1.一种风机叶片表面损伤检测方法,其特征在于,包括如下步骤:
步骤S1,获取原始数据集,所述原始数据集中包括多张风机叶片表面的原始图像,每张原始图像中标注有损伤位置以及损伤类型;
步骤S2,采用金字塔增强算法对原始数据集中的每张原始图像进行增强,形成金字塔图像序列,然后使用重叠的滑动窗口对金字塔图像序列中的每一层进行补丁提取,形成补丁集合,以所述金字塔图像序列和补丁集合重新构建训练数据集;
步骤S3,在传统YOLOv8模型的基础上构建改进YOLOv8模型,改进YOLOv8模型的颈部网络和检测头与传统YOLOv8模型中的架构保持一致,骨干网络包括初始卷积层、C2F-FocalNextBlock模块、极坐标特征变换模块及特征融合模块,将训练数据集及其对应的标签送入改进YOLOv8模型进行训练,得到训练好的改进YOLOv8模型;训练的过程包括如下步骤:将训练数据集中的图像送入初始卷积层提取基础特征,然后将提取的基础特征送入C2F-FocalNextBlock模块,基于注意力机制关注图像中与损伤有关的特征,抑制与损伤无关的特征,生成增强特征;接着将增强特征送入极坐标特征变换模块,将增强特征从笛卡尔坐标系映射到极坐标系形成极坐标特征,突出损伤特征在风机叶片径向方向和轴向方向的表达;最后将极坐标特征变换模块输出的极坐标特征与C2F-FocalNextBlock模块输出的增强特征相融合,构建融合了细粒度局部信息和粗粒度全局信息的融合特征;颈部网络将骨干网络输出的融合特征转换为适合检测任务的多尺度特征,传递给检测头进行最终的边界框回归和分类;
步骤S4,针对任意一次风机叶片表面损伤检测过程,首先采集风机叶片表面的图像,然后提取得到金字塔图像序列和补丁集合,将金字塔图像序列以及补丁集合共同作为训练好的改进YOLOv8模型的输入,输出对每张图像中的损伤位置以及损伤类型的预测结果。
2.根据权利要求1所述的风机叶片表面损伤检测方法,其特征在于,损伤类型包括“污垢”和“损坏”。
3.根据权利要求1所述的风机叶片表面损伤检测方法,其特征在于,金字塔图像序列的生成过程具体包括如下步骤:步骤S211,设置缩放比例以及图像的最小尺寸;
步骤S212,按照缩放比例对原始图像逐层进行下采样,生成分辨率更低的下一层图像,下采样的过程表示为:式中,、分别表示第和第层的图像,;表示缩放操作,缩放过程表示为:
式中,、分别表示第层图像的高度和宽度;和分别表示第层图像的高度和宽度;
步骤S213,当或时,停止下采样,得到金字塔图像序列,,表示金字塔的总层数。
4.根据权利要求3所述的风机叶片表面损伤检测方法,其特征在于,补丁集合的生成过程具体包括如下步骤:步骤S221,设定滑动窗口的大小为,滑动窗口的水平步长及垂直步长;
步骤S222,以相邻两个窗口具有10%的重叠率为条件,沿图像的水平、垂直两个方向分别进行补丁采样,得到补丁集合。
5.根据权利要求1所述的风机叶片表面损伤检测方法,其特征在于,初始卷积层采用CSPDarknet架构;C2F-FocalNextBlock模块在传统C2F网络的基础上引入CFNet网络中的focal block模块,以focal block模块替换C2F网络的颈部网络构建得到,C2F-FocalNextBlock模块的处理过程表示为:式中,表示C2F-FocalNextBlock模块的处理过程。
6.根据权利要求5所述的风机叶片表面损伤检测方法,其特征在于,focal block模块包括依次连接的7×7深度卷积层、窗口大小为7×7的窗口注意力机制以及1×1 卷积层,每个7×7深度卷积层和窗口注意力机制后都连接一个 LayerNorm 层和 GELU 单元,focalblock模块的处理过程表示为:式中,表示focal block模块的输入特征;表示7×7深度可分离卷积;表示1×1卷积;表示激活函数;表示层归一化;表示7×7窗口注意力机制,注意力权重通过下式计算:式中,表示输入特征X的注意力权重;分别表示注意力机制中的查询、键和值;为特征X的维度;表示矩阵转置;表示激活函数;表示线性回归操作。
