絕緣子的缺陷檢測(cè)[1]；孫麗萍等以YOLOv5模型為檢測(cè)模型，實(shí)現(xiàn)了對(duì)林業(yè)中的有害物檢測(cè)與識(shí)別[2]；豐玉華等在YOLOv5的基礎(chǔ)上，引入多頭自注意力，實(shí)現(xiàn)了對(duì)跌倒行人的檢測(cè)[3]，發(fā)現(xiàn)YOLOv5模型具有優(yōu)異的目標(biāo)檢測(cè)性能。本研究選擇YOLOv5模型為基礎(chǔ)框架，通過在YOLOv5模型的基礎(chǔ)上引入注意力機(jī)制，并改進(jìn)其損失函數(shù)，以提高模型的性能，提出一種改進(jìn)YOLOv5的大型風(fēng)電機(jī)組葉輪裂紋焊接缺陷圖像檢測(cè)方法。

1 基本算法

1.1 YOLOv5模型簡(jiǎn)介

YOLOv5模型是一種目標(biāo)檢測(cè)算法，主要包括輸入端、主干網(wǎng)絡(luò)、頸部網(wǎng)絡(luò)和輸出端四個(gè)部分[4-5]。其中，輸入端是由3個(gè)不同的輸入層組成，負(fù)責(zé)對(duì)大、中、小3種不同尺度的目標(biāo)進(jìn)行輸入；主干網(wǎng)絡(luò)使用CSPDarknet53網(wǎng)絡(luò)，負(fù)責(zé)對(duì)特征輸入圖像特征進(jìn)行提取；頸部網(wǎng)絡(luò)為特征圖金字塔（FPN）網(wǎng)絡(luò)，可實(shí)現(xiàn)不同特征圖層次信息的融合；輸出端使用Focalloss損失函數(shù)解決目標(biāo)檢測(cè)中類別不平衡問題，并使用非極大抑制對(duì)重疊目標(biāo)框進(jìn)行處理，可提高模型性能[6-7]

YOLOv5模型具有結(jié)構(gòu)簡(jiǎn)單的特點(diǎn)，并通過使用CSPDarknet53、FPN等技術(shù)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(fēng)電機(jī)組葉輪裂紋焊接缺陷圖像檢測(cè)的基本框架。

1.2 YOLOv5模型改進(jìn)

1.2.1 引入注意力機(jī)制

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

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(jī)制，通過利用通道注意力模塊對(duì)每個(gè)通道特征表達(dá)進(jìn)行增強(qiáng)，利用空間注意力模塊提取空間關(guān)鍵信息，可增強(qiáng)特征表示，強(qiáng)化對(duì)重要特征的學(xué)習(xí)能力，進(jìn)而提高模型性能[10-1]。本研究將 CBAM 注意力機(jī)制與CSPDarknet53網(wǎng)絡(luò)相結(jié)合，通過將CBAM注意力機(jī)制添加在CSPDarknet53網(wǎng)絡(luò)之后，以實(shí)現(xiàn)對(duì)重要特征的注意力學(xué)習(xí)，提高模型檢測(cè)性能。

引入CBAM注意力機(jī)制的YOLOv5模型網(wǎng)絡(luò)結(jié)

構(gòu)如圖1所示。

1.2.2 損失函數(shù)改進(jìn)

YOLOv5模型的輸出端使用Focalloss函數(shù)作為損失函數(shù)，可計(jì)算物體置信度損失、物體分類損失和預(yù)測(cè)框位置損失，而預(yù)測(cè)框位置損失又分為真實(shí)框和預(yù)測(cè)框交并比損失、寬高比距離損失和中心點(diǎn)距離損失3部分[12-14]。其中，寬高比距離損失是通過計(jì)算真實(shí)框和預(yù)測(cè)框的寬高比值進(jìn)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(shù)； w_gt，w 分別表示真實(shí)框和預(yù)測(cè)框的寬； h_gt?h 分別表示真實(shí)框和預(yù)測(cè)框的高。

根據(jù)式（1）可知，當(dāng)預(yù)測(cè)框與真實(shí)框的寬高比為線性關(guān)系時(shí)，預(yù)測(cè)框的寬和高不能同時(shí)減小或同時(shí)增大，導(dǎo)致 YOLOv5 模型無法收斂[15-16]。本研究通過直接計(jì)算預(yù)測(cè)框和真實(shí)框的寬和高的差值，來替換寬高比的距離損失，對(duì)YOLOv5模型損失函數(shù)中寬高比距離損失計(jì)算方法進(jìn)行了改進(jìn)。

