BladeYOLO框架通过有限数据增强风力涡轮机缺陷检测能力

研究人员开发了BladeYOLO，一个旨在改进风力涡轮机叶片缺陷检测的新框架，特别是在标注数据有限的情况下。该系统集成了Vision Transformer (ViT)骨干网络和YOLOv12-L，利用自监督预训练来增强特征表示。BladeYOLO还包含一个Mamba引导模块，以更好地识别细微缺陷，以及一个Style-Injector模块，以提高对环境变化的鲁棒性。实验表明，BladeYOLO在WTBlade-Defect数据集上的表现优于现有方法，并在Wind Surface Defect数据集上展示了跨数据集的鲁棒性。 AI

影响 这项研究通过改进自动化缺陷检测系统，有望实现更高效、更准确的风力涡轮机维护。

排序理由 该项目是一篇学术论文，详细介绍了一种用于特定应用的新型计算机视觉模型。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.CV 阅读 →

• BladeYOLO
• DINOv3
• Mamba
• Vision Transformer
• Wind Surface Defect
• WTBlade-Defect
• YOLOv12-L

• 论文
• 产品
• 其他

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →