引入人员反馈的风机叶片红外缺陷测量技术.pdf

引用格式：引用格式：王洪金,杜旭,赵丽劼,等.引入人员反馈的风机叶片红外缺陷测量技术J.中国测试，2024,50(1):32-38.WANGHongjin,DU Xu,ZHAO Lijie,et al.Measurement technology of wind turbine blades infrared defect with human feedbackintroducedJ.ChinaMeasurement&Test,2024,50(1):32-38.DOI:10.11857/j.issn.1674-5124.2022100075引入人员反馈的风机叶片红外缺陷测量技术王洪金1，杜旭1，赵丽劼1，何赟泽1，李杰2(1.湖南大学电气与信息工程学院，湖南长沙410082;2.中国电建集团中南勘测设计研究院有限公司，湖南长沙410014)摘要:在实现风机叶片巡检的无人化和智能化的过程中，数据集的准备与标注严重影响深度学习网络的预测准确性。这一点在基于无人机载红外热成像尤为重要，不同于可见光检测：由于红外相机像素有限，导致缺陷在检测图像上像素少、温差小、缺陷温度表征因缺陷种类变化等问题。仅依赖一次数据标定的网络识别准确率较低，且数据集标注的差异对识别精度带来严重影响。为此，提出基于人在回路的风机叶片智能红外缺陷检测与测量的方法，将人员反馈引入到网络性能迭代中，并且通过缺陷局部假设解决在缺陷面积测量中的温度表征随种类变化的问题。实验表明，引入人为参与的方法能有效地提高风机叶片缺陷检测识别率。在自制的风机叶片红外数据集中，第二次数据迭代的 mAP0.5 比第一次数据标注提高 22.94%，第三次数据迭代的 mAP0.5 比第二次数据迭代提高 27.8%。关键词:缺陷检测;深度学习;风机叶片;YOLOv5l 模型;人在回路中图分类号:TP391;TB9文献标志码:A文章编号:16745124(2024)01003207Measurement technology of wind turbine blades infrared defect withhuman feedback introducedWANGHongjin1,DUXu1,ZHAOLijie1,HEYunze1,LIJie2(1.HunanUniversityCollegeofElectricalandInformationEngineering,Changsha410082,China;2.ZhongnanEngineeringCorporationLimited,PowerChina,Changsha410014,China)Abstract:In the process of achieving unmanned and intelligent inspection of wind turbine blades,thepreparationandlabelingofdatasetsseriouslyaffectsthepredictionaccuracyofdeeplearningnetworks.Thisisparticularlyimportantinunmannedairborneinfrared-basedthermalimaging,unlikevisiblelightinspection:thelimitedpixelsoftheinfraredcameraleadtoproblemssuchasfewerpixelsontheinspectionimage,smalltemperature difference,and defect temperature characterization varying by defect type.The accuracy ofnetworkrecognitionrelyingononlyonedatacalibrationislow,andthedifferenceindatasetlabelingbringsseriousimpactonrecognitionaccuracy.Tothisend,ahuman-in-the-loop-basedmethodforintelligentinfrareddefectdetectionandmeasurementofwindturbinebladesisproposed,whichintroduceshumanfeedbackinto收稿日期:2022-10-17；收到修改稿日期:2022-12-16基金项目:国家自然科学基金(61901167，52377009)；广东省基础与应用基础研究基金海上风电联合基金(2022A1515240050)；湖南省科技创新领军人才(2023RC1039)；湖南省杰出青年基金(2022JJ10017)作者简介:王洪金（1986-），女，河北沧州市人，副教授，博士，主要研究方向为红外视觉以及相关模式识别、多源信号融合。