风电叶片缺陷检测实战：无人机与YOLOv26的完整落地指南

做了大半年的风电叶片缺陷检测项目，从无人机选型、数据采集、标注复检，到YOLOv26模型训练、端侧部署，再到最后跟运维工单系统对接，完整链路走下来，把能踩的坑基本都踩了一遍。整个过程最深的体会是：叶片缺陷检测真正的难点不在算法本身，而在于如何让模型在真实场景的光照、天气、无人机姿态变化中保持稳定。这篇就把整套方案的思路、配置和实战教训拆开来讲，适合正在做工业视觉检测、无人机巡检，或者打算把目标检测落到新能源运维场景的朋友参考。

先说清楚这套系统解决什么问题：用搭载可见光相机的无人机围绕风机叶片飞行，实时检测叶片表面的裂纹、雷击损伤、前缘腐蚀、漆面鼓包等缺陷类型，并定位缺陷在叶片上的大致位置。相比传统人工望远镜观察、吊篮检修或者后期人工翻看无人机照片的方式，这套方案把“发现缺陷”这件事从纯人工变成了模型自动完成，单台风机巡检时间可以压缩到原来的三分之一左右，而且检测结果可以结构化留存，方便后续对比同一个缺陷的变化趋势。

1. 为什么叶片缺陷检测必须从“人眼望远镜”换成无人机视觉

1.1 叶片运维的现状痛点

风电叶片是风机成本最高、也最容易受环境损伤的部件之一。运行几年后，前缘风沙磨损、雷击点烧蚀、胶衣开裂这些损伤几乎不可避免。过去发现缺陷主要靠两种方式：一种是巡检人员站在塔筒底部或者地面用望远镜看，这种方式只能看到叶片朝向地面一侧的大面积损伤，细裂纹基本看不到；另一种是定期安排高空吊篮或者蜘蛛人下去近距离检查，成本极高，而且高空作业的排期和风险都不小。

我接触的很多风场项目里，叶片缺陷的发现往往带有偶然性——某个机位发电效率异常，或者巡检员在望远镜里看到表面有异样，才安排专项检查。也就是说，大量细微缺陷实际上处于无人监控的状态，等到发展成大问题再处理，修复成本和停机损失都完全不一样了。

无人机的好处在于它改变了到达叶片表面这个动作的成本。一架多旋翼无人机，带上云台相机，半小时内可以绕一台风机把三支叶片从不同角度拍一遍。但问题也在这里——一台风机半小时可能产生两千多张照片，一个风场几十台风机，就意味着几万张照片。如果靠人工看，疲劳导致的漏看是必然的，而且缺陷的表征差异极大，人眼在屏幕上找细裂纹的效率远没有想象中高。这时候检测模型的价值就体现出来了。

1.2 无人机视觉方案的命中逻辑与价值

这套方案的逻辑链路是：无人机按规划航线飞行，云台对准叶片表面，图像实时进入推理模块，模型判断当前画面中是否存在缺陷类别、缺陷框落在什么位置、置信度是多少。一旦超过阈值，系统立即触发悬停补拍动作，同时把当前帧的坐标、飞行姿态、相对叶片的位置信息一并记录。

选择“目标检测”而不是“图像分类”或“语义分割”，是这个项目的关键决策之一。分类只能判断整张图里有没有缺陷，但叶片占据画面的大部分区域，有缺陷和没缺陷的图片帧比例悬殊，分类结果无法告诉你缺陷在叶片的哪个位置。分割虽然能给出像素级区域，但对细长裂纹这类目标，像素级标注成本极高，而且后续只需要一个框来驱动无人机补拍和生成工单，分割的精细度在目前的业务流程里用不上。检测框的粒度刚好匹配：既能给出位置，又维持了可接受的标注成本。

整个系统的核心价值就是三句话：把不可达区域变成可视化数据，把人工看图变成模型初筛，把碎片化的巡检记录变成可对比的缺陷档案。后面所有的技术细节，其实都是围绕这三件事展开的。

2. 缺陷数据从哪来：采集规范与标注口径决定模型上限

2.1 无人机飞行采集的动作设计与图像质量底线

很多项目一开始就走弯路，觉得模型效果差就差在算法上，实际数据质量才是决定上限的那个桶底。叶片是细长结构，无人机拍摄的视角、距离、光照条件稍有不同，图像内容就差异很大。

我做了多次飞行采集之后，总结出几条硬性要求：

第一，飞行路径必须覆盖叶片的全展向。从叶根到叶尖，无人机沿叶片方向逐段扫描，每段之间保持不少于60%的图像重叠率。重叠率低了，后续拼接或比对时会出现间隙，缺陷容易漏掉。

