基于改进知识蒸馏的轻量化风电叶片缺陷检测方法OA

针对风电叶片缺陷检测中存在的边缘部署算力受限与高精度检测需求冲突、复杂背景噪声淹没微小缺陷特征、传统知识蒸馏分类-定位失衡且前景特征易被抑制等3大核心矛盾,现有YOLO模型无法兼顾轻量化与细粒度缺陷提取,常规蒸馏策略难以适配风电场景。对此,提出了一种基于改进知识蒸馏的轻量化检测器YOLO-WD。引入MobileNetV3重构骨干网络,以显著降低模型参数量和计算复杂度;提出掩码引导通道蒸馏(mask-guided channel-wise distillation,MASK-CWD)方法,利用空间掩码迫使学生模型聚焦前景缺陷,有效抑制风电场景的复杂背景噪声;将交并比(intersection over union,IoU)定位质量融入难度评估,提出IoU感知加权软标签蒸馏(IoU-aware weighted soft label distillation,IoU-WSLD)策略,实现分类与定位任务的联合优化。实验结果表明,YOLO-WD的参数量与计算量仅为YOLOv8s的41.3%和25.2%,同时保持了0.864的平均精度均值(mean average precision,mAP),仅下降0.4百分点,实现了检测精度与推理速度的平衡,为边缘端实时检测提供了高效方案。