通信作者:何赟泽(1983-），男，山西祁县人，教授，博士，主要研究方向为智能传感与无损检测、新能源电力系统设备无人机智能巡检、电力电子和储能电池健康监测、深度学习和行为分析、端边云传感与计算网络、机器视觉与热成像。第50卷第1期中国测试Vol.50No.12024年1月CHINAMEASUREMENT&TESTJanuary,2024thenetworkperformanceiterationandsolvestheproblemoftemperaturecharacterizationvaryingwithspeciesindefectareameasurementbydefectlocalizationassumption.Theexperimentsshowthattheintroductionofhumanparticipationcaneffectivelyimprovetherecognitionrateofwindturbinebladedefectdetection.Inthehomemadeinfrareddatasetofwindturbineblades,ThemAP0.5oftheseconddataiterationincreasedby22.94%comparedwiththefirstdataannotation,andthemAP0.5ofthethirddataiterationincreasedby27.8%comparedwiththeseconddataiteration.Keywords:defectdetection;deeplearning;windturbineblades;YOLOv5lmodel;human-in-the-loop0 引言随着风能等清洁能源的发展，风力发电设备越来越普遍。由于风机工作环境恶劣，极易产生故障和缺陷。若未及时检查和维修，将会带来较大的经济损失1。传统的叶片检修依靠望远镜或者吊篮，这种方法耗时长，效率低，人工成本较高。随着人工智能的发展，智能化检测越加普及，视觉检测技术已经应用于各种检测行业2-4。在风机叶片智能缺陷检测应用中，曲忠侃等5提出一种基于改进 FasterR-CNN 的胶衣缺陷检测方法，提高了胶衣脱落缺陷检测的精度。张超等6提出一种改进 MaskR-CNN 的检测方法，提高了检测效率和准确率。武宇平等7提出一种改进的 YOLOv3-Tiny网络，改进的算法识别速度快。但以上方法只针对风机叶片可见光图像缺陷检测。目前风机叶片红外缺陷检测数据集制作、将人在回路应用于风机叶片红外智能缺陷检测等方面的研究较少。一个成功的深度学习模型离不开大量带标签的数据，为了减少大量样本的标注以及提高模型的精度，许多研究人员提出利用一种“人在回路”的概念来解决上述挑战8，主要是将人类知识纳入建模的过程，通过人类拥有的丰富先验知识来推动模型从更少的样本中学习。随着深度学习的不断发展，人在回路广泛应用于深度学习中数据预处理、数据注释、迭代标注以及提高模型精度等环节。本文利用人在回路的思想进行数据的清洗及迭代标注，修改标注可视化软件来利于标注者删除迭代标注中的不规范标签，可以加快数据的迭代标注以及提升模型的精度。本文提出一种人在回路的风机叶片智能红外缺陷检测方法。首先制作红外数据集并制定缺陷标注准则，其次将识别后的缺陷通过掩膜、计算，预估真实叶片缺陷面积。最后验证了人为参与能提高深度学习网络的缺陷检测识别率。1 模型建立1.1 人在回路的机器学习以及整体流程人在回路机器学习有两个目标：通过人工输入使机器学习应用程序更加准确，以及在机器学习的帮助下改进人工作业。这两个目标也可以结合起来。在数据处理方面，先对采样正确的数据进行标注，使用标注过的数据训练模型，再用训练好的模型可以对更多的数据进行自动标注。文献 8 基于人在回路的数据处理方法，提出了人在回路中的数据处理过程，如图 1 所示。数据预处理数据标注模型训练迭代标注图 1 人在回路数据处理过程本文制定标注准则后，对采集的数据进行标注，训练权重，然后预测缺陷，并对每次预测结果计算平均精度（mAP）。由于在数据标注中存在各种错误或者偏差的情况，初次训练的网络在缺陷预测方面的表现并不优秀。为了弥合因为数据集标注偏差（包括漏标、错标和标注不一致）导致的预测能力受限的问题，人在回路的训练工程中，会将预测结果作为新的数据集，通过受训人员审核网络预测结果，将误标注等错误修正。随后，再将修正后的数据重新进行训练，直至满足精度要求。保存最优训练权重后即可进行缺陷预测。最后，提取缺陷像素面积并预估真实叶片缺陷大小。具体流程图如图 2所示。1.2 红外热成像检测的基本原理和标注准则自然界中一切温度高于绝对零度(273.16)的物体都能辐射电磁波。