基于輕量型YOLOv5 的風(fēng)機槳葉檢測與空間定位

白健鵬，王巍，陳雨溪，焦嵩鳴

（華北電力大學(xué) 自動化系，河北 保定 071003）

2021 年3 月，十三屆全國人大四次會議通過 的“十四五”規(guī)劃和2035 年遠景目標(biāo)綱要中提出“要制定 2030 年前碳達峰行動方案，努力爭取 2060年前實現(xiàn)碳中和”[1]。實現(xiàn)以風(fēng)電為代表的可再生能源高質(zhì)量和規(guī)?；l(fā)展，是構(gòu)建新型電力系統(tǒng)、加速能源轉(zhuǎn)型進程、實現(xiàn)“雙碳”目標(biāo)的關(guān)鍵所在[2]。

因風(fēng)電機組主要分布在比較偏遠且環(huán)境惡劣的地區(qū)，在迅速發(fā)展的同時，風(fēng)機葉片表面結(jié)冰、斷裂、剝落等一系列故障問題也相應(yīng)而生，此類故障不僅嚴(yán)重影響機組的正常使用壽命，同時還帶來高額的維護成本[3]。傳統(tǒng)風(fēng)機葉片檢測方法費時費力無法滿足大面積檢測要求，采用無人機檢測可實現(xiàn)風(fēng)機葉片低強度、快速化、低成本、少停機式巡檢，盡早發(fā)現(xiàn)葉片表面損傷并及時進行處理。風(fēng)力發(fā)電機停機后其槳葉位置不確定，應(yīng)用無人機對其自主巡視時，無法采用固定巡檢路線，故需使用無人機對風(fēng)機的全景拍攝，并運用目標(biāo)檢測算法對槳葉、輪轂進行實時檢測，進而對槳葉葉尖精準(zhǔn)定位。

傳統(tǒng)的目標(biāo)檢測方法已不能適應(yīng)日益復(fù)雜的應(yīng)用環(huán)境[4]。而深度學(xué)習(xí)由于其強大的特征提取能力，在目標(biāo)檢測任務(wù)中展現(xiàn)出強大的優(yōu)勢。然而，隨著網(wǎng)絡(luò)層數(shù)的加深，所包含的參數(shù)量信息也隨之增大，深度網(wǎng)絡(luò)密集復(fù)雜的計算對硬件要求非常高，導(dǎo)致難以將其部署在普通硬件設(shè)備上[5-6]。由于機載計算板的計算能力有限，需對目標(biāo)檢測算法進行改進，以達到輕量化的目的。

近年來，一些研究人員通過模型量化[7-8]、參數(shù)剪枝[9]、知識蒸餾[10]和設(shè)計輕量型架構(gòu)單元等技術(shù)來達到網(wǎng)絡(luò)模型儲存量和計算量降低的目=的[11]。相比上述幾種技術(shù)，手工設(shè)計的輕量型架構(gòu)單元具有遷移快速、即插即用等優(yōu)點，早已成為輕量型網(wǎng)絡(luò)架構(gòu)設(shè)計的主流，并在下游任務(wù)目標(biāo)檢測和圖像分割任務(wù)上表現(xiàn)出優(yōu)異性能。MobileNetv2[12]采用了深度可分離卷積和倒殘差塊，減少了模型的計算浮點數(shù)，同時大大提高了計算效率。ShuffleNetv2[13]利用分組卷積和通道改組操作減少了網(wǎng)絡(luò)結(jié)構(gòu)不必要的開銷。Shift-Net[14]提出用交錯的移位運算和逐點卷積來取代昂貴的空間卷積。GhostNet[15]提出了一種新的Ghost 模塊，通過低成本的線性變換生成能夠揭示內(nèi)在特征信息的特征圖，從而提高模型的整體性能。

