用于风力涡轮机分割的无监督模块化自适应区域生长与RegionMix分类

风力涡轮机的可靠运行需要频繁检查，因为即使是微小的表面损伤也会降低空气动力学性能、减少能量输出并加速叶片磨损。自动化这些检查的核心是从视觉数据中准确分割涡轮叶片。传统上，这项任务通过密集的逐像素深度学习模型来解决。然而，此类方法需要大量标注数据集，带来了可扩展性挑战。在这项工作中，我们引入了一种标注高效的分割方法，将逐像素任务重新构建为二值区域分类问题。图像区域使用完全无监督、可解释的模块化自适应区域生长技术生成，该技术由图像特定的自适应阈值引导，并通过区域合并过程将碎片化区域整合为连贯片段。为了提高泛化能力和分类鲁棒性，我们引入了RegionMix，这是一种通过组合不同区域来合成新训练样本的增强策略。我们的框架通过在不同风电场中一致地分割涡轮叶片，展示了最先进的分割精度和强大的跨站点泛化能力。