欢迎来到知嘟嘟! 联系电话:13336804447 卖家免费入驻,海量在线求购! 卖家免费入驻,海量在线求购!
知嘟嘟
我要发布
联系电话:13336804447
知嘟嘟经纪人
收藏
专利号: 202510360450X
申请人: 湖南科技大学
专利类型:发明专利
专利状态:已下证
专利领域: 计算;推算;计数
更新日期:2026-11-16
缴费截止日期: 暂无
价格&联系人
年费信息
委托购买

摘要:

权利要求书:

1.一种基于轻量化YOLOv8的风机叶片表面损伤检测方法,其特征在于,包括以下步骤:

S1,构建数据集:通过无人机拍摄风机叶片图像,将无人机拍摄到的风机叶片图像进行标注,并划分出训练集、验证集和测试集;

S2,构建模型:引入CBAM注意力机制模块、GSConv模块、VoV-GSCSP模块和Dysample模块改进YOLOv8,构建面向资源受限无人机检测平台的风机叶片损伤图像检测模型;

所述步骤S2具体过程为:

S21:在YOLOv8主干中引入GSConv模块,利用不同卷积类型提取特征,促进特征之间的信息交互和融合;

S22:在YOLOv8颈部网络首端嵌入Dysample模块进行动态上采样,这一策略不仅使模型更加轻量化,还提升了检测平均准确度;

S23:在YOLOv8颈部网络尾端增加一次性聚合的跨阶段部分网络模块,即VoV-GSCSP模块,VoV-GSCSP模块以CSPNet为基础结合轻量化卷积GSConv和一次性聚合VoV,实现特征的提取和融合;

S24:在VoV-GSCSP模块尾端增加CBAM注意力机制模块,自适应学习通道和空间注意力权重,提高卷积神经网络的特征表达能力;

S25:得到基于轻量化YOLOv8的风机叶片表面损伤检测模型;

所述步骤S25中,得到的风机叶片损伤图像检测模型包括主干网络、颈部网络和头部网络;

所述主干网络包括依次连接的第一卷积模块、第二卷积模块、第一C2f模块、第三卷积模块、第二C2f模块、GSConv模块、第三C2f模块、第四卷积模块、第四C2f模块、SPPF模块;

所述颈部网络包括依次连接的Dysample模块、第一聚合模块、第五C2f模块、上采样模块、第二聚合模块、第六C2f模块、第五卷积模块、第三聚合模块、第七C2f模块、第六卷积模块、第四聚合模块、VoV-GSCSP模块、CBAM注意力机制模块,其中第五C2f模块和第三聚合模块连接,第二C2f模块与第二聚合模块连接,第三C2f模块与第一聚合模块连接,SPPF模块同时连接Dysample模块和第四聚合模块;

所述头部网络包括依次连接的第七卷积模块、第八卷积模块、第一Conv2d模块、Bbox.loss模块和依次连接的第九卷积模块、第十卷积模块、第二Conv2d模块、Cls.loss模块,第七卷积模块的输入端与第九卷积模块的输入端连接在一起并分别连接第六C2f模块、第七C2f模块和CBAM注意力机制模块;

S3:采用训练集对风机叶片损伤图像检测模型进行训练,并采用测试集进行测试,得到最优的风机叶片损伤图像检测模型;

S4:将测试集输入到最优的风机叶片损伤图像检测模型,输出风机叶片表面损伤检测结果;

S5:通过性能评价指标对风机叶片表面损伤检测结果进行有效性验证。

2.根据权利要求1所述的基于轻量化YOLOv8的风机叶片表面损伤检测方法,其特征在于,所述步骤S21中,所述步骤S21中,GSConv模块构造了两个卷积层,即标准卷积Conv和深度可分离卷积DWConv,标准卷积输入通道数为C1,输出通道数为C3,卷积核大小为1,步幅为1,分组数为1;深度可分离卷积输入通道数为C4,深度可分离卷积输出通道数为C5,卷积核大小为5,步幅为1,分组数为C6,C4、C5和C6三者相等,意味着每个输出通道只与一个输入通道进行卷积操作。

3.根据权利要求2所述的基于轻量化YOLOv8的风机叶片表面损伤检测方法,其特征在于,GSConv模块中,标准卷积Conv接收来自神经网络前一层的特征图作为输入,并将输入的特征图划分为多个小组,然后对每个分组进行标准的空间卷积操作,通过卷积操作提取特征图中的空间信息,输出新的特征图;标准卷积结果进一步进行深度可分离卷积,再将标准卷积和深度可分离卷积的输出结果在通道维度上进行拼接,在拼接过程中,使用通道混洗层shuffle将标准卷积中的特征进行分组和打乱使其特征完全渗透到深度可分离卷积生成的特征的每一部分。