7.根据权利要求6所述的风机叶片表面损伤检测方法,其特征在于,极坐标特征变换模块的处理过程包括如下步骤:步骤S31,从增强特征预测风机叶片中心坐标 ,预测过程表示为:
式中,分别表示风机叶片中心在笛卡尔坐标系下的横、纵坐标;表示Sigmoid激活函数;表示卷积;分别表示增强特征的特征图宽度和高度;
步骤S32,将增强特征从笛卡尔坐标系映射到极坐标系,通过双线性插值生成极坐标特征,其中:映射过程表示为:
式中,分别表示特征图上的点在笛卡尔坐标系下的横、纵坐标;、分别表示特征图上的点在极坐标系下的横、纵坐标,其中,;;表示增强特征的特征图最大径向距离,;
极坐标特征生成过程表示为:
式中,表示极坐标特征;表示用于索引笛卡尔坐标下特征图网格点的变量;表示插值权重,由双线性插值公式计算得到;
步骤S33,对极坐标特征应用径向-角向可分离卷积,将卷积后的极坐标特征逆变换回笛卡尔坐标系,并与原始的增强特征融合,过程表示为:式中, 表示沿径向的1D卷积;表示沿角向的1D卷积;表示卷积后的极坐标特征;表示逆变换回笛卡尔坐标系的极坐标特征;表示笛卡尔转极坐标的逆变换;表示权重因子,,表示可学习参数;表示融合特征。
8.根据权利要求7所述的风机叶片表面损伤检测方法,其特征在于,融合特征被送入到颈部网络,颈部网络通过特征金字塔网络和路径聚合网络,将不同层级的特征图进行融合,转换为适合检测任务的多尺度特征,传递给检测头进行最终的边界框回归和分类。
9.根据权利要求1所述的风机叶片表面损伤检测方法,其特征在于,训练的损失函数表示为:
式中,表示总的损失函数;表示边界框损失,用于衡量确定目标位置的精度;表示分类损失,用于衡量对目标类别分类的准确性;表示分布焦点损失,用于衡量目标靠近目标位置的程度;、、表示超参数,用于平衡不同损失的重要性;
训练的过程通过优化器来更新模型参数。
10.一种用于执行权利要求1-9任一项所述的风机叶片表面损伤检测方法的系统,其特征在于,包括:原始数据集采集模块,用于获取原始数据集,所述原始数据集中包括多张风机叶片表面的原始图像,每张原始图像中标注有损伤位置以及损伤类型;
训练数据集构建模块,用于采用金字塔增强算法对原始数据集中的每张原始图像进行增强,形成金字塔图像序列,然后使用重叠的滑动窗口对金字塔图像序列中的每一层进行补丁提取,形成补丁集合,以所述金字塔图像序列和补丁集合重新构建训练数据集;
改进YOLOv8模型构建模块,用于在传统YOLOv8模型的基础上构建改进YOLOv8模型,改进YOLOv8模型的颈部网络和检测头与传统YOLOv8模型中的架构保持一致,骨干网络包括初始卷积层、C2F-FocalNextBlock模块、极坐标特征变换模块及特征融合模块,将训练数据集及其对应的标签送入改进YOLOv8模型进行训练,得到训练好的改进YOLOv8模型;训练的过程包括如下步骤:将训练数据集中的图像送入初始卷积层提取基础特征,然后将提取的基础特征送入C2F-FocalNextBlock模块,基于注意力机制关注图像中与损伤有关的特征,抑制与损伤无关的特征,生成增强特征;接着将增强特征送入极坐标特征变换模块,将增强特征从笛卡尔坐标系映射到极坐标系形成极坐标特征,突出损伤特征在风机叶片径向方向和轴向方向的表达;最后将极坐标特征变换模块输出的极坐标特征与C2F-FocalNextBlock模块输出的增强特征相融合,构建融合了细粒度局部信息和粗粒度全局信息的融合特征;颈部网络将骨干网络输出的融合特征转换为适合检测任务的多尺度特征,传递给检测头进行最终的边界框回归和分类;
检测模块,用于针对任意一次风机叶片表面损伤检测过程,首先采集风机叶片表面的图像,然后提取得到金字塔图像序列和补丁集合,将金字塔图像序列以及补丁集合共同作为训练好的改进YOLOv8模型的输入,输出对每张图像中的损伤位置以及损伤类型的预测结果。