【技术实现步骤摘要】
本专利技术涉及风机叶片检测，尤其涉及一种基于yolov8改进的风机叶片损伤检测方法。
技术介绍
1、随着科学技术及硬件设备的不断发展，风机叶片故障检测领域也逐渐拓宽。在无人机还未广泛应用时，国内外研究者主要通过传感器获取的信号来判断风机叶片是否存在故障，主要的检测方法如表1所示有红外热成像、超声波检测、基于振动信号的故障检测、声发射检测、光栅光纤检测等，超声波检测、基于振动信号的故障检测、声发射检测、光栅光纤检测这四类检测方式一般需要将传感器安装在叶片上进行检测。
2、经检索，公告号cn114215702b的中国专利，公开了风机叶片故障检测方法、系统，其提出通过建立风机振动频率指标模型数据库以及安装光纤传感器与风机叶片相对应，实现风机叶片的故障诊断；
3、公告号cn117419010a的中国专利，公开了一种基于深度学习的风机叶片健康监测方法及其故障检测方法，其通过结合深度学习对风机叶片的裂纹进行监测。
4、深度卷积神经网络在学习图片高层次特征方面表现出强大的能力，这让深度卷积神经网络逐渐成为目前风机叶片损伤检测方向的主要技术；yolov8是最新最先进的yolo模型，轻量化且性能好，然而，对于风机叶片的故障来说，如何增强网络的特征提取能力，提高网络对小目标的检测能力，并保证检测精度不下降，以此实现实时性和多场所适用性，是亟需解决的问题。
技术实现思路
1、本专利技术的目的是为了解决现有技术中存在的缺陷，而提出的基于yolov8改进的风机叶片损伤检测
2、为了实现上述目的，本专利技术采用了如下技术方案：
3、一种基于yolov8改进的风机叶片损伤检测方法，包括以下步骤：
4、s1：建立测试数据集：采集图像数据，之后对腐蚀、裂纹、叶片边缘损伤、雷击4种缺陷图像通过几何变换对图像进行数据增强，从而获得由待检测图像3500张构成的测试数据集；
5、s2：调整和配置相应的参数建立yolov8的神经网络模型，并改进yolov8的神经网络模型；
6、s3：训练以优化yolov8的网络模型：将腐蚀、裂纹、叶片边缘损伤，雷击4种经过数据增广的风机叶片损伤图像，输入到yolov8的网络模型中，对yolov8的网络模型进行训练，以优化yolov8的网络模型，生成图片；yolov8的网络模型进行训练每训练一次，对应生成一权重文件；
7、s4：将训练好的权重文件保存到yolov8的网络模型，之后基于训练好的权重文件，输入程序，对yolov8的检测速度进行测试并输出测试结果。
8、进一步地，在步骤s2中，改进yolov8的神经网络模型的具体流程为：用bifpn替代了原本的panet；在特征提取网络层上加入se注意力机制并使用wiou代替yolov8的ciou。
9、进一步地，在步骤s2中：
10、bifpn通过在panet的基础上添加额外的边实现特征的传递和融合；
11、se注意力机制主要包括squeeze、excitation和scale操作，其中：
12、squeeze操作对输入大小为h×w×c2的特征图进行全局平均池化，将其压缩为一个1×1×c2的向量；
13、excitation操作则将squeeze的结果通过全连接层和激活函数得到每个通道注意力权重；
14、scale操作将通道注意力权重作用在原始特征上，得到经过注意力机制加权的特征。
15、相比于现有技术，本专利技术的有益效果在于：
16、改进后的yolov8相较于其他yolo算法在物体检测的精度上有所提升，能够更准确地检测和定位目标物体；
17、尽管在精度上有所提升，但改进后yolov8在保证较高精度的同时仍然能够保持较快的检测速度，这对于实时应用非常重要；
18、改进后的yolov8相较于yolov5和yolov4算法，模型比较小，可以应用于很多场所。
本文档来自技高网...【技术保护点】
1.一种基于YOLOV8改进的风机叶片损伤检测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于YOLOV8改进的风机叶片损伤检测方法，其特征在于，在步骤S2中，改进YOLOv8的神经网络模型的具体流程为：用Bifpn替代了原本的PANet；在特征提取网络层上加入SE注意力机制并使用WIoU代替YOLOv8的CIoU。
3.根据权利要求2所述的基于YOLOV8改进的风机叶片损伤检测方法，其特征在于，在步骤S2中：
【技术特征摘要】
1.一种基于yolov8改进的风机叶片损伤检测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于yolov8改进的风机叶片损伤检测方法，其特征在于，在步骤s2中，改进yolov8的神经网络模型的具体流程...
【专利技术属性】
技术研发人员：笪贤文，陆丽，王宗良，阮晓鹏，
申请(专利权)人：上海电机学院，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。