CN112666219A - 一种基于红外热成像的叶片检测方法和装置以及设备 - Google Patents
一种基于红外热成像的叶片检测方法和装置以及设备 Download PDFInfo
- Publication number
- CN112666219A CN112666219A CN202011599639.8A CN202011599639A CN112666219A CN 112666219 A CN112666219 A CN 112666219A CN 202011599639 A CN202011599639 A CN 202011599639A CN 112666219 A CN112666219 A CN 112666219A
- Authority
- CN
- China
- Prior art keywords
- image
- thermal imaging
- image set
- blade
- fan blade
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Landscapes
- Radiation Pyrometers (AREA)
- Investigating Or Analyzing Materials Using Thermal Means (AREA)
Abstract
本发明公开了一种基于红外热成像的叶片检测方法，所述方法包括：获取风机叶片表面的热成像图像；对所述热成像图像进行处理后，得到第一图像集；采用梯度下降算法计算所述第一图像集的缺陷特征，得到多变量线性回归特征模型；根据所述变量线性回归特征模型对待检测图像进行检测，从而获取风机叶片的缺陷信息。本发明提出的方案能够实现对风机叶片表面缺陷进行精确的检测、并且降低检测成本以及提高检测效率。
Description
技术领域
本发明涉及风力发电机技术领域，尤其涉及一种基于红外热成像的叶片检测方法和装置以及设备。
背景技术
风能是一种重要的可再生能源，随着我国风能市场的扩大，风机制造业逐渐进入高速发展期。风力发电机的寿命和安全性影响着风电利用和发展的脚步，风机叶片是风力发电机的核心部件，其寿命和安全性直接影响着整个风电机组的寿命和安全状况。由于风电场运行环境比较复杂，风机叶片全天候在高空运行，长期接收风沙、污染、雷击以及台风等各种因素的影响，风机叶片容易出现缺陷并逐步扩展，若未能及时发现风机叶片缺陷，会直接影响了载荷和刚度矩阵，最终降低叶片的寿命和运行安全性。
现有中通过目视观察法(包括采用高倍望远镜、高空绕道视觉检测等方式)对风机叶片表面进行检测，该方法为非接触式检测且较为直观，但是该方法存在人力巡检的检测成本高、受人的主观影响较大，且识别率低以及检测效率低等问题。
发明内容
有鉴于此，本发明的目的在于提出一种基于红外热成像的叶片检测方法和装置以及设备，能够实现对风机叶片表面缺陷进行精确的检测、并且降低检测成本以及提高检测效率。
为实现上述目的，本发明提供一种基于红外热成像的叶片检测方法，所述方法包括：
获取风机叶片表面的热成像图像；
对所述热成像图像进行处理后，得到第一图像集；
采用梯度下降算法计算所述第一图像集的缺陷特征，得到多变量线性回归特征模型；
根据所述变量线性回归特征模型对待检测图像进行检测，从而获取风机叶片的缺陷信息。
优选的，所述对所述图像进行处理后，得到第一图像集的步骤包括：
对所述图像通过均值滤波器去噪后，进行灰度化处理，得到灰度图像集；
对所述灰度图像集进行特征缩放至预设范围，得到第一图像集。
优选的，所述进行灰度化处理的步骤包括：
通过加权平均法对所述图像进行灰度化处理。
优选的，所述通过加权平均法对所述图像进行灰度化处理的步骤包括：
根据f(i，j)＝0.30R(i，j)+0.59G(i，j)+0.11B(i，j)将RGB三个分量以不同的权值进行加权平均计算，其中，i表示第i行，j表示第j列。
优选的，所述对所述灰度图像集进行特征缩放至预设范围的步骤包括：
根据
将所述灰度图像集进行特征缩放至预设范围。
优选的，所述采用梯度下降算法计算所述第一图像集的缺陷特征，得到多变量线性回归特征模型的步骤包括如下步骤：
根据条件概率：hθ(x)＝P(y＝1|x；Θ)得到概率P，以确定风机叶片的缺陷类型分类，进一步包括：
根据逻辑回归：
其中，z＝ΘTX，
从而确定hθ(x)；
