针对风电叶片复合材料表面存在非均匀纹理、环境光干扰以及微小缺陷的情况,提出一种改进的YOLOv11s算法进行风电叶片表面缺陷的检测。首先,在主干网络引入VoVGSCSP模块,以此提高对微小特征的提取能力;其次,分别在颈部网络和头部网络之间...针对风电叶片复合材料表面存在非均匀纹理、环境光干扰以及微小缺陷的情况,提出一种改进的YOLOv11s算法进行风电叶片表面缺陷的检测。首先,在主干网络引入VoVGSCSP模块,以此提高对微小特征的提取能力;其次,分别在颈部网络和头部网络之间的3个分支引入CA(Coordinate Attention)注意力机制,更好地处理风电叶片表面缺陷之间的空间关系;然后,将CIoU(Complete IoU Loss)损失函数替换为MPDIoU(Minimum Point Distance Intersection over Union)损失函数,提升模型边界框的定位精度;最后,根据企业内部自制数据集,实验表明改进的YOLOv11s算法精确率平均提升5.51%,召回率平均提升5.92%,mAP@0.5平均提升7.22%,验证所提算法有效。展开更多
文摘针对风电叶片复合材料表面存在非均匀纹理、环境光干扰以及微小缺陷的情况,提出一种改进的YOLOv11s算法进行风电叶片表面缺陷的检测。首先,在主干网络引入VoVGSCSP模块,以此提高对微小特征的提取能力;其次,分别在颈部网络和头部网络之间的3个分支引入CA(Coordinate Attention)注意力机制,更好地处理风电叶片表面缺陷之间的空间关系;然后,将CIoU(Complete IoU Loss)损失函数替换为MPDIoU(Minimum Point Distance Intersection over Union)损失函数,提升模型边界框的定位精度;最后,根据企业内部自制数据集,实验表明改进的YOLOv11s算法精确率平均提升5.51%,召回率平均提升5.92%,mAP@0.5平均提升7.22%,验证所提算法有效。