在風(fēng)機槳葉定位領(lǐng)域一些相關(guān)專家和學(xué)者也進行了一定的研究，潘佳捷[16]提出一種基于已知風(fēng)機結(jié)構(gòu)的槳葉定位方法，首先通過手動操控使無人機正對風(fēng)機后對風(fēng)機進行全景圖像采集，利用人工的方式檢測圖像中的槳葉信息，再通過視覺測量算法解算槳葉的空間位置坐標(biāo)，但該方法仍需人工參與，操作難度較大，對操作員的要求較高。朱凱華[17]提出一種基于ED-Lines 算法的槳葉定位方法，該方法首先使無人機飛行至正對風(fēng)機位置進行圖像采集，然后提取圖像中槳葉的邊緣直線解算槳葉角度，最后通過風(fēng)機的實際物理參數(shù)對槳葉進行三維空間定位，但此方法需使無人機正對風(fēng)機，定位精度依賴無人機正對效果。勾月凱等[18]提出一種風(fēng)電機組葉片智能巡檢策略，其包含對風(fēng)機槳葉定位的方法，此方法將無人機所采集到的風(fēng)機整體圖像遠程傳輸至地面站，再利用圖像解析模塊獲取風(fēng)機的航向角以及槳葉的相位角，從而對槳葉進行精確定位，但該策略中另需部署一套完整的圖像傳輸系統(tǒng)，成本較高且較為復(fù)雜。Kanellakis 等[19]使用超帶寬技術(shù)對巡檢無人機進行定位，然后利用無人機對風(fēng)力發(fā)電機進行水平切片圖像采集，進而對風(fēng)機槳葉角度進行解算并根據(jù)已知的風(fēng)機尺寸信息對其精準(zhǔn)定位，但此算法依賴超寬帶技術(shù)的定位精度，需在每個風(fēng)機周圍布置多個錨點，實際部署成本較高，難度較大。Guo 等[20]提出一種基于Mask R-CNN 深度學(xué)習(xí)的風(fēng)機槳葉定位方法，獲取風(fēng)機全景圖后利用深度學(xué)習(xí)算法提取圖像中的風(fēng)機信息，最后通過無人機的位置信息以及機組基礎(chǔ)信息對槳葉葉尖的空間坐標(biāo)進行計算，以實現(xiàn)風(fēng)機槳葉的精確定位，但該方法中所采用的深度學(xué)習(xí)算法對機載計算機的性能有較高的要求。MOOLAN-FEROZE 等[21]利用卷積神經(jīng)網(wǎng)絡(luò)對風(fēng)機各部位進行檢測，通過風(fēng)機模型的結(jié)構(gòu)信息和無人機的位姿信息對風(fēng)機槳葉進行三維重建，從而對槳葉葉尖進行定位，此方法中所使用的卷積神經(jīng)網(wǎng)絡(luò)檢測速度較慢，同樣難以對風(fēng)機進行實時目標(biāo)檢測。

本文提出了一種基于輕量型YOLOv5 的風(fēng)機槳葉檢測與空間定位方法，在已知風(fēng)力發(fā)電機模型參數(shù)、風(fēng)機塔筒精確位置坐標(biāo)的基礎(chǔ)上，令無人機對風(fēng)力發(fā)電機進行全景圖像采集；并使用目標(biāo)檢測算法檢測出全景圖中的風(fēng)機輪轂和槳葉，進而得到全景圖像中風(fēng)機輪轂以及槳葉葉尖的像素坐標(biāo)；考慮到無人機機載計算板的計算能力有限，為提高檢測效率，減輕機載計算板的運行負(fù)擔(dān)，故對YOLOv5 目標(biāo)檢測器進行輕量化設(shè)計；最后利用無人機當(dāng)前的位姿狀態(tài)以及提取到的特征信息解算風(fēng)機的精確航向角，同時根據(jù)成像平面與槳葉平面的空間幾何關(guān)系，進一步對槳葉角度進行計算，從而對風(fēng)機槳葉進行精準(zhǔn)定位。

1 Shuffle-YOLOv5 輕量化設(shè)計

文獻[12,14-15]雖然考慮到模型的計算復(fù)雜度和參數(shù)量，減少網(wǎng)絡(luò)前向推理的理論耗時，但是計算復(fù)雜度和參數(shù)量只是衡量目標(biāo)檢測器的實際推理耗時的間接指標(biāo)。內(nèi)存訪問成本、模型并行程度、組卷積操作數(shù)量以及元素級操作同樣是影響實際推理耗時的重要因素。

