基于改进YOLOv5s的风电叶片表面缺陷检测方法

doi:10.3969/j.issn.1004-132X.2025.09.023

摘要/Abstract

摘要：

为了提高风电机组叶片健康监测技术的智能化、高效化、便捷化发展，依据目标识别技术提出一种基于改进YOLOv5s算法的风电叶片表面缺陷检测方法。首先将YOLOv5s算法的原始骨干网络用渐进特征金字塔网络（AFPN）替换，增强了网络的学习能力；其次将卷积块注意力模块（CBAM）嵌入到主干提取网络中，提高了模型对叶片表面缺陷特征的提取能力；然后使用最小点距离交并比（MPDIoU）损失函数替换CIoU损失函数，提高了边界框定位精度；最后，采用改进的检测方法对某风电机组叶片进行缺陷检测。检测结果表明，改进后的算法在精确率、召回率和平均精度均值（mAP）等方面分别提高了4.1%、2.9%和4.8%，达到了91.9%、89.3%和93.5%，具有显著的精度优势和更好的模型稳定性。

关键词: 风电叶片, 缺陷检测, 渐进特征金字塔网络, 卷积块注意力模块

Abstract:

In order to improve the intelligent， efficient， and convenient development of wind turbine blade health monitoring technology， a wind turbine blade surface defect detection method was proposed based on improved YOLOv5s algorithm according to target recognition technology. Firstly， the original backbone network of YOLOv5s was replaced with an AFPN to enhance the network's learning ability. Secondly， the CBAM was embedded into the backbone extraction network， which enhanced the model's ability to extract surface defect features of leaves. Then， the minimum point distance intersection over union（MPDIoU） loss function was used to replace the CIoU loss function， improving the precision of bounding box localization. Finally， an improved detection method was used to detect defects in the blades of a certain wind turbine unit. The detection results show that the improved algorithm improves precision， recall and mean average precision（mAP） by 4.1%， 2.9% and 4.8%， respectively， reaching as 91.9%， 89.3% and 93.5%， which has significant precision advantages and better model stability.

Key words: wind turbine blade, defect detection, asymptotic feature pyramid network（AFPN）, convolutional block attention module （CBAM）

中图分类号:

TP391.4

王俊, 高贵兵. 基于改进YOLOv5s的风电叶片表面缺陷检测方法[J]. 中国机械工程, 2025, 36(9): 2108-2116.

Jun WANG, Guibing GAO. A Method for Detecting Surface Defects on Wind Turbine Blades Based on Improved YOLOv5s[J]. China Mechanical Engineering, 2025, 36(9): 2108-2116.

导出引用管理器 EndNote|Ris|BibTeX

链接本文: https://www.cmemo.org.cn/CN/10.3969/j.issn.1004-132X.2025.09.023

https://www.cmemo.org.cn/CN/Y2025/V36/I9/2108

图/表 12

图1 YOLOv5s网络结构图

Fig.1 YOLOv5s network structure diagram

图2 AFPN的结构

Fig.2 AFPN structure

图3 通道注意力模块结构图

Fig.3 Diagram of channel attention module structure

图4 空间注意力模块结构图

Fig.4 Diagram of spatial attention module structure

图5 数据集部分图像

Fig.5 Part of the image of the data set

表1 损失函数对比实验 (%)

Tab.1 Loss function comparison experiment

损失函数	P	R	mAP@0.5	mAP@0.5：0.95
YOLOv5s+CIoU	87.8	86.4	88.7	66.9
YOLOv5s+EIoU	89.9	87.6	89.5	67.7
YOLOv5s+Alpha IoU	85.0	80.8	84.4	64.5
YOLOv5s+SIoU	88.3	86.5	88.7	66.8
YOLOv5s+WIoU	90.2	88.8	89.9	67.6
YOLOv5s+MPDIoU	88.9	87.5	90.5	68.1

表2 YOLOv5s改进前后的消融实验结果分析

Tab.2 Results of improved YOLOv5s ablation test

实验	AFPN	CBAM	MPDIoU	P/%	R/%	mAP@0.5/%	mAP@0.5：0.95/%	Parameters
1	×	×	×	87.8	86.4	88.7	66.9	7 015 519
2	√	×	×	88.3	86.9	90.3	67.4	7 554 444
3	×	√	×	90.1	87.0	91.0	67.8	7 048 385
4	×	×	√	88.9	87.5	90.5	68.1	7 015 519
5	×	√	√	91.0	87.6	92.7	69.2	7 048 385
6	√	×	√	90.4	86.3	92.3	68.8	7 554 444
7	√	√	×	91.3	87.6	93.0	68.5	7 587 310
8	√	√	√	91.9	89.3	93.5	69.4	7 587 310

