基于轻量型YOLOv5的风机桨叶检测与空间定位

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