改進(jìn)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(shí)框和預(yù)測(cè)框最小外界框的寬度和高度。

改進(jìn)后的YOLOv5模型損失函數(shù)可表示為：

式中：IOU為真實(shí)框與預(yù)測(cè)框的交并比損失； c 為2個(gè)后選礦最小包圍框?qū)蔷€長(zhǎng)度； b_gt?b 分別表示真實(shí)框和預(yù)測(cè)框的中心點(diǎn)。

2基于改進(jìn)YOLOv5的大型風(fēng)電機(jī)組葉輪 裂紋焊接缺陷檢測(cè)

（1）圖像采集與預(yù)處理。利用無人機(jī)拍攝大型風(fēng)電機(jī)組葉輪裂紋焊接缺陷圖像，并對(duì)圖像進(jìn)行翻轉(zhuǎn)、平移等增強(qiáng)處理，然后統(tǒng)一所有圖像為滿足YOLOv5模型輸入的尺寸；

（2）劃分?jǐn)?shù)據(jù)集。將上述預(yù)處理后的大型風(fēng)電機(jī)組葉輪裂紋焊接缺陷圖像按比例隨機(jī)劃分為兩個(gè)部分，并以數(shù)據(jù)量大的部分作為訓(xùn)練集，以數(shù)據(jù)量小

的部分作為測(cè)試集;

（3）構(gòu)建并訓(xùn)練改進(jìn)YOLOv5模型。基于Pytorch深度學(xué)習(xí)框架搭建改進(jìn)YOLOv5模型，然后將訓(xùn)練集輸入模型中進(jìn)行學(xué)習(xí)和訓(xùn)練，當(dāng)達(dá)到訓(xùn)練完成條件時(shí)，保存模型；

（4）葉輪裂紋焊接缺陷檢測(cè)。將待檢測(cè)的測(cè)試集中大型風(fēng)電葉輪裂紋焊接缺陷圖像輸入保存的改進(jìn)YOLOv5模型中，其輸出結(jié)果即為大型風(fēng)電機(jī)組葉輪裂紋焊接缺陷檢測(cè)結(jié)果。

4 結(jié)果與分析

4.1 模型驗(yàn)證

4.1.1 可行性驗(yàn)證

為驗(yàn)證所提改進(jìn)YOLOv5模型的可行性，采用誤差反向傳播算法對(duì)改進(jìn)YOLOv5模型進(jìn)行訓(xùn)練，并記錄了其訓(xùn)練過程中的損失值和精確率變化，結(jié)果如圖2所示。

3 仿真實(shí)驗(yàn)

3.1 實(shí)驗(yàn)環(huán)境搭建

本次實(shí)驗(yàn)基于PyTorch 深度學(xué)習(xí)框架、Python語言和PyCharm編程環(huán)境搭建改進(jìn)YOLOv5仿真模型，并基于64位Windows10操作系統(tǒng)運(yùn)行。系統(tǒng)配置IntelCorei7-10710UCPU，64G內(nèi)存。

3.2 數(shù)據(jù)來源及預(yù)處理

本次實(shí)驗(yàn)數(shù)據(jù)來自使用TrimbleUX5無人機(jī)拍攝的大型風(fēng)電機(jī)組葉輪裂紋焊接缺陷圖像，共1000張。考慮到所采集的數(shù)據(jù)量較小，而改進(jìn)YOLOv5模型訓(xùn)練需要大量的數(shù)據(jù)。因此，實(shí)驗(yàn)前對(duì)數(shù)據(jù)進(jìn)行了翻轉(zhuǎn)、平移、隨機(jī)縮減等數(shù)據(jù)增強(qiáng)處理，共得到5000張實(shí)驗(yàn)用圖像。

為滿足改進(jìn)YOLOv5模型輸入圖像的格式需求，實(shí)驗(yàn)前將每張圖像像素比例統(tǒng)一為640×640，并將圖像劃分為訓(xùn)練集和測(cè)試集兩個(gè)部分[17-18]其中，訓(xùn)練集數(shù)據(jù)包括4000張大型風(fēng)電機(jī)組葉輪裂紋焊接缺陷圖像，測(cè)試集數(shù)據(jù)包括1000張大型風(fēng)電機(jī)組葉輪裂紋焊接缺陷圖像。

3.3 評(píng)價(jià)指標(biāo)