受ShuffleNetv2 的啟發(fā)，以分組數(shù)量為2 的通道改組(channel shuffle)以及縮小分組數(shù)量的深度分組卷積(depthwise convolution,DWConv)操作能最大限度地降低存儲器訪問成本以及計算復(fù)雜度。本文以YOLOv5s 作為基礎(chǔ)目標(biāo)檢測器，由于YOLOv5s 的初始層Focus 模塊在本文實驗開展的邊緣設(shè)備ARM 平臺上執(zhí)行效率低下，故將其替換為Stem 層，將YOLOv5s 的初始Focus 層替換為Stem 層，ShuffleNetv2 中的基礎(chǔ)模塊ShuffleBlock(SFB)替換YOLOv5s 的Darknet53[22]主干網(wǎng)絡(luò)，為充分發(fā)揮SFB 特征提取潛能，保證特征提取網(wǎng)絡(luò)的簡潔精干，剔除SPP 層[23]，并保持YOLOv5s原來的PANet 頸部網(wǎng)絡(luò)[24]融合多尺度特征和預(yù)測頭部，形成新的目標(biāo)檢測器Shuffle-YOLOv5。相比于原YOLOv5 目標(biāo)檢測器，新的目標(biāo)檢測器Shuffle-YOLOv5 能夠在允許的精度誤差范圍內(nèi)大幅度提升檢測速度。圖1 給出了Shuffle-YOLOv5檢測器整體網(wǎng)絡(luò)架構(gòu)，其中BN 代表Batchnorm2d，ReLU 代表非線性激活函數(shù)。

圖1 Shuffle-YOLOv5 網(wǎng)絡(luò)架構(gòu)Fig.1 Shuffle-YOLOv5 network architecture

為充分提取圖像的深層語義信息，設(shè)計了步長(stride)分別為1 和2 的兩種SFB 結(jié)構(gòu)，其中步長為1 的SFB 結(jié)構(gòu)不會降低特征圖的尺寸大小，步長為2 的SFB 結(jié)構(gòu)會將特征圖的尺寸大小減半，圖2 展示了兩種SFB 結(jié)構(gòu)。

圖2 SFB 網(wǎng)絡(luò)結(jié)構(gòu)Fig.2 SFB network structure

在相同的計算復(fù)雜度的情況下，輸入通道數(shù)和輸出通道數(shù)接近1∶1 時，模型并行程度最高，內(nèi)存訪問成本最小而且模型的計算速度最快[13]。在SFB 結(jié)構(gòu)中使用卷積操作、通道分離(channel split)、特征圖級聯(lián)(concat)保持輸入和輸出相同的通道數(shù)；在計算復(fù)雜度一定的情況下，過多的分組數(shù)的DWConv 操作會造成內(nèi)存訪問成本過高，特征圖元素相加操作(Add)同時會降低網(wǎng)絡(luò)模型的計算速度，所以在進行DWConv 操作前我們盡量將通道數(shù)減半，不使用Add 操作，取而代之的是Concat 操作，并在最后引入通道改組操作，實現(xiàn)不同通道信息組之間的信息通信以提高特征重復(fù)利用率。

2 槳葉葉尖空間定位方法設(shè)計

利用本文所設(shè)計的輕量化YOLOv5 目標(biāo)檢測算法對風(fēng)力發(fā)電機進行檢測，并提取風(fēng)機槳葉和輪轂信息，可得到像素坐標(biāo)系下的風(fēng)力發(fā)電機3 個槳葉葉尖坐標(biāo)和輪轂中心坐標(biāo)，再利用最小二乘法擬合橢圓，其中輪轂中心為橢圓圓心，葉尖為橢圓上的點。

橢圓方程為

吊腳樓外觀上有一種結(jié)構(gòu)幾何美，吊腳樓的平面多為兩開間或三開間，微呈扇形，結(jié)合江岸曲線自然成形。正面觀為一個個矩形，彌合了地形的差異，整齊美觀。腰廊形成的水平線和腰檐下的帶形窗形成的光影變化，使樓群的外觀更加生動，與下部密集支柱的垂直線條產(chǎn)生強烈的對比。

式中：a、b為橢圓的兩個軸長；(u0,v0)為輪轂中心的像素坐標(biāo)。將3 個葉尖坐標(biāo)代入式(1)可得：

式中 (ui,vi),i=1,2,3為槳葉葉尖的像素坐標(biāo)。利用最小二乘法對式(2)進行求解，即可解得橢圓的軸長a、b。

因無人機對風(fēng)力發(fā)電機進行全景圖拍攝時，基本保持在與輪轂同高度處，由幾何關(guān)系可知a≥b，即像素坐標(biāo)系下橢圓在u方向上的軸長大于v方向上的軸長，如圖3 所示。

