64、风电叶片结冰检测与海上实时人体检测技术

风电叶片结冰检测与海上实时人体检测技术

1. 风电叶片结冰检测

1.1 模型参数与性能

在风电叶片结冰检测中，研究人员对比了多个卷积神经网络模型，具体参数如下表所示：
| 模型 | 总参数 | 可训练参数 | 输入图像尺寸 |
| — | — | — | — |
| MobileNetV2 | 2,261,827 | 2,227,715 | 224 × 224 |
| VGG19 | 20,025,923 | 20,025,923 | 224 × 224 |
| Xception | 20,867,627 | 20,813,099 | 299 × 299 |

同时，使用量化技术对这些模型在Jetson Nano 4 GB上的尺寸和推理时间进行了比较，结果如下：
| 模型 | 文件大小（MB） | 推理时间（s） |
| — | — | — |
| MobileNetV2 h5 | 18.504 | 0.116 |
| MobileNetV2 fp16 | 9.123 | 0.057 |
| VGG19 h5 | 161.634 | 0.338 |
| VGG19 fp16 | 80.836 | 0.339 |
| Xception h5 | 171.672 | 0.324 |
| Xception fp16 | 85.734 | 0.232 |

1.2 方法概述与局限性

提出的风电叶片结冰检测方法基于深度迁移学习，使用卷积神经网络，以RGB图像数据为输入，能在推理应用中毫秒级输出结冰预测。该方法在两个不同