摘要:风力发电机叶片，作为风力发电系统的核心组件，其健康状况直接关乎整个发电效率与运行安全。针对叶片缺陷检测的挑战，深入研究了YOLOv8n网络，并创新性地提出了高效多尺度卷积模块（EMSConv），该模块有效替代了传统残差块中的卷积层，通过分组卷积技术显著降低了冗余特征对检测结果的干扰，从而提升了检测的精确性。此外，在检测头部分，融入了Dynamic Head的多元化注意力机制，这些自注意力机制协同工作，跨越不同特征层，实现了对目标尺度、空间位置及检测任务的精准感知，极大地增强了目标检测模块的综合能力。还创新性地整合了Inner-IoU、Wise-IoU与MPDIoU，创造性地提出了Inner-Wise-MPDIoU，以替代传统的CIoU损失函数，这一举措不仅提高了网络的检测精度，还加速了收敛过程。在针对自制风机叶片缺陷数据集的测试中，YOLOv8-EDI展现出了卓越的性能，其mAP50值高达81.0%，相比原始YOLOv8n提升了2.3%；召回率也达到了76.8%，提升了3.7%。该模型在提升检测效果的同时，还实现了计算量的降低，降幅达5.5%，充分满足了工业环境下对风机叶片进行高效、准确、大批量检测的需求。

摘要:圆柱电池壳的多维缺陷检测是保证锂电池质量和安全的关键技术。由于生产加工和运输过程中涉及的工艺环节不同，圆柱电池壳的每个部位均会产生缺陷。为解决现有检测方法在处理种类繁多、尺度不一的圆柱电池壳缺陷时检测精度低的问题，本文根据圆柱电池壳各部位特征搭建图像采集装置，构建了圆柱电池壳多维缺陷数据集，提出了一种基于改进YOLOv8n的圆柱电池壳多维缺陷检测技术。首先，引入可切换空洞卷积改进C2f模块，增强多尺度特征提取能力；其次，结合平均池化和最大池化策略改进下采样模块，在降低特征图空间尺寸的同时保留关键信息；最后，引入LSKA注意力机制，增强多尺度特征的融合效果。实验结果表明，改进后的YOLOv8n模型在自制的圆柱电池壳缺陷数据集上平均检测精度可达77.4%，相较于原始模型提升了4.3%，计算量下降了17%，模型大小仅为6 MB，检测速度达到177 FPS，满足工业大批量实时检测的要求。