红外热像仪是利用红外探测器和光学成像物镜接受被测目标的红外辐射能量分布图形反映到红外探测器的光敏元件上，从而获第50卷第1期王洪金，等：引入人员反馈的风机叶片红外缺陷测量技术33得红外热像图，这种热像图与物体表面的热分布场相对应。红外热成像对风机叶片中缺陷检测的基本原理在于测量风机叶片表面温度的差异。而温度差异的来源主要有两个途径：一个是由于不同物体或者同一物体的不同部位对红外线的辐射能力以及反射红外线的强弱不同，从而在热平衡的状态下呈现出的温度分布不同，例如表面污垢等缺陷；另一个是由于缺陷通过其本身密度、比热容、导热率等物理参数或者表面结构的差异，导致其局部热不平衡，从而其与他区域的温度略有差别，典型的有漆皮剥落、浸水等缺陷，此外一些风机叶片结构例如叶片横梁、螺丝孔、避雷器孔等也由于这个原理能够在红外热成像图片上识别出来。根据以上原理，检测人员就可以根据图片温度差异（温度差异通过图片颜色呈现）标注风机叶片缺陷。由于没有现有的风机叶片红外数据缺陷标注准则，本文在制定叶片标注准则时，将叶片可见光图片作为参考，判断叶片红外图片中有温度差异的地方是否为缺陷。红外图片中存在温度差异而可见光图片中无法观察的部分，形状不规整为缺陷，形状规整的，则咨询叶片维修人员和叶片生产厂家（避雷器孔、螺丝孔和横梁等）。从而制作出一套适用于风机叶片红外缺陷数据的标注准则，缺陷的细分以及要求如表 1 所示。表 1 叶片标注准则标注参数准则标注对象(whattolabel)类别：热异常（abnormal）、避雷器孔（lighting_hole）和风痕（wind_mark）热异常：结合可见光图像，根据红外图像上颜色差异标注，形状不规整（包括撞击、损伤、脱漆和油污等）；风痕：带有拖尾的形状；避雷器孔：为形状规整的圆形，且在叶片上的位置是固定的以下情形可不进行标注：局部区域类别无法判别；已定义类别非常小(pixelsize64)边界框(boundingbox)已定义类别标注区域的边界需包含图像中该类别的所有可见像素，额外像素小于标注对象实际大小的20%截断(truncation)如果已定义类别存在20%的区域与同类对象遮挡且位于边界框之外，则两个区域统一标注，若不是同类缺陷，则截断分开标注图像质量(imagequality)质量差的图片(运动模糊等)应当剔除1.3 YOLOv5l 模型YOLO 模型于 2016 年首次提出，并从 YOLOv1到 YOLOv4 模型越来越小，检测的精度也越来越高9-12。YOLOv5 相比其他 YOLO 型号，具有速度快、所占内存小、比其他当前最先进的架构模型需要更少的计算能力和精度接近当前最先进的检测模型等优点13。YOLOv5 有四个版本，包括 YOLOv5s、YOLOv5m、YOLOv5l 和 YOLOv5x。模型的网络结构从小到大，检测精度越来越高但相应的检测速度会下降。为了得到更好的检测精度，可以选用YOLOv5l 模型14。1.4 缺陷的定量测量使用 YOLO 网络对红外 RGB 图片进行预测后，可以生成预测图片和预测标签。预测图片中缺陷部分通过预测框表示，通过预测标签中各个缺陷预测框的坐标信息对预测框区域（原图不做处理）进行灰度化与阈值二值化，可以将缺陷区域与背景明显区分，再对缺陷区域进行掩膜，然后统计缺陷区域像素大小。考虑到红外热成像图像缺陷像素数目受限的特点，本文在阈值处理过程中使用了三种方法：1）全局阈值法：设置一个阈值，每个像素如果计算真实叶片缺陷大小缺陷预测提取缺陷面积数据标注网络训练制定标注准则平均精度 mAP是否满足?审核缺陷预测结果开始结束是否将预测结果作为新的数据集保存训练权重缺陷预测图 2 缺陷预测整体流程图34中国测试2024年1月低于阈值，则被设置为 0，反之为最大值。2）大津阈值法（OTSU）：与全局阈值法原理相同，都是通过阈值的对比，但是算法会自动选取最佳阈值，对比全局阈值法有更好的效果。3）基于高斯滤波的大津阈值法：高斯滤波是一种信号滤波器，通过对图像进行加权平均，可以得到较好的图像边缘。三种方法的处理效果如图 3 所示，可以看出使用基于高斯滤波的大津阈值法处理红外图片中的缺陷能保留较多的缺陷信息和较光滑的图像边缘。(a)灰度图(b)全局阈值法(c)大津阈值法(d)基于高斯滤波图 3 三种阈值化方法对比由于温度的影响，在红外图片中不同种类缺陷因为采集环境的差异而存在明暗差异。当采集环境合适时，缺陷的温度会高于周围，在进行二值化掩膜时可以得到正确掩膜。但若缺陷像素值低于预测框边缘部分，进行二值化掩膜时掩膜部分为预测框中缺陷以外的部分，这时会带来很大的计算误差。如图 4(a)中标签分别为识别种类和置信度，图 4(b)中为缺陷预测面积(cm2)和置信度，由于拍摄时间及拍摄视角等的影响，缺陷温度低于周边温度，在简单二值化时掩膜并不能正确覆盖缺陷区域。(a)缺陷预测(b)大津阈值法掩膜没有覆盖缺陷图 4 大津阈值法缺陷面积预测存在的问题针对缺陷亮暗影响缺陷面积预测的问题，提出了以下改进方法。