表3 常见算法性能比较

Tab.3 Common algorithm performance comparison

算法	Parameters/M	FLOPs/G	mAP@0.5	FPS
SSD	22.67	88.26	81.9	94
Faster R-CNN	41.43	105.2	85.4	21
YOLOv5s	7.02	15.8	88.7	112
YOLOv6	9.67	24.84	83.3	122
YOLOv7	37.2	104.7	87.5	86
YOLOv8	11.13	28.4	90.5	155
YOLOv5s-ACM	7.59	20.3	93.5	138

图6 WTB数据集部分图像

Fig.6 Part of the image of the WTB data set

表4 不同数据集算法对比

Tab.4 Comparison of algorithms on different datasets

算法	mAP@0.5/%	FPS
SSD	79.4	90
Faster R-CNN	84.1	17
YOLOv5s	89.6	110
YOLOv6	81.5	116
YOLOv8	90.1	146
YOLOv5s-ACM	93.6	138

图7 叶片数据集检测结果对比

Fig.7 Comparison of detection results for blade data set

图8 WTB 数据集检测结果对比

Fig.8 Comparison of detection results for WTB data set

参考文献 24

[1]	陈雪峰，郭艳婕，许才彬，等．风电装备故障诊断与健康监测研究综述［J］．中国机械工程，2020，31（2）：175-189.
	CHEN Xuefeng， GUO Yanjie， XU Caibin， et al. Review of Research on Fault Diagnosis and Health Monitoring of Wind Power Equipment［J］. China Mechanical Engineering， 2020， 31（2）：175-189.
[2]	胡蓓，吴永康，郭子君，等.风力发电叶片裂缝监测技术综述［J］.高压电器，2022，58（7）：93-100.
	HU Bei， WU Yongkang， GUO Zijun， et al. Overview of Crack Monitoring Technology for Wind Power Generation Blades［J］. High Voltage Apparatus， 2022， 58（7）：93-100.
[3]	周季峰，石腾，许波峰.风电机组叶片损伤故障检测技术研究进展［J］.新能源进展，2023，11（6）：556-563.
	ZHOU Jifeng， SHI Teng， XU Fengfeng. Research Progress on Blade Damage Fault Detection Techno-logy for Wind Turbines［J］. New Energy Progress， 2023， 11（6）：556-563.
[4]	DAVIS M， DEJESUS N E， SHEKARAMIZ M， et al.Identification and Localization of Wind Turbine Blade Faults Using Deep Learning［J］.Applied Sciences， 2024，14（14）：6319-6319.
[5]	蔺雪峰，赵江，孟秀俊，等.基于叶片加速度振动信号的风机叶片状态监测系统［J］.机械设计与制造工程，2024，53（5）：96-100.
	LIN Xuefeng， ZHAO Jiang， MENG Xiujun， et al. Wind Turbine Blade Condition Monitoring System Based on Blade Acceleration Vibration Signals［J］. Mechanical Design and Manufacturing Engineering， 2024， 53（5）：96-100.
[6]	章学兵，骆国防.基于风机叶片缺陷的超声波检测方法分析［J］.河北电力技术，2022，41（1）：76-79.
	ZHANG Xuebing， LUO Guofang. Analysis of Ultrasonic Detection Method Based on Wind Turbine Blade Defects［J］. Hebei Electric Power Technology， 2022， 41（1）：76-79.
[7]	董文轩，梁宏涛，刘国柱，等.深度卷积应用于目标检测算法综述［J］.计算机科学与探索，2022，16（5）：1025-1042.
	DONG Wenxuan， LIANG Hongtao， LIU Guozhu， et al. A Review of Deep Convolution Applied to Object Detection Algorithms［J］. Computer Science and Exploration， 2022，16（5）：1025-1042.
[8]	LI R K， DUAN J L， DENG J Y， et al.Pest Detection Based on Lightweight Locality-Aware Faster R-CNN［J］.Agronomy，2024，14（10）：2303-2303.
[9]	MAHESHA Y， NAGARAJU C.Spotting Congenital Heart Diseases Using Palm Print Based on Faster R-CNN and Spatial Method［J］.International Journal of Medical Engineering and Informatics，2024，16（1）：56-70.
[10]	ALSHAWABKEH S， WU L， DONG D， et al.A Hybrid Approach for Pavement Crack Detection Using Mask R-CNN and Vision Transformer Model［J］.Computers， Materials & Continua，2025，82（1）：561-577.
[11]	苏步宇，杜小平，慕号伟，等.耦合Mask R-CNN和注意力机制的建筑物提取及后处理策略［J］.遥感技术与应用，2024，39（3）：620-632.
	SU Buyu， DU Xiaoping， MU Haowei， et al. Building Extraction and Post-processing Strategy Coupling Mask R-CNN and Attention Mechanism［J］. Remote Sensing Technology and Applications， 2024， 39（3）：620-632.
[12]	冯冰，杜岳凡，金尧，等.改进Faster R-CNN的变电站电气主接线图图元检测［J］.哈尔滨理工大学学报， 2025， 30（4）：39-47.
	FENG Bing， DU Yuefan， JIN Yao， etc Improving Faster R-CNN for Substation Electrical Main Wiring Diagram Element Detection［J］. Journal of Harbin Institute of Technology， 2025， 30（4）：39-47.
[13]	XIAO M， GONG Y， WANG H， et al.Defect Detection of Light Guide Plate Based on Improved YOLOv5 Networks［J］.Optoelectronics Letters，2024，20（9）：560- 567.
[14]	ATREY J， REGUNATHAN R， RAJASEKARAN R.Real-world Application of Face Mask Detection System Using YOLOv6［J］.International Journal of Critical Infrastructures，2024，20（3）：216-240.
[15]	LI J， LIU Y， LI C， et al.Pineapple Detection with YOLOv7-Tiny Network Model Improved via Pruning and a Lightweight Backbone Sub-Network［J］.Remote Sensing，2024，16（15）：2805-2805.
[16]	CHEN C， CHEN Z， LI H， et al.Research on Defect Detection in Lightweight Photovoltaic Cells Using YOLOv8-FSD［J］.Sensors，2025，25（3）：843-843.
[17]	ZHONG X.CAL-SSD：Lightweight SSD Object Detection Based on Coordinated Attention［J］.Signal， Image and Video Processing，2024，19（1）：31-31.
[18]	ISLAM T， SARKER T T， AHMED R K， et al.Detection and Classification of Cannabis Seeds Using RetinaNet and Faster R-CNN［J］.Seeds，2024，3（3）：456-478.
[19]	鄢之麟，钟收成，孙进，等.基于CCD-YOLOv5算法的铸件表面缺陷检测模型［J］.特种铸造及有色合金，2024，44（8）：1083-1089.
	YAN Zhilin， ZHONG Cailiang， SUN Jin， et al. A surface Defect Detection Model for Castings Based on CCD-YOLOv5 Algorithm［J］. Special Casting and Nonferrous Alloys， 2024， 44（8）：1083-1089.
[20]	徐东亮，赖九衡，杨会兰.基于改进YOLOv5s的拉挤板缺陷检测［J］.复合材料科学与工程，2025（5）：132-141.
	XU Dongliang， LAI Jiuheng， YANG Huilan. Defect Detection of Extruded Plates Based on Improved YOLOv5s［J］. Composite Materials Science and Engineering，2025（5）：132-141.
[21]	孙铁强，秦愿伟，宋超，等.基于改进YOLOv7的钢卷端面缺陷检测［J］.现代制造工程，2024（7）：117-125.
	SUN Tieqiang， QIN Yuanwei， SONG Chao， et al. Steel Coil End Face Defect Detection Based on Improved YOLOv7［J］. Modern Manufacturing Engineering， 2024（7）：117-125.
[22]	郭桂标，邢雪，刘宇琦，等.融合SA注意力机制的YOLO5s在石油油管表面缺陷检测的应用［J］.机床与液压，2024，52（24）：228-235.
	GUO Guibiao， XING Xue， LIU Yuqi， et al. Application of YOLO5s with SA Attention Mechanism in Surface Defect Detection of Oil Pipelines［J］. Machine Tool and Hydraulic， 2024， 52（24）：228-235.
[23]	王林琳，龚昭昭，梁泽启.改进YOLOv5s算法的带钢表面缺陷检测［J］.组合机床与自动化加工技术，2024（12）：181-186.
	WANG Linlin， GONG Zhaozhao， LIANG Zeqi. Improved YOLOv5s Algorithm for Surface Defect Detection of Strip Steel［J］. Combined Machine Tool and Automation Processing Technology， 2024（12）：181-186.
[24]	张晖耀，黄力湘，陈继清，等.基于改进YOLOv5s的草莓成熟度检测算法［J］.南京农业大学学报，2025，48（4）：990-999.