圖3 全景圖拍攝示意Fig.3 Panorama shooting diagram

無人機所搭載攝像頭的成像平面與風(fēng)力發(fā)電機槳葉平面均與地平面垂直，由幾何關(guān)系可得

式中 θ為兩平面之間的平面夾角。

根據(jù)式(3)中的θ 與無人機此時的偏航角，即可計算出風(fēng)力發(fā)電機的航向角。由于槳葉平面與地平面垂直，從而可得風(fēng)機槳葉平面的法向量，進一步可解得槳葉平面所在方程，此方程可表示為

將成像平面內(nèi)橢圓上的葉尖坐標(biāo)點qi(i=1,2,3)投影至圓上，投影點記為pi(i=1,2,3)，如圖4 所示。令起點為輪轂中心，方向垂直向下的單位向量為 η，任意取風(fēng)機的一個槳葉作為基準(zhǔn)槳葉，并以輪轂中心為起點，以此基準(zhǔn)槳葉的投影點pi為終點形成的向量作為槳葉基準(zhǔn)向量，則槳葉基準(zhǔn)向量與 η之間的夾角即為所在基準(zhǔn)槳葉的槳葉角度，再利用風(fēng)力發(fā)電機3 個槳葉間的角度關(guān)系，即可得到所有槳葉的槳葉角度，如式(5)所示：

圖4 槳葉葉尖投影示意圖Fig.4 Paddle blade tip projection diagram

式中：α1為基準(zhǔn)槳葉的槳葉角度；αi,i=2,3為其余2 個槳葉的槳葉角度。

通過式(5)計算出所有槳葉的角度后，可根據(jù)風(fēng)力發(fā)電機的槳葉長度，解算槳葉葉尖的三維空間位置坐標(biāo)。

輪轂的三維空間坐標(biāo)已知，槳葉平面方程如式(4)所示，每個槳葉葉尖與輪轂之間的距離固定，利用計算出來的槳葉角度 αi，將槳葉葉尖投影至地平面，可得方程：

式中：(x0,y0,z0) 為輪轂的三維空間坐標(biāo)；R為槳葉長度，即槳葉葉尖與輪轂之間的實際物理距離；(xi,yi,zi),i=1,2,3為槳葉葉尖的三維空間坐標(biāo)。

由式(6) 即可解得槳葉葉尖的地平面坐標(biāo)(xi,yi)，再由幾何關(guān)系可得葉尖高度與槳葉角度之間的關(guān)系，如式(7)所示，即可解得槳葉葉尖的高度坐標(biāo)zi。解算示意圖如圖5 所示。

圖5 槳葉坐標(biāo)解算示意圖Fig.5 Schematic diagram of the paddle coordinate solution

3 實驗驗證及結(jié)果分析

無人機采用大疆經(jīng)緯M210，所搭載的機載計算機為大疆MANIFOLD2-C 256GB，CPU 模塊的型號參數(shù)為Inter?Corei7-8550U，內(nèi)存為8 GB，所搭載的攝像頭型號為大疆禪思Z30 云臺相機，配備30 倍光學(xué)變焦鏡頭與6 倍數(shù)碼變焦，采用Type1/28 CMOS 傳感器，分辨率為1 920×1 080，如圖6 所示。

圖6 無人機及各部件Fig.6 Drone and it’s component

為更加貼合實際，將測試環(huán)境設(shè)置在學(xué)校較為空曠的操場上，測試環(huán)境中的風(fēng)力發(fā)電機為縮略模型如圖7 所示，其參數(shù)如表1 所示。

表1 風(fēng)力發(fā)電機參數(shù)Table 1 Wind turbine parameters cm

圖7 風(fēng)力發(fā)電機模型Fig.7 Wind turbine model

3.1 Shuffle-YOLOv5 風(fēng)機檢測及模型對比

在無人機位于與風(fēng)機輪轂同高度處，風(fēng)機輪轂位于圖像中心，且所有槳葉可完整呈現(xiàn)在圖像的前提下，無人機可對不同槳葉角度和航向角度的風(fēng)力發(fā)電機進行全景圖采集。風(fēng)力發(fā)電機的航向角在-60°～60°每隔12°取點，如圖8 中的紅色線所示，同時槳葉角度在-60°～60°每隔12°再次取點，如圖8 中的黃色線所示。在所有點位可采集121 張風(fēng)機全景圖，將此121 張全景圖按照7∶3 的比例劃分作為輕量型YOLOv5 神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練集與驗證集，即85 張全景圖作為訓(xùn)練集，36 張全景圖作為驗證集。