具体原理如图 5 所示，通过YOLOv5l 网络预测的缺陷，大多数缺陷处于预测框的中间位置，边缘部分为背景。提取预测框往内一个像素的一周像素值，当像素值中最大值占多数时，预测框周围为明亮部分，相应的缺陷区域比较暗。反之，如果预测框往内一个像素的一周像素值 0 占多数，则预测框周围比较暗，缺陷区域比较明亮。通过这种方式判断缺陷的明暗来进行相应的掩膜，预测效果得到较大的改善。高温为缺陷 外框为检测框内框为提取像素值范围低温为缺陷图 5 缺陷示意图dMNP=M2+N2已知红外镜头参数中 DFOV（对角线视场角）为，红外镜头与叶片之间的距离为，红外摄像头的分辨率为，则图像对角线的像素大小为。d设图像对角线在距离为 下的实际长度为：L=2dtan(2)(1)=L/P(m/pixel)pixel令像素格与实际长度的对应关系为：，代表 1 个像素()的实际长度为 m。因此，提取红外图片缺陷面积后即可计算叶片真实缺陷面积。2 实验为了验证人为参与是否能提高 YOLOv5l 模型对风机叶片红外图片缺陷检测识别率，以人员标定的统一程度为控制变量，进行了三组对比实验，本节将依次从实验数据的采集、实验环境和实验过程中的变量控制三个方面进行介绍。2.1 数据集采集数据集全部通过 DJI 经纬 M300RTK 无人机搭载禅思 H20T 云台相机对山地风场服役过程中的风机叶片进行非结构化数据采集。为了减少采集数据过拟合的影响，视频按 30 帧每张进行抽帧，并对图像进行筛选，得到 5595 张像素大小 640512 的红外图片作为数据集。并按照训练集：验证集为 64的比例，其中 3357 张作为训练集，2238 张作为验证集。由于目前缺少红外场景下风机叶片缺陷的定性标准，在进行数据集构建时，标注类别定为三类，一类为热异常，包括撞击、损伤、脱漆和油污等，一类为避雷器孔，另一类为风痕。采用开源标注工具 LabelImg 对热异常、避雷器第50卷第1期王洪金，等：引入人员反馈的风机叶片红外缺陷测量技术35孔和风痕进行标注，并对标注软件进行部分更改，规定当缺陷部分像素低于 64 时不再标注。即在标注软件中如果标注框内像素低于 64 时显示当前像素值且不再标注，高于 64 像素时不再显示当前像素值。效果如图 6 所示。通过修改标注软件显示像素值，在人为参与数据迭代时，可以快速判断当前标注框的大小是否满足标注准则。图 6 标注软件更改示例包含图像中标签类别、位置和大小的标注结果会以.xml 的文件格式进行存储。结合标注准则，具体的标注示例如图 7 所示。(a)异常标注示例(b)避雷器孔标注示例(c)风痕标注示例图 7 叶片标注示例2.2 实验环境在整个试验中，均采用 YOLOv5l 模型对构建的风机叶片红外数据集进行训练，训练总迭代次数设置为 400 次，学习率设置为 0.00001，batch 设置为 40 次。每迭代 50 次保存一次权重，最终分析出最佳权重并保存。YOLOv5l 模型训练和测试的软硬件环境如表 2 所示。表 2 训练网络的环境环境配置参数硬件环境CPUAMDRyzen73700 xGPUNVIDIATITANRTX2RAM64GB软件环境操作系统Ubuntu20.04.1深度学习框架PyTorch可视化软件PyCharmCOMMUNITY2020.12.3 实验过程实验共分为三个阶段，第一阶段的五位标注人员没有任何标注经验，不了解风机叶片结构。而红外图片中的缺陷对比可见光图片识别难度更大，一些叶片的固有结构也会对标注产生干扰。通过标注准则进行初步培训，让参与者能认识缺陷并学会标注，以此模拟标注人员对新数据集的制作情况。标注完成后训练权重并预测结果以及交并比为 0.5 时的平均精度(mAP0.5)。第二阶段将第一次训练的预测结果对比分析，对识别率低的标签进行分析，并将数据集中叶片的特殊结构和拍摄数据时由于反光产生干扰等情况进行说明。再次让五人标注，针对网络预测的漏标和误标进行修正，再进行训练以及预测。第三阶段则是将第二次预测结果的误测等错误让一个熟悉风机叶片结构的人来进行修正，这样能最大程度避免不同标注人员因主观因素对数据集的影响。对比三次训练结果，验证人为参与对网络的预测结果是否有较大的影响。三组人员的标注示例如图 8 所示，第一组标注存在较多的漏标，而且一个标注框中包含多个不关联的缺陷。第二组标注漏标较少，但还是存在一个标注框中含有多个缺陷的不规范标注情况。第三组的标注符合标注准则，一个标注框只包含一个缺陷，且基本不存在漏标误标等情况。借助网络预测结果，二三组标注只是修正网络的误测和漏测，减少了工作量。这种标注迭代方法可用于各种网络数据集的构建。(a)第一组标注示例(b)第二组标注示例(c)第三组标注示例图 8 各阶段标注示例3 实验结果分析YOLOv5l 模型在风机叶片红外热成像缺陷检测的评价指标主要有平均精确度 mAP（meanaverageprecision）、召回率（recall）和精确率（precision）。