基于深度学习的无人机巡检风机叶片表面缺陷智能检测方法

郑欣; 田琳; 张艳; 甘宗源; 黄威

doi:10.37188/CJLCD.2026-0002

您当前的位置：

首页 >

文章列表页 >

基于深度学习的无人机巡检风机叶片表面缺陷智能检测方法

图像处理 | 更新时间：2026-09-12

- 基于深度学习的无人机巡检风机叶片表面缺陷智能检测方法
- Intelligent detection method for surface defects on wind turbine blades based on deep learning UAV inspection
- 液晶与显示 2026年41卷第2期页码：267-279
- 作者机构：
  
  1. 四川文理学院人工智能与大数据学院，四川达州 635000
  2. 伊犁师范大学电子工程学院，新疆伊宁 835000
  3. 四川文理学院四川革命老区发展研究中心，四川达州 635000
  4. 景德镇学院信息工程学院，江西景德镇 334000
- 作者简介：
  
  郑欣，男，博士，副教授，2015年于电子科技大学获得博士学位，主要从事深度学习及人工智能方面的研究。E-mail： 361368485@qq.com
  黄威，男，博士，讲师，2022年于俄罗斯科学院设计与工艺信息学院获得博士学位，主要从计算机应用与计算机视觉方面的研究。E-mail：huangwei0731@163.com
- 基金信息：
  
  江西省教育厅科学技术研究项目(GJJ2402304);智能医学与健康大数据四川省高校重点实验室开放基金(ZNYX2501;ZNYX2514);政务数据安全达州市重点实验室开放基金(ZSAQ202514);四川革命老区发展研究中心开放基金(SLQ2025SA04)
- DOI：10.37188/CJLCD.2026-0002
  中图分类号： TP391
- CSTR：32172.14.CJLCD.2026-0002
- 收稿：2026-01-04，
  
  修回：2026-01-22，
  
  纸质出版：2026-02-05
- 稿件说明：
移动端阅览
郑欣, 田琳, 张艳, 等. 基于深度学习的无人机巡检风机叶片表面缺陷智能检测方法[J]. 液晶与显示, 2026,41(2):267-279.

ZHENG Xin, TIAN Lin, ZHANG Yan, et al. Intelligent detection method for surface defects on wind turbine blades based on deep learning UAV inspection[J]. Chinese Journal of Liquid Crystals and Displays, 2026, 41(2): 267-279.
郑欣, 田琳, 张艳, 等. 基于深度学习的无人机巡检风机叶片表面缺陷智能检测方法[J]. 液晶与显示, 2026,41(2):267-279. DOI： 10.37188/CJLCD.2026-0002. CSTR： 32172.14.CJLCD.2026-0002.

ZHENG Xin, TIAN Lin, ZHANG Yan, et al. Intelligent detection method for surface defects on wind turbine blades based on deep learning UAV inspection[J]. Chinese Journal of Liquid Crystals and Displays, 2026, 41(2): 267-279. DOI： 10.37188/CJLCD.2026-0002. CSTR： 32172.14.CJLCD.2026-0002.

摘要

针对风机叶片表面缺陷人工检测效率低、现有深度学习方法环境适应性弱及多类型缺陷检测性能不足的问题，提出一种基于深度学习的无人机航拍三阶段智能检测方法，以实现高效、精准的缺陷识别。首先，从航拍视频中均匀抽帧，采用改进的EfficientNetV2-S网络实现损伤叶片初筛（准确率87.5%）；然后，利用高斯混合聚类算法筛选典型损伤帧以压缩冗余数据；最后，基于集成Transformer模块与动态锚点策略的YOLO-v11网络完成缺陷精确检测。此外，构建包含剥落、裂纹等缺陷的15 000幅图像数据集用于方法验证。实验结果表明，该方法单帧检测召回率达88.4%、精度达71.5%，视频级检测召回率提升至95.0%、精度达86.4%，显著优于对比方法；可有效识别裂纹、剥落等缺陷，突破复杂环境地形限制，实现全叶片覆盖检测。所提方法解决了小目标与环境干扰难题，性能稳定，检测精度高，为风电智能化运维提供了有力支持。

