一种基于轻量化PC-EMA算法的风机表面缺陷检测方法、装置、设备及存储介质

本发明涉及风机表面检测，具体为一种基于轻量化pc-ema算法的风机表面缺陷检测方法、装置、设备及存储介质。

背景技术：

1、现有的红外和超声波检测方法检测精度高，可以检测出风机涡轮机的深层和内部缺陷，但缺点是不能满足室外实时检测的需要，检测过程复杂且成本很高，对风机表面缺陷检测效果很差；而现有的风力涡轮机表面缺陷检测方法，是通过无人机远程飞行拍摄风力涡轮机表面样本图像，将样本图像传输到后台，再利用目标检测算法进行检测、定位和识别；目前基于深度学习的风机缺陷检测方法，存在以下问题：大多数检测精度高的算法，模型计算复杂度高，在嵌入无人机设备中会导致检测速度过慢，大大降低了检测效率；虽然深度学习检测方法具有高实时性检测，但检测缺陷仅限于表面缺陷，并且不能有效地检测内部缺陷；因此，现阶段各种检测手段都是不足的；

2、当目标处于复杂环境中时，上述算法往往难以有效地提取风力发电机的缺陷特征；网络模型不能融合多尺度目标特征，目标检测精度不足；错误检测缺陷会导致维护人员使用错误的材料来修复风力涡轮机的缺陷；短期缺陷会再次暴露，缺陷面积也会相应扩大，浪费资源和人力；目前应用yolov8n在无人机系统检测风机的研究还不多，针对无人机在风机缺陷检测任务中的实时性，该模型的精度和检测速度还有提升的空间；

3、综上所述，如何设计一种基于注意机制、多尺度特征融合、优化检测头和损失函数的轻量级实时高效的yolov8n风力发电机缺陷检测模型，成为待解决的问题。

技术实现思路

1、本发明的目的在于提供一种基于轻量化pc-ema算法的风机表面缺陷检测方法、装置、设备及存储介质，以解决现有技术模型计算复杂度高导致检测速度过慢，不能有效地检测内部缺陷，导致浪费资源和人力的问题。

2、为达到以上目的，提供以下技术方案：

3、一种基于轻量化pc-ema算法的风机表面缺陷检测方法，包括以下步骤：

4、s1：收集风机表面缺陷图像，构建风机表面缺陷图像数据集；

5、s2：构建yolov8n和pconv-ema融合模型，包括：

6、在主干网络，自输入端依次设置五层cbs模块，分别在第二层cbs模块与第三层cbs模块、第三层cbs模块与第四层cbs模块、第四层cbs模块与第五层cbs模块以及第五层cbs模块之后插入一个pc-ema模块，在最后一个pc-ema模块后设置sppf模块；

7、cbs模块用于提取图像的低级特征、稳定和加速训练并提高模型的表达能力，pc-ema模块用于通过多尺度特征和局部上下文增强来提高特征的表达能力，sppf模块用于捕捉到不同尺度的特征；

8、自输入端依次设置的pc-ema模块分别为第一层pc-ema模块、第二层pc-ema模块、第三层pc-ema模块、第四层pc-ema模块；

9、在颈部网络，将原始yolov8n模型中的普通卷积层替换为gsconv模块，将c2f模块替换为vovgscsp模块；作为新融合模型的颈部网络；

10、在头部网络，将原始yolov8n模型中的检测头替换为pconv head检测头；作为新融合模型的头部网络；

11、s3：利用风机表面缺陷图像对yolov8n和pconv-ema融合模型进行训练；

12、s4：将待检测风机表面缺陷图像输入经训练的yolov8n和pconv-ema融合模型，得到风机表面缺陷检测结果。

13、优选地，风机表面缺陷图像数据集按照8：1：1的比例分为训练集、验证集和测试集。

14、优选地，pc-ema模块由1个pconv层、两个1×1conv层和ema注意力模块构成；

15、cbs模块包括一个普通卷积层，一个bn层和一个si lu层；

16、pc-ema模块中先进行sp l it操作将输入特征图分成两个分支，一个直接进入concat操作，而另一个进入一定数量的pc-ema b l ock瓶颈层，并输出相同通道数的特征图，最后通过concat操作将特征合并；

17、pc-ema b l ock瓶颈层包括1个pconv层、两个1×1conv层和一个ema注意力模块；

18、pconv head检测头由原始yolov8n检测头中的两个3×3conv层替换为pconv卷积层，并将分类和回归两个分支合并而成。

19、优选地，主干网络中sppf模块的输出的特征图、第三层cbs模块与第四层cbs模块之间的pc-ema模块输出的特征图、第四层cbs模块与第五层cbs模块之间的pc-ema模块输出的特征图进入颈部网络后，分别执行至少一次concat操作。

20、优选地，颈部网络中，首先对sppf模块输出的特征图进行上采样，将上采样后的特征图与第三层pc-ema模块输出的特征图进行拼接，再进入第一层vovgscsp模块进行处理，将处理后的特征图再次进行上采样，上采样后的特征图与第二层pc-ema模块输出的特征图进行拼接，拼接后再进入第二层vovgscsp模块进行处理，处理后的特征图分别放入相应pconv head检测头，和通过gsconv进行下采样，将下采样后的特征图与第一层vovgscsp模块输出的特征图进行拼接，拼接后再进入第三层vovgscsp模块进行处理，处理后的特征图分别放入相应pconv head检测头，和通过gsconv进行下采样，将下采样后的特征图与sppf模块输出的特征图进行拼接，拼接后再进入第四层vovgscsp模块进行处理，然后放入相应pconv head检测头。

21、本发明还提供了一种基于轻量化pc-ema算法的风机表面缺陷检测装置，应用于所述的一种基于轻量化pc-ema算法的风机表面缺陷检测方法，包括：

22、目标检测单元，用于获取风机表面缺陷图像并构建风机表面缺陷图像数据集；

23、模型建立单元，用于构建yolov8n和pconv-ema融合模型；

24、处理单元，用于处理风机表面缺陷图像；

25、训练单元，用于对yolov8n和pconv-ema融合模型进行训练；

26、输出单元，用于输出检测结果。

27、本发明还提供了一种基于轻量化pc-ema算法的风机表面缺陷检测设备，所述设备包括：处理器以及存储有计算机程序指令的存储器；

28、所述处理器执行所述计算机程序指令时实现所述的基于轻量化pc-ema算法的风机表面缺陷检测方法。

29、本发明还提供了一种计算机可读存储介质，

30、所述计算机可读存储介质上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现所述的基于轻量化pc-ema算法的风机表面缺陷检测方法。

31、本发明的有益效果为：

32、1.本发明提出了一种轻量级的yolov8n目标检测算法；该算法的模型复杂度大大降低；首先对yolov8n中的残差模块进行了改进，将pconv和ema模块集成，设计了一个多尺度特征提取的残差模块，增强了通道注意力的特征表达能力，能有效捕获多尺度特征信息；在颈部网络，使用gsconv和vovgscsp来降低推理时间并协调模型的复杂度准确性的关系；在检测头部分，合并了分类头和检测头，设计了pconv head检测头，其采用pconv卷积在极小影响精确度的情况下，大幅降低了模型的参数量，提高了模型的检测速度；最后，采用wise-i ou，即wi ou v3作为边界框回归损失，使模型更加关注共性质量样本，从而提高模型的定位能力和精度。