平均精度值越接近 1，模型的整体性能就越好。在PC 端用构建的数据集对 Yolov5l 模型进行训练。对风机叶片进行缺陷检测，包含热异常（abnormal）、避雷器孔（light_hole）和风痕（wind_mark）三类标签。因此 mAP 的计算是这三类精度(AP)的平均值，计算公式如下所示：recall=TPTP+FN(2)36中国测试2024年1月precision=TPTP+FP(3)mAP=N1i=0w10P(R)dRN(4)式中：TP正确识别标签的数量；FP误识别标签的数量；FN丢失标签的数量。mAP 的预测结果如表 3 所示。表 3 各组实验精度对比实验异常精度(AP)避雷器孔精度(AP)风痕精度(AP)平均精度(mAP0.5)/%第一次实验第二次实验第三次实验0.370.610.950.520.600.980.400.760.8842.9765.7393.53由三次实验的指标可以看出，通过网络和人为复检的数据集，可以提升网络的训练效果，从而提升叶片缺陷的识别率。在第三次迭代测试中，热异常的 AP 为 95%，避雷器孔的 AP 为 98%，风痕的 AP 为 88%。满足实际工程需求。每次训练网络后对数据进行预测，如图 9 所示，发现第一次实验训练的网络预测结果较差，有较多的重复预测以及漏测，而且预测框过大。第二次实验预测结果优于第一次，漏测和重复预测都减少了，但预测框还是过大。第三次实验的预测结果更符合标注准则，缺陷预测框能准确预测缺陷部位且识别准确率更高。三次实验的各参数对比如图 10 所示，第三次实验的各项指标都有较大提升。(a)第一次实验预测结果(b)第二次实验预测结果(c)第三次实验预测结果图 9 各组实验预测结果对比改进的缺陷面积预测结果如图 11 所示，即使预测框中的缺陷像素值低于预测框边缘，缺陷部分也能正确掩膜，缺陷面积预测效果得到了改善。由于网络预测存在一定的误差，对叶片缺陷的预测仍然存在漏测、误测等问题。如图 12 所示，由于网络误测，导致阈值化后的图片不能显示缺陷区域全部面积，所以进行掩膜计算面积时带来较大的误差。4 结束语通过 YOLOv5l 模型对风机叶片进行检测，引入人为参与能提高网络的检测精度，经过两次迭代后平均精度 mAP0.5 达到了 93.53%。该算法应用于风机叶片缺陷检测可以迅速地发现叶片缺陷并计算缺陷面积。通过无人机拍摄数据后进行预测，能有效的提高检测效率。但当网络误测缺陷时，缺陷面积的计算存在较大误差。不同的标注结果对网络的影响较大，在后续的工作中可以设计一个选择器，使标注人员的主观影响降低，有利于不同类型网络数据集的制作。YOLOv5l 算法模型较小，可以部署在相应的微型计(a)准确率1.00.80.60.40.20准确率0200400迭代次数1.00.80.60.40.20平均精度 mAP0.50200400迭代次数(b)召回率1.00.80.60.40.20召回率0200400迭代次数第一次实验第二次实验第三次实验(c)平均精度 mAP0.51.00.80.60.40.20平均精度 mAP0.5:0.950200400迭代次数(d)平均精度 mAP0.5:0.95图 10 各组实验参数对比(a)初始缺陷预测(b)改进后的缺陷预测图 11 缺陷预测对比(a)原始图片(b)掩膜图片(c)由于预测误差带来较大的掩膜误差图 12 缺陷面积预测存在的问题第50卷第1期王洪金，等：引入人员反馈的风机叶片红外缺陷测量技术37算平台上，未来可以将此模型集成在多旋翼无人机上，实现风机叶片实时缺陷检测，进一步提高检测效率。参考文献 赵春溢,郭洪涛,郭涛,等.一种风机叶片图像采集及缺陷检测系统 J.红外技术,2020,42(12):1203-1210.ZHAOCY,GUOHT,GUOT,etal.DefectdetectionsystembasedonUAVimagesforwindturbinebladesJ.InfraredTechnology,2020,42(12):1203-1210.1JIANG W,LIU M,PENG Y,et al.Hdcb-net:A neuralnetwork with the hybrid dilated convolution for pixel-levelcrackdetectiononconcretebridgesJ.IEEETransactionsonIndustrialInformatics,2020,17(8):5485-5494.2郭雨青,曾庆军,夏楠,等.图像增强水下自主机器人目标识别研究 J.中国测试,2021,47(11):47-52.GUO Y Q,ZENG Q J,XIA N,et al.Research on targetrecognitionofautonomousunderwatervehiclebasedonimageenhancementJ.ChinaMeasurementTest,2021,47(11):47-52.3范玉莹,何赟泽,孙高森,等.