Abstract

To achieve efficient and accurate defect detection for wind turbine blades， this study develops a UAV-based intelligent inspection system and investigates its core algorithms， including multi-stage defect screening， representative frame selection， and deep learning-based defect recognition. First， based on image features such as structural integrity and texture patterns， an improved EfficientNetV2-S network is proposed for preliminary damage screening （accuracy 87.5%）. Next， Gaussian Mixture Clustering is employed to select representative damaged frames from video streams， effectively reducing data redundancy. Then， a YOLO-v11 network integrated with Transformer modules and dynamic anchor strategies is developed for precise defect localization and classification. Additionally， a comprehensive dataset containing 15 000 annotated UAV images of various defects （e.g.， cracks， delamination） is established for algorithm validation.Experimental results demonstrate that the system achieves 88.4% recall and 71.5% precision in single-frame detection， while video-level analysis improves to 95.0% recall and 86.4% precision. The method outperforms existing approaches in detecting multiple defect types under complex environmental conditions.The proposed system meets the requirements for non-contact inspection， real-time processing， high accuracy， and strong anti-interference capability， providing an effective solution for intelligent wind turbine maintenance.

关键词

Keywords

references

刘震宇，尹兆磊，陈晨，等 . 基于WTBD-Det的风机叶片缺陷检测算法［J］. 激光与光电子学进展， 2025 ， 62 （ 20 ）： 20150004 ．

LIU Z Y ， YI Z L ， CHEN C ， et al . Wind turbine blade defect detection algorithm based on WTBD-Det ［J］. Laser & Optoelectronics Progress ， 2025 ， 62 （ 20 ）： 20150004 . （in Chinese）

董秀芬，孙浩东，周登科，等 . 海上风电风机叶片损伤不停机光电探测及识别［J］. 激光与光电子学进展， 2025 ， 62 （ 6 ）： 0612004 ．

DONG X F ， SUN H D ， ZHOU D K ， et al . Offshore fan-blade damage non-stop photoelectric detection and identification ［J］. Laser & Optoelectronics Progress ， 2025 ， 62 （ 6 ）： 0612004 . （in Chinese）

何赟泽，李响，王洪金，等 . 基于可见光和热成像的风机叶片全周期无损检测综述［J］. 机械工程学报， 2023 ， 59 （ 6 ）： 32 - 45 ． doi: 10.3901/jme.2023.06.032 http://dx.doi.org/10.3901/jme.2023.06.032

HE Y Z ， LI X ， WANG H J ， et al . A review： full-cycle nondestructive testing based on visible light and thermography of wind turbine blade ［J］. Journal of Mechanical Engineering ， 2023 ， 59 （ 6 ）： 32 - 45 . （in Chinese） . doi: 10.3901/jme.2023.06.032 http://dx.doi.org/10.3901/jme.2023.06.032

朱广，顾晨，徐立云，等 . 改进YOLOv8的风机叶片多尺度缺陷检测［J］. 光学精密工程， 2025 ， 33 （ 9 ）： 1496 - 1514 ． doi: 10.37188/ope.20253309.1496 http://dx.doi.org/10.37188/ope.20253309.1496

ZHU G ， GU C ， XU L Y ， et al . Improvement of YOLOv8 for multi-scale defect detection in wind turbine blades ［J］. Optics and Precision Engineering ， 2025 ， 33 （ 9 ）： 1496 - 1514 . （in Chinese） . doi: 10.37188/ope.20253309.1496 http://dx.doi.org/10.37188/ope.20253309.1496

沈君贤，马天池，宋狄，等 . 基于可解释选择性集成框架的离心风机叶片裂纹损伤检测［J］. 机械工程学报， 2024 ， 60 （ 12 ）： 183 - 193 ． doi: 10.3901/jme.2024.12.183 http://dx.doi.org/10.3901/jme.2024.12.183

SHEN J X ， MA T C ， SONG D ， et al . Crack damage detection of centrifugal fan blades based on interpretable ensemble selection framework ［J］. Journal of Mechanical Engineering ， 2024 ， 60 （ 12 ）： 183 - 193 . （in Chinese） . doi: 10.3901/jme.2024.12.183 http://dx.doi.org/10.3901/jme.2024.12.183