圖8 全景圖取點示意Fig.8 Points taking diagram of panoramic

為準(zhǔn)確定位像素坐標(biāo)系下輪轂中心坐標(biāo)和槳葉坐標(biāo)，本文設(shè)計了3 種檢測標(biāo)注框，即風(fēng)機、葉尖、輪轂，標(biāo)注框數(shù)量比為1∶3∶1。圖9 給出了標(biāo)注示例。

圖9 目標(biāo)框標(biāo)注示例Fig.9 Example of target box labeling

本文采用目標(biāo)檢測模型中常用的評價指標(biāo)平均精度均值(mean average precision,mAP)對模型進行評估，通過度量目標(biāo)檢測框與真值框間的交并比(intersection over union,IoU)計算各類目標(biāo)平均精度(average precision,AP)，以所有類目標(biāo)的AP 平均值作為目標(biāo)檢測模型的最終評價指標(biāo)?？紤]到檢測器邊界框定位坐標(biāo)的準(zhǔn)確性，列出IoU 閾值為0.5 時的mAP50 和10 個IoU(范圍為0.5～0.95)閾值的平均值mAP50:95 的情況。

在NVIDIA RTX3090 圖形處理器上以Pytorch1.7.1 環(huán)境實現(xiàn)了Shuffle-YOLOv5。在訓(xùn)練階段，使用了YOLOv5s 中PANet 部分的預(yù)訓(xùn)練模型。共訓(xùn)練300 個Epochs，前3 個Epoch 用于熱身訓(xùn)練，模型訓(xùn)練和測試的圖像尺寸最長邊保持在640 像素，batchsize 設(shè)置為16，使用SGD 優(yōu)化器進行訓(xùn)練，以0.001 作為余弦退火學(xué)習(xí)率調(diào)度的初始學(xué)習(xí)速率，使用數(shù)據(jù)增強技術(shù)提高模型的泛化能力，例如：左右翻轉(zhuǎn)、尺寸變化和馬賽克增強等。

為證明Shuffle-YOLOv5 的有效性，從mAP50、mAP50:95、參數(shù)量、10 億次浮點運算(GFLOPs)和單張檢測時間5 個角度來和其他輕量型目標(biāo)檢測器作對比，并保持同樣的輸入尺寸640×640，所有目標(biāo)檢測器所依賴的硬件設(shè)備為大疆MANIFOLD2-C 256GB，CPU 模塊為Inter?Corei7-8550U，內(nèi)存為8 GB，表2 給出了對比效果。

表2 輸入圖像尺寸640×640 像素輕量型目標(biāo)檢測器對比結(jié)果Table 2 Comparison of results based on an input image size of 640×640 for lightweight target detection

與原YOLOv5s 相比，Shuffle-YOLOv5 在mAP50指標(biāo)上相同，犧牲了0.036 的mAP50:95 的精度，換取了47.29%的速度提升以及78%的參數(shù)量的下降，這對于以CPU 為后端的硬件設(shè)備的框架是非常友好的。和主干網(wǎng)絡(luò)同為ShuffleNetv2 的YOLO-fastestv2 相比mAP50:95 提升20%并且檢測速度相差不大；與其他輕量型目標(biāo)檢測器YOLOv4-tiny 和YOLOv3-tiny 對比結(jié)果來看，Shuffle-YOLOv5 在各個方面都是最優(yōu)的。

為確保Shuffle-YOLOv5 通用性和泛化性，以充分體現(xiàn)其應(yīng)對不同CPU 硬件設(shè)備的靈活性，本文將圖像尺寸不等間距進行調(diào)整為512×512 像素和416×416 像素，分別與上述其他模型進行對比，以縱軸為mAP50 和mAP50:95，橫軸為單張圖像檢測時間繪制曲線圖，如圖10 所示。

圖10 目標(biāo)檢測器mAP 與檢測速度對比曲線Fig.10 Target detector mAP vs.detection speed curve

在圖10 中，每一條曲線代表一種目標(biāo)檢測器，從曲線圖中可以看出，曲線越靠近左上方，檢測性能越優(yōu)，Shuffle-YOLOv5 在檢測速度和mAP指標(biāo)上都強于其他輕量型目標(biāo)檢測器。圖像尺寸從640×640 像素降低到416×416 像素，Shuffle-YOLOv5mAP 相較于其他模型沒有明顯下降，單張檢測時間從68 ms 降低到34 ms，說明Shuffle-YOLOv5 可以在任意圖像尺寸下調(diào)整，以適應(yīng)不同的硬件資源設(shè)備來滿足不同的應(yīng)用場景。