第二，拍摄距离控制在3到8米之间。太远了细小裂纹在图像里只占几个像素，模型根本学不出来；太近了单帧画面里叶片纹理的重复度高，可供模型参考的上下文太少，也容易误检。实际操作用长焦端拍摄，画幅里叶片表面占整个画面的60%以上，这个尺度下大部分缺陷都有足够的像素量。

第三，拍摄角度要分迎风面和背风面分别覆盖。裂缝在光照方向不同时表现差异很大，同一道裂纹在顺光下可能非常清晰，逆光下就完全隐没。训练数据里必须包含这两个方向的样本，模型才能学会不受光照方向干扰。

图像质量底线上，我明确要求快门速度不低于1/1000秒，配合无人机悬停和电子防抖，避免运动模糊。模糊图像在训练集里少量存在可以帮助模型适应实际情况，但如果模糊帧占比例太高，模型就会学得模棱两可。

2.2 缺陷类别划分与标注的颗粒度

标注口径是整个数据处理环节最不能糊弄的部分。我们结合常见叶片损伤类型，把缺陷类别定成五类，实际效果不错。大概的类别设计如下：

标注细节上，最需要注意的一致性规则是：细长裂纹的标注框必须紧贴裂纹走向，不要为了省事用一个几乎全尺寸的大框把整片区域框起来。大框会带入太多正常表面特征，模型学到的特征会发生偏移。多人协作标注时，必须先做一轮标注口径校准，让标注员看同一个典型样本，对齐对“裂纹边缘”、“腐蚀范围”的理解，否则模型会被标注噪声带偏。

另一个容易被忽略的问题是数据划分。叶片是同一个物体，从不同角度拍摄的图像高度相似，如果同一支叶片的图像既出现在训练集又出现在测试集，指标会虚高，换到陌生风场就露馅。正确做法是按叶片维度划分数据：某几支叶片的所有图像全部进训练集，另外几支叶片的所有图像全部进验证集和测试集。这样模型面对的是真正的跨叶片泛化场景。

2.3 数据分裂、样本不均衡与增强策略

叶片缺陷存在天然的长尾问题：裂纹最常见、实例数多，雷击损伤和制造缺陷相对稀少。如果直接训练，模型对稀有类别的学习会非常不充分。处理思路有两路并进——在损失函数上对稀有类别加权重，在数据层面用针对性增强补齐样本。

数据增强层面，常规的翻转、旋转、颜色抖动是基础，但对叶片场景最有用的几个增强手段反而很少有人强调。第一个是亮度对比度随机调整，模拟无人机在不同朝向、太阳位置下看到的极端明暗差异。第二个是运动模糊和轻微高斯模糊，让模型对机载相机的对焦不足保持鲁棒。第三个是小目标复制粘贴增强，从原图里把裂纹、腐蚀区域“抠”出来，随机贴到其他叶片表面图像上，用来扩充小目标样本数量。这个操作对细裂纹召回率的提升非常直接。

样本不均衡还有一个容易踩的坑：不是缺陷帧不均衡，而是不同叶片区域的背景不均衡。比如模型经常把叶根接闪器、螺栓孔等部件误检成缺陷，就是因为这些特殊区域在训练集里出现得少。后来我们专门补采了一批叶根和接闪器特写，并加入训练，误检率明显下降。这类问题在标注阶段几乎发现不了，只有跑完一轮推理、专门统计误检框的位置分布之后才能定位。

3. YOLOv26模型训练的落地配置与指标评估

3.1 为什么选YOLO系列而不是其他检测框架

关于模型选型，这个问题的答案跟场景强相关。风电叶片缺陷检测对实时性有要求，无人机飞行过程中需要即时反馈，不能拍完几百张图再统一离线处理。两阶段检测精度虽高但速度偏慢，在机载算力有限的情况下不划算。实时单阶段检测器里，YOLO系列的工程成熟度是最高的——训练生态完整，导出部署链路顺畅，社区资料丰富，出了任何问题都能找到人讨论。

选择YOLOv26看重的是几个方面。它的骨干网络结构相比早期版本明显增强，对短纹理和小目标的特征提取能力更好，同时保持了单阶段检测器的高推理速度。动态标签分配策略让正负样本的划分更合理，训练时收敛更稳定。新版本还内置了多种数据增强策略，虽然这项功能夜间训练时可以直接用，但我更倾向于关闭内置增强、自己控制增强组合，这样能精确控制训练分布。