曾勇杰，范必双，杨涯文，等 . 改进YOLOv8算法在风机叶片缺陷检测上的应用［J］. 电子测量与仪器学报， 2024 ， 38 （ 8 ）： 26 - 35 ．

ZENG Y J ， FAN B S ， YANG Y W ， et al . YOLOv8 algorithm is improved in the defect detection of wind turbine blades applications ［J］. Journal of Electronic Measurement and Instrumentation ， 2024 ， 38 （ 8 ）： 26 - 35 . （in Chinese）

LI W R ， ZHAO W H ， DU Y F . Large-scale wind turbine blade operational condition monitoring based on UAV and improved YOLOv5 deep learning model ［J］. Mechanical Systems and Signal Processing ， 2025 ， 226 ： 112386 . doi: 10.1016/j.ymssp.2025.112386 http://dx.doi.org/10.1016/j.ymssp.2025.112386

PU J Y ， ZHANG Q F ， ZHAO W B ， et al . Research on refined UAV inspection method of wind/solar power stations based on YOLOv8 ［J］. Journal of Engineering and Applied Science ， 2025 ， 72 （ 1 ）： 10 . doi: 10.1186/s44147-025-00576-1 http://dx.doi.org/10.1186/s44147-025-00576-1

ZHANG Z Y ， SHU Z R . Unmanned aerial vehicle （UAV）-assisted damage detection of wind turbine blades： a review ［J］. Energies ， 2024 ， 17 （ 15 ）： 3731 . doi: 10.3390/en17153731 http://dx.doi.org/10.3390/en17153731

唐震，彭业萍，王伟江，等 . 融合Hough直线检测和Grab-cut的风机叶片自适应分割方法［J］. 电子测量与仪器学报， 2021 ， 35 （ 4 ）： 161 - 168 ．

TANG Z ， PENG Y P ， WANG W J ， et al . Adaptive segmentation method for wind turbine blades combining Hough line detection and Grab-cut algorithm ［J］. Journal of Electronic Measurement and Instrumentation ， 2021 ， 35 （ 4 ）： 161 - 168 . （in Chinese）

闫浩伟 . 基于无人机的风机叶片表面缺陷自动检测方法［J］. 计算机测量与控制， 2024 ， 32 （ 11 ）： 72 - 79 ．

YAN H W . Automatic detection method for surface defects of fan blades based on drones ［J］. Computer Measurement & Control ， 2024 ， 32 （ 11 ）： 72 - 79 . （in Chinese）

刘玉淇，吴一全 . 基于机器视觉的太阳能电池片缺陷检测算法综述［J］. 光学精密工程， 2024 ， 32 （ 6 ）： 868 - 900 ． doi: 10.37188/ope.20243206.0868 http://dx.doi.org/10.37188/ope.20243206.0868

LIU Y Q ， WU Y Q . Review of defect detection algorithms for solar cells based on machine vision ［J］. Optics and Precision Engineering ， 2024 ， 32 （ 6 ）： 868 - 900 . （in Chinese） . doi: 10.37188/ope.20243206.0868 http://dx.doi.org/10.37188/ope.20243206.0868

姜晓恒，段金忠，卢洋，等 . 融合先验知识推理的表面缺陷检测［J］. 图学学报， 2024 ， 45 （ 5 ）： 957 - 967 .

JIANG X H ， DUAN J Z ， LIU Y ， et al . Fusing prior knowledge reasoning for surface defect detection ［J］. Journal of Graphics ， 2024 ， 45 （ 5 ）： 957 - 967 . （in Chinese）

孙坚，杨宇兵 . 基于特征提取和最优加权集成策略的风机叶片结冰故障检测［J］. 科学技术与工程， 2024 ， 24 （ 11 ）： 4501 - 4509 ．

SUN J ， YANG Y B . Icing fault detection of wind turbine blades based on feature extraction and an optimal weighted ensemble strategy ［J］. Science Technology and Engineering ， 2024 ， 24 （ 11 ）： 4501 - 4509 . （in Chinese）

杨彦萍，高军伟，刘兆龙，等 . 基于改进YOLO11的印刷电路板表面缺陷检测算法［J］. 液晶与显示， 2025 ， 40 （ 10 ）： 1545 - 1556 ． doi: 10.37188/cjlcd.2025-0137 http://dx.doi.org/10.37188/cjlcd.2025-0137

