基于轻量型YOLOv5的风机桨叶检测与空间定位_yolo annotated wind turbine surface damage

2021年3月，十三届全国人大四次会议通过的“十四五”规划和2035年远景目标纲要中提出“要制定 2030 年前碳达峰行动方案，努力争取 2060年前实现碳中和”[1]。实现以风电为代表的可再生能源高质量和规模化发展，是构建新型电力系统、加速能源转型进程、实现“双碳”目标的关键所在[2]。

因风电机组主要分布在比较偏远且环境恶劣的地区，在迅速发展的同时，风机叶片表面结冰、断裂、剥落等一系列故障问题也相应而生，此类故障不仅严重影响机组的正常使用寿命，同时还带来高额的维护成本[3]。传统风机叶片检测方法费时费力无法满足大面积检测要求，采用无人机检测可实现风机叶片低强度、快速化、低成本、少停机式巡检，尽早发现叶片表面损伤并及时进行处理。风力发电机停机后其桨叶位置不确定，应用无人机对其自主巡视时，无法采用固定巡检路线，故需使用无人机对风机的全景拍摄，并运用目标检测算法对桨叶、轮毂进行实时检测，进而对桨叶叶尖精准定位。

传统的目标检测方法已不能适应日益复杂的应用环境[4]。而深度学习由于其强大的特征提取能力，在目标检测任务中展现出强大的优势。然而，随着网络层数的加深，所包含的参数量信息也随之增大，深度网络密集复杂的计算对硬件要求非常高，导致难以将其部署在普通硬件设备上[5-6]。由于机载计算板的计算能力有限，需对目标检测算法进行改进，以达到轻量化的目的。

近年来，一些研究人员通过模型量化[7-8]、参数剪枝[9]、知识蒸馏[10]和设计轻量型架构单元等技术来达到网络模型储存量和计算量降低的目