无人机图像风力发电机轮毂中心检测与跟踪 J.中国测试,2022,48(7):90-96.FANYY,HEYZ,SUNGS,etal.Windturbinehubcenterdetection and tracking based on UAV imagesJ.ChinaMeasurementTest,2022,48(7):90-96.4曲忠侃,李学峰,李凤俊,等.基于 FasterR-CNN 的风机叶片缺陷图像多点检测系统设计 J.电子设计工程(自然科学版),2021,29(4):57-61.QUZK,LIXF,LIFJ,etal.Designoffanbladedefectimage multi-point detection system based on Faster R-CNNJ.ElectronicDesignEngineering,2021,29(4):57-61.5张超,文传博.基于改进 MaskR-CNN 的风机叶片缺陷检测 J.可再生能源,2020,38(9):1181-1186.ZHANG C,WEN C B.Blade defect detection based onimproved Mask R-CNN J.Renewable Energy Resources,2020,38(9):1181-1186.6武宇平,刘海旭,吴劲芳,等.改进的 YOLOv3-Tiny 网络在风机叶片损伤检测中的应用 J.河北工业科技,2021,738(5):401-408.WUYP,LIUHX,WUJF,etal.ApplicationofimprovedYOLOv3-Tiny network in fan blade damage detectionJ.Hebei Journal of Industrial Science and Technology,2021,38(5):401-408.WUX,XIAOL,SUNY,etal.Asurveyofhuman-in-the-loopfor machine learningJ.Future Generation ComputerSystems,2022.8REDMONJ,DIVVALASGIRSHICKR,etal.Youonlylookonce:Unified,real-time object detectionC/ComputerVision and Pattern Recognition(CVPR),June 27-30,2016,LasVegas.Washington:IEEEComputerSociety,2016,779-788.9REDMON J,FARHADI A.YOLO9000:Better,faster,strongerC/Computer Vision and Pattern Recognition(CVPR),July22-25,HawaiiConventionCenter,Honolulu.Washington:IEEEComputerSociety,2017:6517-6525.10REDMON J,FARHADI A.YOLOv3:An IncrementalImprovement EB/OL.2018-04-08.https:/arxiv.org/pdf/1804.02767.pdf.11吴军,石改琴,卢帅员,等.采用无人机视觉的飞机蒙皮损伤智能检测方法 J.中国测试,2021,47(11):119-126.WUJ,SHIGQ,LUSY,etal.Intelligentdamagedetectionmethod of aircraft skin using drone visionJ.ChinaMeasurementTest,2021,47(11):119-126.12王立刚,张志佳,贺继昌,等.基于深度学习的交通标志文字信息检测与识别方法 J.电子测量技术,2022,45(18):119-125.WANG L G,ZHANG Z J,HE J C,et al.Traffic signinformation extraction combined with YOLO detection andtextdetectionJ.ElectronicMeasurementTechnology,2022,45(18):119-125.13YANG G,FENG W,JIN J,et al.Face mask recognitionsystemwithYOLOV5basedonimagerecognitionC/2020IEEE 6th International Conference on Computer andCommunications(ICCC).IEEE,2020:1398-1404.14(编辑:刘杨)38中国测试2024年1月