1.一种基于TFPN‑YOLO模型的风力发电叶片表面缺陷检测方法，其特征在于：构建改进的缺陷检测网络，所述改进的缺陷检测网络以YOLOv12网络为基础网络；

所述改进的缺陷检测网络包括顺次配合设置的Backbone模块、Neck模块和Head模块；

以傅里叶门控瓶颈卷积修饰的特征提取块替换基础网络的所有特征提取块；所述傅里叶门控瓶颈卷积修饰的特征提取块包括顺次连接的CBS块和分裂块，所述分裂块后设有并列的恒等支路与精炼支路，恒等支路和精炼支路以全连接层融合后，通过空间注意力网络和CBS块后输出；所述精炼支路包括顺次连接的3个傅里叶门控瓶颈卷积模块，每个傅里叶门控瓶颈卷积模块包括配合设置的傅里叶门控卷积块，所述傅里叶门控卷积块包括瓶颈卷积层、激活函数层和傅里叶增强块；在傅里叶增强块中，傅里叶变换层的输出分别在幅度谱分支和相位谱分支中通过平均池化层和通道维度平均层后输出至通道拼接层，通道拼接层后设有卷积块，卷积块的输出与傅里叶变换层的输出逐元素相乘；

于Backbone模块的第二个傅里叶门控瓶颈卷积修饰的特征提取块后设置自监督视觉骨干网络，所述自监督视觉骨干网络的输出与Neck模块关联；

于Backbone模块的A2C2f后设置动态多尺度特征融合模块并输出至Neck模块；

以双向特征金字塔网络替换基础网络的所有全连接块，配合双向特征金字塔网络设置若干卷积层，用于跨通道信息整合；

配合所述Head模块设置多尺度特征融合的检测头；

获取风力发电叶片表面图像数据集，预处理后构建数据集，以数据集训练所述改进的缺陷检测网络；

采集风力发电叶片表面图，输入训练后的所述改进的缺陷检测网络，获取缺陷类别、位置及置信度信息。

2.根据权利要求1所述的一种基于TFPN‑YOLO模型的风力发电叶片表面缺陷检测方法，其特征在于：所述自监督视觉骨干网络包括顺次连接的重组层、上采样层和卷积层。

3.根据权利要求1所述的一种基于TFPN‑YOLO模型的风力发电叶片表面缺陷检测方法，其特征在于：所述动态多尺度特征融合模块包括并列设置的多尺度感受野分支、级联大核注意力分支和纵横‑全局上下文分支；

所述多尺度感受野分支包括顺次连接的CBS块和3个最大池化层；

所述级联大核注意力分支包括顺次连接的4个大核注意力块，CBS块的输出为第一个大核注意力块的输入，此外的每个大核注意力块的输入为对应的最大池化层的输出和上一个大核注意力块的输出之和；

所述纵横‑全局上下文分支包括顺次连接的平均池化层、动态卷积层、分组纵横卷积组和双线性上采样层；

所述多尺度感受野分支、级联大核注意力分支和纵横‑全局上下文分支的输出拼接后作为动态多尺度特征融合模块的输出。

4.根据权利要求1所述的一种基于TFPN‑YOLO模型的风力发电叶片表面缺陷检测方法，其特征在于：基于所述双向特征金字塔网络建立TFPN特征融合通道；

TFPN特征融合通道以Neck模块中的第一个双向特征金字塔网络融合Backbone模块中自监督视觉骨干网络及其后的A2C2f的输出，以Neck模块中的第二个双向特征金字塔网络融合Backbone模块中自监督视觉骨干网络和第一个傅里叶门控瓶颈卷积修饰的特征提取块的输出，以Neck模块中的第三个双向特征金字塔网络融合第一个双向特征金字塔网络和第二个双向特征金字塔网络后的2个A2C2f的输出，以Neck模块中的第四个双向特征金字塔网络融合动态多尺度特征融合模块和第三个双向特征金字塔网络后的A2C2f的输出。

5.根据权利要求1所述的一种基于TFPN‑YOLO模型的风力发电叶片表面缺陷检测方法，其特征在于：所述多尺度特征融合的检测头包括并列设置的边界框回归分支、分类分支和边界框预测分支；

边界框回归分支、分类分支和边界框预测分支均包括顺次设置的卷积层、多个并列CBS块，多个并列CBS块的输出相加后通过CBS块和卷积层输出。

6.根据权利要求1所述的一种基于TFPN‑YOLO模型的风力发电叶片表面缺陷检测方法，其特征在于：构建损失函数 训练所述改进的缺陷检测网络，，

其中，K为多尺度分析中使用的总尺度数；

若K=1时退化为单尺度SIoU；

表示第i个尺度的融合权重， ， 为可学习参数， 表示在尺

度 下的交并比， 表示在尺度 下的距离匹配成本， 表示

在尺度 下的形状匹配成本。

7.一种基于TFPN‑YOLO模型的风力发电叶片表面缺陷检测系统，其特征在于：包括：至少一个处理器；及

与至少一个所述处理器通信连接的存储器；

其中所述存储器存储有可被所述处理器执行的指令，所述指令用于被所述处理器执行以实现权利要求1 6之一所述的基于TFPN‑YOLO模型的风力发电叶片表面缺陷检测方法。

~