本次實(shí)驗(yàn)選用平均精度（mAP）、精確率（Preci-sion）、召回率（Recall） F₁ 值作為評(píng)估改進(jìn)YOLOv5模型檢測(cè)性能的指標(biāo)。其中，平均精度、精確率、召回率和F值的計(jì)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(biāo)系中，兩軸與曲線所圍的面積； N 表示目標(biāo)類別； m₁ 表示真正例； n₁ 表示假正例； n₂ 表示假負(fù)例。

3.4參數(shù)設(shè)置

本次試驗(yàn)設(shè)置改進(jìn)YOLOv5模型的最大迭代次數(shù)為100，批大小為4，目標(biāo)檢測(cè)類別數(shù)為1，輸入圖像像素比例為 640×640 。

由圖2可知，隨著迭代進(jìn)行，模型快速收斂，損失值穩(wěn)定在0.05左右，精確率穩(wěn)定在 97% 左右。由此說明，所提的改進(jìn)YOLOv5模型可行有效，可用于大型風(fēng)電機(jī)組葉輪裂紋焊接缺陷圖像檢測(cè)應(yīng)用中。

4.1.2 改進(jìn)效果驗(yàn)證

為驗(yàn)證本文對(duì)YOLOv5模型的改進(jìn)效果，實(shí)驗(yàn)對(duì)比了改進(jìn)前后YOLOv5模型在實(shí)驗(yàn)數(shù)據(jù)集上，對(duì)大型風(fēng)電機(jī)組葉輪裂紋焊接缺陷的檢測(cè)效果。表1為改進(jìn)前后YOLOv5模型在測(cè)試數(shù)據(jù)集上的各項(xiàng)性能指標(biāo)，其中，YOLOv5－A表示只引入注意力機(jī)制改進(jìn)的YOLOv5模型;YOLOv5-B表示只改進(jìn)損失函數(shù)的YOLOv5模型。

由表1可知，相較于改進(jìn)前的標(biāo)準(zhǔn)YOLOv5模型以及只引入注意力機(jī)制改進(jìn)的YOLOv5模型和只改進(jìn)損失函數(shù)的YOLOv5模型，所提的同時(shí)引入注意機(jī)制和改進(jìn)損失函數(shù)的YOLOv5模型具有更優(yōu)異的檢測(cè)性能，平均精度、精確率、召回率 值分別達(dá)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(jìn)YOLOv5模型可提高對(duì)大型風(fēng)電機(jī)組葉輪裂紋焊接缺陷的檢測(cè)精度，改進(jìn)有效。

檢測(cè)速度是衡量所提改進(jìn)YOLOv5模型是否具有可行性和推廣性的重要指標(biāo)。實(shí)驗(yàn)對(duì)比了YOLOv5模型改進(jìn)前后的檢測(cè)速度，結(jié)果如表2所示。

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

4.2 模型對(duì)比

為進(jìn)一步驗(yàn)證所提改進(jìn)YOLOv5模型對(duì)大型風(fēng)電機(jī)組葉輪裂紋焊接缺陷的檢測(cè)有效性和優(yōu)越性，實(shí)驗(yàn)對(duì)比了所提模型與常用缺陷檢測(cè)模型CNN模型、SSD模型、RESNET50模型在實(shí)驗(yàn)數(shù)據(jù)集上的各項(xiàng)性能指標(biāo)，結(jié)果如表3所示。此外，實(shí)驗(yàn)還對(duì)比了所提改進(jìn)YOLOv5模型與對(duì)比模型的檢測(cè)速度，結(jié)果如表4所示。

由表3可知，相較于對(duì)比模型，所提模型的各項(xiàng)性能指標(biāo)最高，平均精度、精確率、召回率 值分別達(dá)到96. 30% 、96. 77% （204 ，94.72% 96.27% 。由此說明，所提的改進(jìn)YOLOv5模型在大型風(fēng)電機(jī)組葉輪裂紋焊接缺陷檢測(cè)中，具有明顯的優(yōu)越性，可更準(zhǔn)確地識(shí)別葉輪裂紋焊接缺陷。

由表4可知，相較于對(duì)比模型，所提改進(jìn)YOLOv5模型的檢測(cè)速度更快，達(dá)到22.38幀/s，均得到了不同程度的提升。由此說明，所提改進(jìn)YOLOv5模型可更快檢測(cè)出大型風(fēng)電機(jī)組葉輪裂紋焊接缺陷，具有一定的優(yōu)越性。