YANG Y P ， GAO J W ， LIU Z L ， et al . Surface defect detection on printed circuit boards based on improved YOLO11 ［J］. Chinese Journal of Liquid Crystals and Displays ， 2025 ， 40 （ 10 ）： 1545 - 1556 . （in Chinese） . doi: 10.37188/cjlcd.2025-0137 http://dx.doi.org/10.37188/cjlcd.2025-0137

LIU Y H ， ZHENG Y Q ， SHAO Z F ， et al . Defect detection of the surface of wind turbine blades combining attention mechanism ［J］. Advanced Engineering Informatics ， 2024 ， 59 ： 102292 . doi: 10.1016/j.aei.2023.102292 http://dx.doi.org/10.1016/j.aei.2023.102292

陈名渝，谢玥辰，吕雄涛，等 . 冷轧钢表面与内部缺陷检测研究［J］. 中国光学（中英文）， 2024 ， 17 （ 4 ）： 823 - 833 ． doi: 10.37188/co.2023-0189 http://dx.doi.org/10.37188/co.2023-0189

CHEN M Y ， XIE Y C ， LV X T ， et al . Detection of surface and internal defects in cold rolled steel ［J］. Chinese Optics ， 2024 ， 17 （ 4 ）： 823 - 833 . （in Chinese） . doi: 10.37188/co.2023-0189 http://dx.doi.org/10.37188/co.2023-0189

HUANG C ， CHEN M H ， WANG L . Semi-supervised surface defect detection of wind turbine blades with YOLOv4 ［J］. Global Energy Interconnection ， 2024 ， 7 （ 3 ）： 284 - 292 . doi: 10.1016/j.gloei.2024.06.010 http://dx.doi.org/10.1016/j.gloei.2024.06.010

LIU Y H ， ZHENG Y Q ， WEI T ， et al . Lightweight algorithm based on you only look once version 5 for multiple class defect detection on wind turbine blade surfaces ［J］. Engineering Applications of Artificial Intelligence ， 2024 ， 138 ： 109422 . doi: 10.1016/j.engappai.2024.109422 http://dx.doi.org/10.1016/j.engappai.2024.109422

HANG X Y ， ZHU X X ， GAO X X ， et al . Study on crack monitoring method of wind turbine blade based on AI model： integration of classification， detection， segmentation and fault level evaluation ［J］. Renewable Energy ， 2024 ， 224 ： 120152 . doi: 10.1016/j.renene.2024.120152 http://dx.doi.org/10.1016/j.renene.2024.120152

MA Y X ， YIN J X ， HUANG F ， et al . Surface defect inspection of industrial products with object detection deep networks： a systematic review ［J］. Artificial Intelligence Review ， 2024 ， 57 （ 12 ）： 333 . doi: 10.1007/s10462-024-10956-3 http://dx.doi.org/10.1007/s10462-024-10956-3

AMERI R ， HSU C C ， BAND S S . A systematic review of deep learning approaches for surface defect detection in industrial applications ［J］. Engineering Applications of Artificial Intelligence ， 2024 ， 130 ： 107717 . doi: 10.1016/j.engappai.2023.107717 http://dx.doi.org/10.1016/j.engappai.2023.107717

ZHAO L X ， YU J B . Crop-paste and diffusion-based semi-supervised segmentation network for metal defect detection ［J］. Knowledge-Based Systems ， 2025 ， 318 ： 113573 . doi: 10.1016/j.knosys.2025.113573 http://dx.doi.org/10.1016/j.knosys.2025.113573

PAN J W ， ZENG D Y ， WU Z Z ， et al . BiDNet： a real-time semantic segmentation network with antifeature interference and detail recovery for industrial defects ［J］. IEEE Transactions on Instrumentation and Measurement ， 2025 ， 74 ： 5017916 . doi: 10.1109/tim.2025.3548182 http://dx.doi.org/10.1109/tim.2025.3548182

HOANG D C ， TAN P X ， NGUYEN A N ， et al . Image-based anomaly detection in low-light industrial environments with feature enhancement ［J］. Results in Engineering ， 2025 ， 25 ： 104309 . doi: 10.1016/j.rineng.2025.104309 http://dx.doi.org/10.1016/j.rineng.2025.104309