4.根据权利要求1所述的基于轻量化YOLOv8的风机叶片表面损伤检测方法,其特征在于,所述步骤S22中,Dysample模块的输入为特征映射X,输出为采样集S,给定上采样比例因子s、尺寸大小为C×H×W的特征映射X、分组数g,令偏移量、原始采样网格分别表示为O和G,则有:S=G+O

O=0.5sigmoid(linear1(X))·linear2(X)

其中,sigmoid函数用于将线性层的输出映射到[0,1]之间,然后乘以0.5和线性层的输出,得到最终的偏移量O,采样集S是偏移量O与原始采样网格G的和,原始采样网格G是一个固定的网格,表示输入特征图中每个像素点的位置;

采样过程中,使用双线性插值的方法,根据采样集S中的偏移量和原始特征图中的像素值,生成上采样后的特征图。

5.根据权利要求1所述的基于轻量化YOLOv8的风机叶片表面损伤检测方法,其特征在于,所述步骤S23中,VoV-GSCSP模块中,首先将输入进行卷积操作,卷积操作用了两个卷积层,两个卷积层卷积核大小都为1,步幅为1,以C1为输入通道数输出C2/2取整的通道数,卷积操作后得到两个分支特征图,第一个分支特征图通过GSBottleneck操作后和第二个分支特征图进行拼接;

GSBottleneck包含了两个GSConv和一个Conv,第一个GSConv卷积核大小为1,第二个GSConv卷积核大小为3,第一个分支特征图通过第一个GSConv输出初步特征图,初步特征图再通过第二个GSConv输出第一特征图;另外,第一个分支特征图经过卷积核为1的Conv输出第二特征图;最后将得到的第一特征图和第二特征图相加,得到第一个分支特征图的输出结果,最后和第二个分支特征图进行拼接。

6.根据权利要求4所述的基于轻量化YOLOv8的风机叶片表面损伤检测方法,其特征在于,所述步骤S24中,CBAM注意力机制模块包括通道注意力模块和空间注意力模块;

通道注意力模块中,首先通过输入特征图进行全局最大池化和全局平均池化,以生成每个通道的最大值和平均值;然后将每个通道的最大值和平均值通过共享的全连接层MLP,学习每个通道的注意力权重;接着使用Sigmoid激活函数将注意力权重归一化到[0,1]区间;最后将学习到的注意力权重与通道注意力模块的原始输入特征图的每个通道相乘,实现通道维度的特征重标定;

空间注意力模块中,首先通过对通道注意力模块输出的特征图进行通道维度的平均池化和最大池化,以生成不同上下文尺度的特征;然后将两个不同上下文尺度的特征沿通道维度拼接,并通过卷积层进行处理,生成空间注意力权重;接着使用Sigmoid激活函数将权重归一化到[0,1]区间;最后将学习到的空间注意力权重与通道注意力模块输出的特征图的每个位置相乘,实现空间维度的特征重标定。

7.根据权利要求6所述的基于轻量化YOLOv8的风机叶片表面损伤检测方法,其特征在于,所述步骤S24中,CBAM注意力机制模块中,以F作为输入,F表示输入特征图,通过与通道注意力权重MC(F)逐通道相乘再和空间注意力权重MS(F′)逐位置相乘,推出通道注意增强后的特征图F′和空间注意增强后的特征图F″,运算过程表示为:其中,表示对应位置相乘;

MC(F)和MS(F′)具体运算过程如下:

其中AvgPool(F)表示对F进行平均池化操作;MaxPool(F)表示对F进行最大池化操作;MLP是共享的全连接层;W0、W1均是权重,分别表示F在通道注意力机制中的平均池化、最大池化操作,分别表示F′在空间注意力机制中的平均池化、最大池化操作,σ表示sigmoid激活函数,W0、W1∈RC/r×C,R是实数集,r表示减小比,f7×7表示7×7的卷积运算。

8.根据权利要求1所述的基于轻量化YOLOv8的风机叶片表面损伤检测方法,其特征在于,所述步骤S5中,性能评价指标包括精度Precision、召回率Recall、平均准确度mAP、每秒帧率FPS,性能评价指标的计算公式如下:其中,TP表示实际为正例且被分类器划分为正例的实例数,FP表示实际为负例但被分类器划分为正例的实例数,FN表示实际为正例但被分类器划分为负例的实例数,AP表示平均精确度,k表示第k分类,n表示总分类数,T_pre表示预处理时间,T_inf表示推理时间,T_post表示后处理时间。