根据逻辑回归的梯度下降：
以及，
根据加入正则化项的梯度下降：
从而确定θ；
其中，在上述公式中h(x)表示关于x的函数h，g(z)表示关于z的函数g，e、P、x、T表示数学运算符号，θ表示权重，α、λ表示超参数，m表示样本数量，Labels表示样本标签真实值，i表示第i行，j表示第j列。
为实现上述目的，本发明还提供一种基于红外热成像的叶片检测装置，所述装置包括：
获取单元，用于获取风机叶片表面的热成像图像；
处理单元，用于对所述热成像图像进行处理后，得到第一图像集；
计算单元，用于采用梯度下降算法计算所述第一图像集的缺陷特征，得到多变量线性回归特征模型；
检测单元，用于根据所述变量线性回归特征模型对待检测图像进行检测，从而获取风机叶片的缺陷信息。
优选的，所述处理单元，进一步包括：
第一处理单元，用于对所述图像通过均值滤波器去噪后，进行灰度化处理，得到灰度图像集；
第二处理单元，用于对所述灰度图像集进行特征缩放至预设范围，得到第一图像集。
优选的，所述计算单元，具体包括：
根据条件概率：hθ(x)＝P(y＝1|x；Θ)得到概率P，以确定风机叶片的缺陷类型分类，进一步包括：
根据逻辑回归：
其中，z＝ΘTX，
从而确定hθ(x)；
根据逻辑回归的梯度下降：
以及，
根据加入正则化项的梯度下降：
从而确定θ；
其中，在上述公式中h(x)表示关于x的函数h，g(z)表示关于z的函数g，e、P、x、T表示数学运算符号，θ表示权重，α、λ表示超参数，m表示样本数量，Labels表示样本标签真实值，i表示第i行，j表示第j列。
为实现上述目的，本发明还提供一种基于红外热成像的叶片检测设备，包括处理器、存储器以及存储在所述存储器内的计算机程序，所述计算机程序能够被所述处理器执行以实现如上述实施例所述的一种基于红外热成像的叶片检测方法。
有益效果：
以上方案，获取风机叶片表面的热成像图像，对所述热成像图像进行处理后，得到第一图像集，采用梯度下降算法计算所述第一图像集的缺陷特征，得到多变量线性回归特征模型，根据所述变量线性回归特征模型对待检测图像进行检测，从而获取风机叶片的缺陷信息，能够实现对风机叶片表面缺陷进行精确的检测、并且能准确识别具体的风机叶片表面的缺陷类型，并且大大降低检测成本以及提高检测效率。
以上方案，所述对所述图像进行处理后，得到第一图像集的步骤包括：对所述图像通过均值滤波器去噪后，进行灰度化处理，得到灰度图像集，对所述灰度图像集进行特征缩放至预设范围，得到第一图像集，能够增强图像的对比度，以及提高运算速度。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明一实施例提供的一种基于红外热成像的叶片检测方法的流程示意图。
图2为本发明一实施例提供的一种基于红外热成像的叶片检测装置的结构示意图。
发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
为使本发明实施方式的目的、技术方案和优点更加清楚，下面将结合本发明实施方式中的附图，对本发明实施方式中的技术方案进行清楚、完整地描述，显然，所描述的实施方式是本发明一部分实施方式，而不是全部的实施方式。基于本发明中的实施方式，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施方式，都属于本发明保护的范围。因此，以下对在附图中提供的本发明的实施方式的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施方式。基于本发明中的实施方式，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施方式，都属于本发明保护的范围。
以下结合实施例详细阐述本发明的内容。
本发明提供一种基于红外热成像的叶片检测方法能够实现对风机叶片表面缺陷进行精确的检测、并且降低检测成本以及提高检测效率。
参照图1所示为本发明一实施例提供的一种基于红外热成像的叶片检测方法的流程示意图。
本实施例中，该方法包括：
S11，获取风机叶片表面的热成像图像。
在具体实施时，通过无人机获取风机叶片表面的图像。具体为通过在无人机上搭载高清摄像头和红外摄像头进行拍摄图像信息，通过WiFi传输高清图像以及相关的位姿信息至处理平台。
S12，对所述热成像图像进行处理后，得到第一图像集。