MA W ， LI Y ， LAN S Y ， et al . Semantic-aware normalizing flow with feature fusion for image anomaly detection ［J］. Neurocomputing ， 2024 ， 590 ： 127728 . doi: 10.1016/j.neucom.2024.127728 http://dx.doi.org/10.1016/j.neucom.2024.127728

邓万宇，袁昭阳 . 基于改进YOLOv8n的光伏板缺陷检测技术［J］. 液晶与显示， 2025 ， 40 （ 11 ）： 1700 - 1709 . doi: 10.37188/cjlcd.2025-0166 http://dx.doi.org/10.37188/cjlcd.2025-0166

DENG W Y ， YUAN Z Y . Photovoltaic panel defect detection technology based on improved YOLOv8n ［J］. Chinese Journal of Liquid Crystals and Displays ， 2025 ， 40 （ 11 ）： 1700 - 1709 . （in Chinese） . doi: 10.37188/cjlcd.2025-0166 http://dx.doi.org/10.37188/cjlcd.2025-0166

DING W Y ， LIU H ， CHEN F G . Video segmentation of industrial smoke based on dynamic fully convolutional network-Gaussian mixture model and multi-scale fusion attention module ［J］. Journal of Electronic Imaging ， 2023 ， 32 （ 3 ）： 033038 . doi: 10.1117/1.jei.32.3.033038 http://dx.doi.org/10.1117/1.jei.32.3.033038

YAO D P ， XIE F Z ， XU Y X . Bayesian sparse Gaussian mixture model for clustering in high dimensions ［J］. Journal of Machine Learning Research ， 2025 ， 26 （ 1 ）： 50 .

GOHAR I ， YEW W K ， HALIMI A ， et al . Review of state-of-the-art surface defect detection on wind turbine blades through aerial imagery： challenges and recommendations ［J］. Engineering Applications of Artificial Intelligence ， 2025 ， 144 ： 109970 . doi: 10.1016/j.engappai.2024.109970 http://dx.doi.org/10.1016/j.engappai.2024.109970

TAN M X ， LE Q V . EfficientNetV2： smaller models and faster training ［C］// Proceedings of the 38th International Conference on Machine Learning . Online ： PMLR ， 2021 ： 10096 - 10106 .

JOCHER G . Ultralytics YOLO ［EB/OL］. 2024 . https：//github.com/ultralytics/ultralytics https://github.com/ultralytics/ultralytics .

SIMONYAN K ， ZISSERMAN A . Very deep convolutional networks for large-scale image recognition ［C］. 3rd International Conference on Learning Representations . San Diego ： ICLR ， 2015 ： 1556 .

HE K M ， ZHANG X Y ， REN S Q ， et al . Deep residual learning for image recognition ［C］// Proceedings of 2016 IEEE Conference on Computer Vision and Pattern Recognition . Las Vegas ： IEEE ， 2016 ： 770 - 778 . doi: 10.1109/cvpr.2016.90 http://dx.doi.org/10.1109/cvpr.2016.90

HUANG G ， LIU Z ， VAN DER MAATEN L ， et al . Densely connected convolutional networks ［C］// Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition . Honolulu ： IEEE ， 2017 ： 2261 - 2269 . doi: 10.1109/cvpr.2017.243 http://dx.doi.org/10.1109/cvpr.2017.243

SZEGEDY C ， IOFFE S ， VANHOUCKE V ， et al . Inception-v4， inception-ResNet and the impact of residual connections on learning ［C］// Proceedings of the 31st AAAI Conference on Artificial Intelligence . San Francisco ： AAAI Press ， 2017 ： 4278 - 4284 . doi: 10.1609/aaai.v31i1.11231 http://dx.doi.org/10.1609/aaai.v31i1.11231

浏览量

389

下载量

CSCD

文章被引用时，请邮件提醒。

提交

工具集

关联资源

喷墨打印液晶配向膜厚度的TOF-SIMS深度分析方法

人眼视觉特性引导的频率感知无参考图像质量评价方法

基于偏振激光直写光取向的液晶几何相位平面光学元件

低功耗边缘场切换液晶显示器挠曲电系数差值与闪烁的定量关系

基于多视角注意力融合的肺结核影像分类