【技术实现步骤摘要】
本专利技术涉小目标检测，尤其涉及基于注意力机制特征融合的风电叶片小尺寸缺陷检测方法。
技术介绍
1、能源一直是人类生活和社会运行的重要驱动力。然而，由于石油、天然气等化石燃料的有限性及其持续开采和消耗，能源短缺的问题日益严重。风能作为一种绿色环保的可再生能源，对优化我国能源结构具有重要意义。其中，风力发电机叶片是获取风能的重要组件，直接影响整体发电性能。由于精度控制、加工技术、环境污染以及制造过程中的仪器和设备误差等多种因素的复杂耦合作用，叶片的成型过程中存在固有缺陷。这些缺陷会对整个系统的发电效率产生负面影响，因此，检测叶片表面的缺陷至关重要。
2、传统检测方法，如超声波检测、红外热成像以及基于手工特征提取的图像处理技术，通常依赖专家设计特定的特征提取算法，并且需要大量的人工操作，这不仅耗时费力，还容易受到人为因素的影响，导致检测精度和一致性不足；相较于传统方法，深度学习不仅提高了检测效率，显著减少了人工干预，还在精度上有着更大的提升，能够更有效地识别复杂形态的缺陷；
3、公开号为cn118014987a，使用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，尽管se注意力机制能够调整每个通道的注意力权重，但由于其做了全局平均池化，对模型参数进行了压缩处理，导致其针对小目标检测精度下降。
4、公开号为cn118644680a，将yolov5模型中的cbs模块替换为haar小波注意模块，haar小波只是针对裂纹检测，目标泛化能力弱。
技术实现思
1、针对现有方法的不足，本专利技术解决现有方法存在精度不足、泛化能力弱的问题。
2、本专利技术所采用的技术方案是：基于注意力机制特征融合的风电叶片小尺寸缺陷检测方法包括以下步骤：
3、步骤一、采集风机叶片缺陷图像；
4、作为本专利技术的一种优选实施方式，缺陷类别包括：掉漆、沙眼、裂纹、蒙皮破碎。
5、步骤二、利用c2f-dattention模块改进backbone层中的c2f模块，增强局部特征与全局上下文之间的交互；利用cafmfusion模块改进neck层，对多层特征进行融合，将不同尺度的特征进行整合，增强特征表达能力和判别力；
6、作为本专利技术的一种优选实施方式，c2f-dattention模块是将c2f模块中的bottleneck层替换为battleneck_dattention层，battleneck_dattention＝dattention(cov1×1(cov1×1(input))，dattention为可变形注意力。
7、作为本专利技术的一种优选实施方式，cafmfusion模块将backbone层的第五c2f模块的输出特征与neck层的低十六c2f模块的输出特征进行融合。
8、作为本专利技术的一种优选实施方式，cafmfusion模块的构建包括：
9、首先利用1×1卷积对低维特征进行通道调整，将调整后的低维特征层与高维特征层进行合并，得到initial；
10、在局部结构中，首先使用1×1卷积调整通道尺寸，随后经过通道洗牌操作，再利用3×3×3卷积提取特征，得到局部特征l1；
11、在全局结构中，首先通过1×1卷积和3×3×3卷积生成查询矩阵q、键值矩阵k和特征值矩阵v，得到形状为h×w×c的三个张量；再接着，对q和k进行矩阵乘法并通过softmax操作获得权重矩阵，将其与v矩阵进行点积，最后与initial特征相加，得到全局特征l2；
12、将全局特征pattn1与初始特征initial进行通道维度上的拼接，使用7×7卷积提取融合特征，再经过sigmoid得到加权系数pattn2；初始特征initial与加权后的特征通过3×3卷积操作输出特征out。
13、步骤三、利用损失函数作为改进yolov8网络的度量标准；
14、作为本专利技术的一种优选实施方式，损失函数采用nwdloss。
15、作为本专利技术的一种优选实施方式，采用精确率、召回率、iou-0.5和iou-0.5-9.95对改进yolov8网络进行评价。
16、作为本专利技术的一种优选实施方式，基于注意力机制特征融合的风电叶片小尺寸缺陷检测系统，包括：存储器，用于存储可由处理器执行的指令；处理器，用于执行指令以实现基于注意力机制特征融合的风电叶片小尺寸缺陷检测方法。
17、作为本专利技术的一种优选实施方式，存储有计算机程序代码的计算机可读介质，计算机程序代码在由处理器执行时实现基于注意力机制特征融合的风电叶片小尺寸缺陷检测方法。
18、本专利技术的有益效果：
19、1、构建c2f-dattention加强局部特征与全局上下文之间的交互，保持整体视野的同时，精确捕捉局部特征；
20、2、构建cafmfusion模块，对低层和高层特征进行融合，增强特征的表达能力和判别力；通过引入注意力机制，动态调整特征之间的权重分配，使检测器更敏感于小目标的关键特征，进一步提升小目标检测的精度和稳定性；
21、3、利用nwdloss损失函数提高检测精度。
本文档来自技高网...【技术保护点】
1.基于注意力机制特征融合的风电叶片小尺寸缺陷检测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于注意力机制特征融合的风电叶片小尺寸缺陷检测方法，其特征在于，C2F-DAttention模块是将C2F模块中的Bottleneck层替换为Battleneck_Dattention层，Battleneck_Dattention＝Dattention(Cov1×1(Cov1×1(input))，Dattention为可变形注意力。
3.根据权利要求1所述的基于注意力机制特征融合的风电叶片小尺寸缺陷检测方法，其特征在于，CAFMFusion模块将Backbone层的第五C2F模块的输出特征与Neck层的低十六C2F模块的输出特征进行融合。
4.根据权利要求3所述的基于注意力机制特征融合的风电叶片小尺寸缺陷检测方法，其特征在于，CAFMFusion模块的构建包括：
5.根据权利要求1所述的基于注意力机制特征融合的风电叶片小尺寸缺陷检测方法，其特征在于，损失函数采用NWDLoss。
6.根据权利要求1所述的基于注意力机
7.根据权利要求1所述的基于注意力机制特征融合的风电叶片小尺寸缺陷检测方法，其特征在于，缺陷类别包括：掉漆、沙眼、裂纹、蒙皮破碎。
8.基于注意力机制特征融合的风电叶片小尺寸缺陷检测系统，其特征在于，包括：存储器，用于存储可由处理器执行的指令；处理器，用于执行指令以实现如权利要求1-7任一项所述的基于注意力机制特征融合的风电叶片小尺寸缺陷检测方法。
9.存储有计算机程序代码的计算机可读介质，其特征在于，计算机程序代码在由处理器执行时实现如权利要求1-7任一项所述的基于注意力机制特征融合的风电叶片小尺寸缺陷检测方法。
...【技术特征摘要】
1.基于注意力机制特征融合的风电叶片小尺寸缺陷检测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于注意力机制特征融合的风电叶片小尺寸缺陷检测方法，其特征在于，c2f-dattention模块是将c2f模块中的bottleneck层替换为battleneck_dattention层，battleneck_dattention＝dattention(cov1×1(cov1×1(input))，dattention为可变形注意力。
3.根据权利要求1所述的基于注意力机制特征融合的风电叶片小尺寸缺陷检测方法，其特征在于，cafmfusion模块将backbone层的第五c2f模块的输出特征与neck层的低十六c2f模块的输出特征进行融合。
4.根据权利要求3所述的基于注意力机制特征融合的风电叶片小尺寸缺陷检测方法，其特征在于，cafmfusion模块的构建包括：
5.根据权利要求1所...
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。