其中，所述对所述图像进行处理后，得到第一图像集的步骤包括：
S12-1，对所述图像通过均值滤波器去噪后，进行灰度化处理，得到灰度图像集。
在具体实施时，灰度化处理是把含有亮度和色彩的彩色图像变化成灰度图像的过程。其灰度化的过程进一步包括根据读取数据图像得到RGB三个分量，计算像素点的灰度值，并根据像素点颜色分量重新赋值，从而得到灰度图像。
其中，所述进行灰度化处理的步骤包括：
通过使用加权平均法对所述图像进行灰度化处理。
其中，所述通过加权平均法对所述图像进行灰度化处理的步骤包括：
根据f(i，j)＝0.30R(i，j)+0.59G(i，j)+0.11B(i，j)将RGB三个分量以不同的权值进行加权平均计算，其中，i表示第i行，j表示第j列。
S12-2，对所述灰度图像集进行特征缩放至预设范围，得到第一图像集。
其中，所述对所述灰度图像集进行特征缩放至预设范围的步骤包括：
根据
将所述灰度图像集进行特征缩放至预设范围。
S13，采用梯度下降算法计算所述第一图像集的缺陷特征，得到多变量线性回归特征模型。
其中，所述采用梯度下降算法计算所述第一图像集的缺陷特征，得到多变量线性回归特征模型的步骤包括如下步骤：
根据条件概率：hθ(x)＝P(y＝1|x；Θ)得到概率P，以确定风机叶片的缺陷类型分类，进一步包括：
根据逻辑回归：
其中，z＝ΘTX，
从而确定hθ(x)；
根据逻辑回归的梯度下降：
以及，
根据加入正则化项的梯度下降：
从而确定θ；
其中，在上述公式中h(x)表示关于x的函数h，g(z)表示关于z的函数g，e、P、x、T表示数学运算符号，θ表示权重，α、λ表示超参数，m表示样本数量，Labels表示样本标签真实值，i表示第i行，j表示第j列。
在本实施例中，在该条件概率公式hθ(x)＝P(y＝1|x；Θ)中通过θ做条件，而θ通过逻辑回归、逻辑回归的梯度下降以及正则化项的梯度下降的计算得到。通过加入正则化项的梯度下降的目的是为了防止多变量线性回归特征模型过拟合，也就是防止多变量线性回归特征模型过高阶导致过于复杂，从而导致检测精度降低。
S14，根据所述变量线性回归特征模型对待检测图像进行检测，从而获取风机叶片的缺陷信息。
在具体实施时，在通过所述变量线性回归特征模型对待检测图像进行检测，从而获取风机叶片的缺陷信息后，进一步包括通过对待检测图像的进行检测识别风机叶片表面的缺陷类型，其中，风机叶片表面缺陷类型包括叶片表面气泡、结冰、粗糙化、砂眼以及外部开裂等。
本发明提供一种基于红外热成像的叶片检测装置能够实现对风机叶片表面缺陷进行精确的检测、并且降低检测成本以及提高检测效率。
参照图2所示为本发明一实施例提供的一种基于红外热成像的叶片检测装置的结构示意图。
本实施例中，该装置20包括：
获取单元21，用于获取风机叶片表面的热成像图像。
处理单元22，用于对所述热成像图像进行处理后，得到第一图像集。
计算单元23，用于采用梯度下降算法计算所述第一图像集的缺陷特征，得到多变量线性回归特征模型。
检测单元24，用于根据所述变量线性回归特征模型对待检测图像进行检测，从而获取风机叶片的缺陷信息。
其中，所述处理单元22，进一步包括：
(1)第一处理单元，用于对所述图像通过均值滤波器去噪后，进行灰度化处理，得到灰度图像集。
其中，所述所述进行灰度化处理的步骤包括：
通过使用加权平均法对所述图像进行灰度化处理。
其中，所述通过加权平均法对所述图像进行灰度化处理的步骤包括：
根据f(i，j)＝0.30R(i，j)+0.59G(i，j)+0.11B(i，j)将RGB三个分量以不同的权值进行加权平均计算，其中，i表示第i行，j表示第j列。
(2)第二处理单元，用于对所述灰度图像集进行特征缩放至预设范围，得到第一图像集。
所述对所述灰度图像集进行特征缩放至预设范围的步骤包括：
根据
将所述灰度图像集进行特征缩放至预设范围。
其中，所述计算单元23，具体包括：
根据条件概率：hθ(x)＝P(y＝1|x；Θ)得到概率P，以确定风机叶片的缺陷类型分类，进一步包括：
根据逻辑回归：
其中，z＝ΘTX，
从而确定hθ(x)；
根据逻辑回归的梯度下降：
以及，
根据加入正则化项的梯度下降：
从而确定θ；
其中，在上述公式中h(x)表示关于x的函数h，g(z)表示关于z的函数g，e、P、x、T表示数学运算符号，θ表示权重，α、λ表示超参数，m表示样本数量，Labels表示样本标签真实值，i表示第i行，j表示第j列。
