基于SASED-YOLO算法的风机叶片表面多尺度缺陷检测技术

为什么巨型叶片上的微小缺陷很重要

现代风力发电机的叶片比客机的机翼还长，常年在严苛的海上环境中高速旋转。叶片上的小碎裂、裂纹或局部腐蚀不仅影响外观——它们会悄悄降低发电效率、缩短设备寿命并提高维护成本。本研究提出了一种新的计算机视觉方法SASED-YOLO，旨在快速准确地识别风机叶片上的多种细微表面损伤，即便这些痕迹微弱、极小或被反光、污垢或油漆部分遮挡。

从人工检查到智能相机

传统上，叶片检查依赖人工专家悬挂绳索进行肉眼检查，或使用超声、红外等工具。尽管在某些情况下有效，这些方法在叶片表面不平整、涂层或污垢较多时表现欠佳，且速度慢、成本高、对检测人员存在风险。近年，深度学习系统开始分析无人机或相机拍摄的图像或视频，自动在缺陷处画出边框。其中最成功的系列之一是YOLO，可以在一次快速的图像前向中定位目标。然而，标准YOLO在检测极小缺陷、应对缺陷尺寸差异巨大或排除云层、反光和污渍等干扰背景时仍存在困难。

一种更聪明的叶片损伤识别方式

研究人员在轻量级的YOLOv8s模型基础上改造出SASED-YOLO，加入了若干针对叶片检测挑战的新模块。首先，协同注意力模块帮助网络将注意力集中在可能的缺陷区域，同时弱化天空、塔筒或洁净叶片区域的影响。该模块既考虑空间维度（缺陷位于叶片何处），又考虑通道维度（何种纹理或颜色），并融合局部与全局线索。其次，多尺度池化模块使系统能通过不同“窗口”观察缺陷——从微小斑点到较大片段——并融合这些信息，使长裂缝、分布的凹坑和小点状缺陷都能被清晰表达。第三，引入自适应下采样模块，以便在缩小图像以节省计算量时不丢失经常标志早期损伤的细微边缘和条痕。

构建并测试真实的缺陷库

为严格评估所提方法，团队建立了自己的风机叶片数据集WTBD818-DET，因为现有公开集合样本受限。该数据集包含7,374张图像，涵盖裂缝、冲击损伤、腐蚀、雷击、油渍、龟裂、附着物和表面眼点（小的局部缺陷）等八类表面问题。图像被精细标注，不仅指出缺陷类别，还标明其在叶片上的精确位置。缺陷在大小和外观上差异巨大，部分类别样本稀少，使任务更接近工业实况。研究者在相同设置下训练了SASED-YOLO及若干领先的检测模型，并比较了各自检测出的缺陷数量、准确率及运行速度。

比以往检测器更敏锐

在叶片数据集上，SASED-YOLO取得了87.7%的平均精度（mAP）——这是对检测质量的总体衡量，比基线YOLOv8s高约10.5个百分点，并明显优于RT-DETR、Mamba及最新YOLO变体等其它先进系统。它在识别细微缺陷方面表现尤其出色，例如发丝状裂缝、小腐蚀点与微弱油膜，其他模型常将这些误判为背景噪声或直接漏检。可视化对比显示，SASED-YOLO在损伤周围生成的边界框更精确，对无害的条痕或反光的误报更少。为检验方法的通用性，作者还将其应用于一个公开的焊缝缺陷数据集，仍然超过了若干当前的最先进检测器。

对未来风电场的意义

对非专业读者而言，核心信息是这项工作显著提升了风机自动检测系统的“视觉”能力。通过结合注意力机制、多尺度观察和对细节的精细处理，SASED-YOLO能更可靠地标出在演变为昂贵故障前的小型或复杂表面问题。尽管该模型的运行速度略慢于最快的实时检测器，其精度优势使其非常适合用于定期的无人机巡检或离线分析。经进一步优化，这类方法可帮助海上风电场更安全、高效地运行，悄然提升清洁能源的可靠性与成本效益。

引用: Lv, F., Wang, R., Wang, Y. et al. Multi-scale defect detection technology for wind turbine blade surfaces based on the SASED-YOLO algorithm. Sci Rep 16, 7334 (2026). https://doi.org/10.1038/s41598-026-37780-9

关键词: 风机检验, 表面缺陷检测, 深度学习, 计算机视觉, 海上风能