5 結(jié)語

綜上所述，所提的大型風(fēng)電機(jī)組葉輪裂紋焊接缺陷檢測(cè)方法，通過采用引入注意力機(jī)制和損失函數(shù)改進(jìn)的YOLOv5模型進(jìn)行目標(biāo)檢測(cè)，實(shí)現(xiàn)了大型風(fēng)電機(jī)組葉輪裂紋焊接缺陷檢測(cè)，檢測(cè)平均精度、精確率、召回率、 F₁ 值分別達(dá)到96.30%、96.77%、

94.72% 96.27% 。相較于改進(jìn)前YOLOv5模型和常用缺陷檢測(cè)模型CNN模型、SSD模型、RESNET50模型，所提改進(jìn)YOLOv5模型對(duì)大型風(fēng)電機(jī)組葉輪裂紋焊接缺陷檢測(cè)具有更高的精度，且檢測(cè)速度更快，為22.38幀/s。

【參考文獻(xiàn)】

[1]王書坤，高林，伏德粟，等.改進(jìn)的輕量型YOLOv5絕緣子缺陷檢測(cè)算法研究［J].湖北民族大學(xué)學(xué)報(bào)（自然科學(xué)版），2021，39（4） ：456-461.

[2]孫麗萍，譚少亨，周宏威，等.基于YOLOv5的林業(yè)有害生物檢測(cè)與識(shí)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(cè)模型[J].重慶郵電大學(xué)學(xué)報(bào)（自然科學(xué)版），2023，35（5） ：960-970.

[4]宋明芮，唐海，徐洪勝.基于改進(jìn)YOLOv5s的微表情識(shí)別研究[J].重慶科技學(xué)院學(xué)報(bào)（自然科學(xué)版），2023，25（6） ：65-71.

[5]白培瑞，王瑞，劉慶一，等.DS-YOLOv5：一種實(shí)時(shí)的安全帽佩戴檢測(cè)與識(shí)別模型［J].工程科學(xué)學(xué)報(bào)，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(jī)車多目標(biāo)檢測(cè)[J].工礦自動(dòng)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(cè)算法［J].激光與光電子學(xué)進(jìn)展，2023，60（22） ：139-148.

[8]楊振，李林，羅文婷，等.改進(jìn)YOLOv5的瀝青路面病害檢測(cè)算法[J].計(jì)算機(jī)工程與設(shè)計(jì)，2023，44（11）：3360-3372.

[9]路琪，于元強(qiáng)，許道明，等.改進(jìn)YOLOv5的小型旋翼無人機(jī)目標(biāo)檢測(cè)算法[J].計(jì)算機(jī)科學(xué)，2023，50（S2）：212-219.

[10]蔣博，萬毅，謝顯中.改進(jìn)YOLOv5s的輕量化鋼材表面缺陷檢測(cè)模型[J].計(jì)算機(jī)科學(xué)，2023，50（S2）：271-277.

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

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

[13］曾耀，高法欽.基于改進(jìn)YOLOv5 的電子元件表面缺陷檢測(cè)算法［J].浙江大學(xué)學(xué)報(bào)（工學(xué)版），2023，57（3） ：455-465.

[14]周愛玲，譚光興.基于YOLOv5s的交通信號(hào)燈檢測(cè)算法［J].廣西科技大學(xué)學(xué)報(bào)，2023，34（4）：69-76.

[15]蒲玲玲，楊柳.改進(jìn)YOLOv5的多車輛目標(biāo)實(shí)時(shí)檢測(cè)及跟蹤算法［J].科學(xué)技術(shù)與工程，2023，23（28）：12159-12167.

[16]朱世元，方世鵬.基于深度學(xué)習(xí)的橡膠制品缺陷檢測(cè)技術(shù)創(chuàng)新[J].粘接，2023，50（7）：26-29.

[17]謝椿輝，吳金明，徐懷宇.改進(jìn)YOLOv5的無人機(jī)影像小目標(biāo)檢測(cè)算法［J].計(jì)算機(jī)工程與應(yīng)用，2023，59（9） ：198-206.

[18]付宏建，白宏陽，郭宏偉，等.融合多注意力機(jī)制的光學(xué)遙感圖像目標(biāo)檢測(cè)方法［J].光子學(xué)報(bào)，2022，51（12） ：312-320.

[19]高新陽，魏晟，溫志慶，等.改進(jìn)YOLOv5輕量級(jí)網(wǎng)絡(luò)的柑橘檢測(cè)方法[J].計(jì)算機(jī)工程與應(yīng)用，2023，59（11）：212-221.

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