还有一个很现实的理由：YOLOv26的预训练权重在通用视觉数据集上做得足够好，做叶片缺陷这种垂直场景时，用预训练权重做全量微调，几百张到一千多张的有效标注图就能训练出可用的检测器。如果从零开始训练，同样数据量下效果会差非常多。

3.2 训练细节：分辨率、超参数与收敛节奏

叶片缺陷检测中，输入分辨率直接影响小缺陷的检出能力。我们的标注图原始分辨率很高，但统一缩放时如果压得太小，细小裂纹在特征图里就消失了。实际项目中，推理和训练使用1280x1280输入，而不是默认的640。高分辨率训练会明显增加显存占用，但在机载部署时可以做一次尺寸切换，这个后面部署部分会细说。

训练参数方面，给一个实测下来比较稳的配置模板。这里以常见训练框架为例，如果你是拿公开YOLO库训练，直接照这个思路设置就好：

# 训练命令参考示例 yolo detect train \ data=blade_defect.yaml \ model=yolov26.pt \ imgsz=1280 \ epochs=150 \ batch=16 \ lr0=0.005 \ lrf=0.01 \ warmup_epochs=5 \ hsv_h=0.2 hsv_s=0.4 hsv_v=0.4 \ degrees=30 translate=0.2 scale=0.4 \ mixup=0.2 copy_paste=0.3 \ cache=True

几个参数的具体含义值得多说几句。学习率设置到这个量级配合预热阶段，前几个epoch模型不会因为随机权重剧烈抖动；warmup结束后主干网络逐步进入正常学习速度，到后期余弦退火让学习率平滑降下来，损失曲线会更干净。copy_paste增强对小目标帮助极大，mixup我调得偏低，因为叶片表面特征重复度高，过强的mixup会让模型学到错误的背景混杂。

训练集总量方面，我们最终用了大约三千张有效标注图像，数据增强后每个epoch相当于两万张左右。训练曲线方面，到120个epoch左右mAP趋于平稳，损失值不再明显下降。没有追求更低损失，因为从实际推理看，继续训练会出现轻微过拟合，训练集损失降、验证集损失反而微升。

显存不够时的替代方案很简单：先把模型缩小一档，比如用1/2通道宽度的版本跑通整个验证流程，确认数据集和参数没有问题，再换完整模型做正式训练。不要一上来就压batch size压到很小，那样批归一化层的统计量会很不稳定。

3.3 不看mAP看什么：巡检场景的实际评估口径

mAP在论文里是个标准指标，但在叶片巡检业务里，孤零零看一个mAP很容易被误导。我评估模型是否可用，主要看四个口径：mAP@0.5、mAP@0.5:0.95、漏检率、平均每叶片误检数。

漏检率的定义是：测试集中所有人工标注的真实缺陷框，模型没有框出来的比例。这个指标直接反映系统最严重后果——缺陷漏过没人发现，后续叶片继续带伤运行。

平均每叶片误检数更贴近风场使用者的感受。模型会频繁把正常区域识别成缺陷，误检太多会让运维人员失去对系统的信任，最后干脆不看告警，整个系统的意义就没有了。我们的目标是每片叶子的误检框控制在个位数。

为了把评估做扎实，测试集构建时特别加入了三个维度的样本：晴天强光下拍的、阴天散射光下拍的、雨后叶片表面有水滴反光时拍的。叶片表面缺陷在某些光照条件下的可见度差异很大，如果测试集没有覆盖这些场景，真实部署时性能会发生难以预测的下降。

4. 无人机端部署推理与叶片缺陷上报联动

4.1 机载算力与两阶段推理策略

部署环节首先要回答一个问题：缺陷检测的推理到底放在哪。无人机机载端实时推理好处是反馈快、不依赖网络，坏处是功率和散热限制导致算力有限；地面站端远程推理好处是算力充足，坏处是依赖图传链路，远距离飞行时延迟不稳定。

我在项目中采用了机载端轻量推理加地面站复核的双轨策略。无人机搭载的计算单元运行量化后的模型，对实时图传画面做快速初筛。一旦机载端出现置信度超过阈值的缺陷框，系统自动切换状态、控制无人机悬停，并对当前叶片区域做多角度细拍。地面站收到后的处理分成两条线：一条是基于悬停细拍图像的高分辨率二次检测，核实机载端告警是否成立；另一条是把飞行全过程的图像和告警时间戳汇总起来，供后续离线分析。

选择这样的双轨结构，核心原因是机载端在做初筛而这种场景下的检测任务本身就是一连串权衡——精度和速度不可能同时拉满。机载端用较大阈值过滤掉大部分模糊的低置信度检测框，地面站用高分辨率模型确认剩下的候选框，精度和速度都有了。

