基于深度学习的叶片缺陷检测算法研究.pdfVIP

测控技术

·62·2025年第44卷第8期数据采集与处理

基于深度学习的叶片缺陷检测算法研究

庞硕，涛，杨开彬?

（1.北京工业大学机械与能源工程学院，北京100124；2.山东金雷新能源重装有限公司，山东东营257000）

摘要：为了实现对涡轮叶片上凹坑、缺口、裂纹、卷曲和异物这5种表面缺陷的实时、准确检测和判定，开

展了基于深度学习的叶片缺陷检测方法研究。在检测过程中,搭建了基于卷积神经网络（Convolutional

NeuralNetwork,CNN)的深度学习检测模型,并采用了YOLOv5神经网络与PyTorch深度学习框架相结

合的实现形式。针对模型训练过程中样本不足的问题，一方面采用数据增强技术扩充了叶片表面缺陷

的图像样本集，另一方面开展了小样本迁移学习技术研究，将在COCO2017数据集上训练好的模型作为

预训练模型。最后，随机选取80幅涡轮叶片表面图像依次对模型进行测试，模型的缺陷识别准确率为

96.3%,检测速度为51f/s,从而验证了该检测系统的有效性和可行性。

关键词：缺陷检测；深度学习；迁移学习；数据增强

中图分类号：TP391;V263.1文献标志码：A文章编号：1000-8829(2025)08-0062-07

doi:10.19708/j.ckjs.2025.08.001

ResearchonBladeDefectDetectionAlgorithmBasedonDeepLearning

PANGShuo,ZANTao,YANGKaibin?

(1.CollegeofMechanicalandEnergyEngineering,BeijingUniversityofTechnology,Beijing100124,China;

2.ShandongJinleiNewEnergyHeavyEquipmentCo.,Ltd.,Dongying257000,China)

Abstract:Torealizetherecognitionandjudgementofthosesurfacedefectsofturbinebladessuchaspits,

gaps,cracks,crispationsandforeignbodiesinarealtimeandaccuratemanner,abladedefectdetectionmethod

basedondeeplearningisstudied.Inthedefectdetectionprocedure,adeeplearninginspectionmodelbasedon

convolutionalneuralnetwork(CNN)isestablished,andthecombinationofYOLOv5networkandPyTorch

frameworkisadopted.Astotheinsufficientsampleprobleminmodeltrainingprocess,ontheonehand,theda-

taenhancementisusedtoexpandtheimagesamplesetofbladesurfacedefects,ontheotherhand,thesmall

sampletransferlearningtechnologyisstudied,inwhichthetrainedmodelonthedatasetCOCO2017isadopt-

edasthepretrainedmodel.Fi