3.2 風(fēng)機槳葉葉尖定位測試

考慮到在使用輕量型YOLOv5 對風(fēng)力發(fā)電機進行檢測并提取其各部分的像素坐標(biāo)時存在一定的誤差，故選取槳葉角度所對應(yīng)的槳葉斜率的絕對值與1 最為接近的槳葉作為基準(zhǔn)槳葉。以風(fēng)力發(fā)電機塔筒底端為原點建立東北天三維空間坐標(biāo)系，根據(jù)風(fēng)力發(fā)電機的尺寸參數(shù)，可得風(fēng)機輪轂的空間坐標(biāo)為(0,0,2.27 m)，為驗證所設(shè)計定位算法的有效性，多次選取不同槳葉角度以及航向角度的風(fēng)力發(fā)電機，同時令無人機飛至坐標(biāo)(2.5 m,0,2.2 m)處，此位置與風(fēng)機輪轂的水平距離為2.5 m，對風(fēng)機進行槳葉葉尖定位測試。

選取其中1 次的定位結(jié)果進行展示，采集到的全景圖如圖11 所示，此風(fēng)力發(fā)電機槳葉葉尖的實際坐標(biāo)如表3 所示，定位坐標(biāo)如表4 所示。

圖11 風(fēng)機全景Fig.11 Panoramic view of the wind turbine

將表3 和表4 進行對比，此風(fēng)力發(fā)電機3 個槳葉葉尖定位的x方向平均定位誤差為1.4 cm；y方向定位誤差為3.3 cm，即水平誤差為3.6 cm；z方向定位誤差，即高度誤差為3.7 cm；整體三維誤差為5.2 cm。多次定位試驗表明，槳葉葉尖的高度誤差僅小于5 cm，水平誤差僅小于5 cm，整體三維誤差僅小于10 cm。該定位方法可通過無人機的簡易運動實現(xiàn)實時、快速、精確地得到風(fēng)力發(fā)電機槳葉葉尖的定位結(jié)果。

表3 槳葉葉尖實際坐標(biāo)Table 3 Actual coordinates of the paddle blade tip cm

表4 槳葉葉尖定位坐標(biāo)Table 4 Paddle blade tip positioning coordinates cm

4 結(jié)束語

為解決無人機機載計算板能力有限，普通目標(biāo)檢測器內(nèi)存開銷大與檢測速度慢的問題，本文提出了以YOLOv5 為基礎(chǔ)的輕量型Shuffle-YOLOv5目標(biāo)檢測器。對比實驗表明，Shuffle-YOLOv5 在精確度降低很少的情況下，參數(shù)量縮減78%，檢測速度提升47%，并在416×416 像素輸入圖像尺寸下可達29.4 f/s 的實時檢測速度，并優(yōu)于現(xiàn)階段其他輕量型目標(biāo)檢測器。風(fēng)機槳葉葉尖定位測試結(jié)果表明，所提出的定位方法可對風(fēng)機槳葉葉尖進行精準(zhǔn)定位，定位的高度誤差僅在5 cm 以內(nèi)，水平誤差僅在5 cm 以內(nèi)，整體三維誤差僅在10 cm 以內(nèi)。

綜上所述，在風(fēng)力發(fā)電機模型參數(shù)以及塔筒精確位置坐標(biāo)已知的基礎(chǔ)上，所提出的基于輕量型YOLOv5 的風(fēng)機槳葉檢測與空間定位方法可根據(jù)無人機所采集到的風(fēng)機全景圖對風(fēng)力發(fā)電機進行快速且準(zhǔn)確的檢測，并對槳葉葉尖進行精準(zhǔn)定位，同時所提方法無需過多硬件設(shè)備，僅需一個較為通用的掛載機載計算機和高清攝像頭的巡檢無人機即可完成對風(fēng)力發(fā)電機槳葉的定位，成本較低且在實際場景中易于部署和實現(xiàn)，給邊緣設(shè)備目標(biāo)檢測器輕量化改進提供了新思路，為后續(xù)的對大型風(fēng)力發(fā)電機槳葉巡檢的路徑規(guī)劃研究提供理論依據(jù)和便利條件。