4.2 图像预处理、切片与检测结果的后处理

机载端图像预处理的细节同样决定检测效果。自动曝光在无人机拍摄时经常把叶片表面拍得过亮或过暗，引入自适应直方图均衡可以改善细节对比度，对缺陷特征提取有可见帮助。整条预处理链路是：原始帧转灰度判断曝光状态，适度调整亮度对比度，再送入推理模块。

部署时采用的推理框架需要做精度和速度的权衡。INT8量化在边缘设备上几乎是必须操作，但量化后细裂纹这种低纹理目标的首选框质量会有轻微退化。我的处理办法不是放弃量化，而是用验证集量化校准一遍，专门检查量化前后缺陷类别的AP变化，如果某类掉点超过2个百分点，就把那部分卷积层保留float16精度，做混合量化。

小目标检测的杀手锏是切片推理。一个典型的场景：叶片前端区域可能在画面里只呈现一条窄带，直接整图送模型，裂纹只有十几个像素宽，模型难以可靠识别。切片推理的逻辑是把原始高分辨率图切成固定大小的块，每个块单独过模型，检测到目标后再把坐标映射回原图。切片的四边带40%重叠，确保跨切片的目标不会被切成两段导致漏检。这种方法可以把小目标的有效像素放大四倍以上，缺陷召回率提升非常明显。

切片推理代码思路大致如下：

def detect_with_slices(img, slice_size=640, overlap=0.4): h, w = img.shape[:2] step = int(slice_size * (1 - overlap)) all_detections = [] for y in range(0, h - slice_size + 1, step): for x in range(0, w - slice_size + 1, step): slice_img = img[y:y+slice_size, x:x+slice_size] dets = model(slice_img) for box, score, cls in dets: # 坐标映射回原图 box = [box[0] + x, box[1] + y, box[2] + x, box[3] + y] all_detections.append([box, score, cls]) return nms(all_detections)

注意切片后NMS要把所有切片的结果汇总在一起做一次全局NMS，否则同一个缺陷在重叠区域会被重复检测走两遍。

4.3 缺陷即时采集与地面工单生成

检测到缺陷后，最怕的是只保存了一个检测框，后续人工复核时看不到框里的实际图像细节。所以我们的流程里规定：触发告警后，无人机自动绕当前缺陷点拍摄三张不同角度的图像，包括一张正对表面的特写、一张斜45度视角的整体图、一张包含叶片边缘的定位图。这三张图在后面生成工单时非常有用。

地面站生成的工单结构大概是这样的：缺陷编号、风机编号、叶片编号（A/B/C）、展向位置（叶根到叶尖的百分比）、缺陷类别、置信度、三张现场图片、拍到的GPS坐标和风向信息。展向位置的估算方式比较粗暴但有效，把叶片在画面中的位置结合无人机当前航点的叶片展向百分比反推。精度虽然不如激光测距准确，但对运维排修已经足够。

工单直接推到运维系统后，人工只需要做一件事——看图确认缺陷是否成立。这一步虽然还是人工，但工作量大为缩减，而且确认行为的反馈又可以回流到标注集，形成在线的持续学习闭环。

5. 实际运行里的高发误检漏检场景及调优手段

5.1 逆光高亮、塔筒阴影与背景干扰

真实运行一段时间后，我发现最麻烦的干扰因素反而不是叶片表面的复杂纹理，而是环境光照与背景物体。逆光拍摄时叶片表面会出现大面积镜面反射，尤其是带漆面光泽的表面，高光区域在图像里呈现一条条亮带，纹理特征跟鼓包、剥落非常接近，导致模型把高光反射误判成缺陷。

这类误检的调优路径我应该记下来：先从采集侧规避，飞行计划要求尽量选择叶片迎光面和背光面分别飞，避免正对太阳方向拍摄；再从模型侧处理，数据增强里大量加入高光模拟，把图像亮度区间整体拉高、局部过曝，让模型学到高光区域的“非缺陷”特征。经过两个epoch的针对性训练，逆光误检率明显下降。

塔筒和机舱作为背景物体也会经常被误检——特别是叶片旋至塔筒后方时，画面前景是叶片，背景是塔筒的弧形表面，塔筒表面的焊缝、漆面线条容易被框成缺陷。处理办法是引入一个叶片位置先验：检测框如果落在风轮平面区域之外，直接抑制掉。

5.2 细长裂纹漏检：切片检测的收益与实现

细长裂纹是整个项目中最难处理的类别。裂纹可能只有两三个像素宽，几十个像素长，在高分辨率下肉眼能看到，但一旦缩图，特征就溶进叶片纹理里了。这里切片检测的收益非常明显，把算法实际对比数据记录一下：整图检测在1280输入下细裂纹召回率不到六成，切片检测后能提升到八成以上。代价是计算量成倍增加，所以这个模式只在悬停细拍阶段使用，巡航扫描阶段继续用整图快速检测。

切片尺寸的选择也需要试验。640的切片在1280原图上等于把每个区域放大两倍视野，对细裂纹足够；如果切片设到320，放大倍数更高但计算量上升明显，而且切片边缘会把长条形裂纹拦腰截断，反而增加漏检。最终选择了640加40%重叠的组合，这是精度和效率比较平衡的位置。

5.3 推理稳定性与量化误差的控制

部署后遇到过的实际问题是帧率不稳定和检测结果跳变。帧率不稳定的主要原因是在高空强光环境下，自动曝光一直在波动，导致输入图像的统计特征频繁变化，边缘设备推断时间也跟着波动。解决办法是把曝光优先固定为手动曝光模式，只在昼夜转换时通过地面站手动调整曝光参数。

检测结果跳变的表现是同一缺陷在前后几帧里时而检出、时而消失。这类问题的本质是目标太靠近置信度阈值。我们针对输出层做了时序平滑：连续三帧中至少两帧检测到同一位置缺陷才确认告警，单帧命中不触发。这个机制虽然会增加约一秒钟的确认延迟，但对减少误报和提升运维信任度非常值。

另一个容易踩的坑是在无人机盘旋时，同一缺陷随视角变化形状差异很大，如果不做时序判断，一个缺陷可能被上报多次。解决思路是记录缺陷框的中心位置，在设定的空间距离范围内只保留一条工单，重复检测时只更新现场图片，不创建新工单。

6. 从“检测出缺陷”到“辅助运维决策”的扩展方向

6.1 缺陷在叶片表面的几何定位

检测框本身只是图像坐标，运维人员真正关心的是缺陷在叶片哪个位置。我们通过无人机飞行时的姿态、相机云台角度和当前航点对应的叶片展向位置，把检测框中心换算成展向百分比和距离前缘/后缘的相对位置。换算精度大约在几十厘米量级，对维修排程来说已经足够。

这个换算的关键在于标定整条链路：相机内参、云台外参、机体到云台的固定偏移都要做一次标定，不然误差会随着飞行距离快速放大。我建议每次换装新云台或相机后，先在地面拍摄一块已知尺寸的黑白棋盘标定板，用标定结果更新标定参数，再开始正式巡检。

6.2 跨周期巡检对比与损伤演化评估

单次巡检能发现缺陷，但判断缺陷是稳定保持还是加速扩展，需要跨周期对比。我们为每个缺陷建立了独立档案，记录历次巡检的缺陷框大小、置信度、图片缩略图。二次巡检时，用上次缺陷框的位置做局部搜索，得到新的缺陷框，比较两者的面积变化。

如果两次间隔期内缺陷面积扩大超过30%，系统将风险等级上调，提示优先安排维修。裂纹类缺陷还要额外关注扩展速率，因为胶衣裂纹可能在数个月内就从表面纹路扩展成结构性损伤，早期预警的价值很高。这个功能并不复杂，但能明显提升整套系统在运维流程中的实际话语权。

6.3 与其他数据的融合空间

叶片缺陷检测在多数风场都不是孤立存在，周围其实有一圈可以融合的数据。风机运行数据里，叶片结冰告警、振动监测数据异常往往与叶片表面缺陷存在相关性。缺陷检测发现某支叶片前缘严重腐蚀，原因可能追溯到该区域的局部风速风俗和泥沙撞击，这又跟风机朝向、地形有关。把这些数据放在同一张地图上看，可以反过来指导风场调整风机运行策略，延长叶片寿命。

另外，当巡检采样率足够高时，可以用前后两次检测框的中心偏移来辅助估算无人机的定位漂移，反向修正飞行航线的平滑度，减少重复采集成本。这类数据融合工作属于“第二层价值”，在核心检测跑通之后再逐步做，效果比一上来就铺开好得多。

最后再分享一个贯穿始终的经验：叶片缺陷检测模型的真正瓶颈在数据的“真实性问题”。工业现场的图像永远不会像公开数据集那样整洁，而你每在真实环境里多飞一次、多积累一批有干扰的样本，模型的落地效果就会上一个台阶。最开始跑通demo可能要不了几天，但把它打磨成一个运维人员敢依赖的系统，靠的还是大量实地飞行的积累和对每一个误检案例的复盘。