该装置20的各个单元模块可分别执行上述方法实施例中对应步骤，故在此不对各单元模块进行赘述，详细请参见以上对应步骤的说明。
本发明实施例还提供一种基于红外热成像的叶片检测设备，包括处理器、存储器以及存储在所述存储器内的计算机程序，所述计算机程序能够被所述处理器执行以实现如上述实施例所述的基于红外热成像的叶片检测方法。
所述基于红外热成像的叶片检测设备可包括但不仅限于处理器、存储器。本领域技术人员可以理解，所述示意图仅仅是基于红外热成像的叶片检测设备的示例，并不构成对基于红外热成像的叶片检测设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述基于红外热成像的叶片检测设备还可以包括输入输出设备、网络接入设备、总线等。
所称处理器可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等，所述基于红外热成像的叶片检测设备的控制中心，利用各种接口和线路连接整个基于红外热成像的叶片检测设备的各个部分。
所述存储器可用于存储所述计算机程序和/或模块，所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块，以及调用存储在存储器内的数据，实现所述基于红外热成像的叶片检测设备的各种功能。所述存储器可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作***、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据手机的使用所创建的数据(比如音频数据、电话本等)等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(SecureDigital,SD)卡，闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
其中，所述基于红外热成像的叶片检测设备集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。
需说明的是，以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。另外，本发明提供的装置实施例附图中，模块之间的连接关系表示它们之间具有通信连接，具体可以实现为一条或多条通信总线或信号线。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。
上述实施例中的实施方案可以进一步组合或者替换，且实施例仅仅是对本发明的优选实施例进行描述，并非对本发明的构思和范围进行限定，在不脱离本发明设计思想的前提下，本领域中专业技术人员对本发明的技术方案作出的各种变化和改进，均属于本发明的保护范围。
Claims (10)
1.一种基于红外热成像的叶片检测方法，其特征在于，所述方法包括：
获取风机叶片表面的热成像图像；
对所述热成像图像进行处理后，得到第一图像集；
采用梯度下降算法计算所述第一图像集的缺陷特征，得到多变量线性回归特征模型；
根据所述变量线性回归特征模型对待检测图像进行检测，从而获取风机叶片的缺陷信息。
2.根据权利要求1所述的一种基于红外热成像的叶片检测方法，其特征在于，所述对所述图像进行处理后，得到第一图像集的步骤包括：
对所述图像通过均值滤波器去噪后，进行灰度化处理，得到灰度图像集；
对所述灰度图像集进行特征缩放至预设范围，得到第一图像集。
3.根据权利要求2所述的一种基于红外热成像的叶片检测方法，其特征在于，所述进行灰度化处理的步骤包括：
通过加权平均法对所述图像进行灰度化处理。
4.根据权利要求3所述的一种基于红外热成像的叶片检测方法，其特征在于，所述通过加权平均法对所述图像进行灰度化处理的步骤包括：
根据f(i，j)＝0.30R(i，j)+0.59G(i，j)+0.11B(i，j)将RGB三个分量以不同的权值进行加权平均计算，其中，i表示第i行，j表示第j列。
5.根据权利要求2所述的一种基于红外热成像的叶片检测方法，其特征在于，所述对所述灰度图像集进行特征缩放至预设范围的步骤包括：
根据
将所述灰度图像集进行特征缩放至预设范围。
6.根据权利要求1所述的一种基于红外热成像的叶片检测方法，其特征在于，所述采用梯度下降算法计算所述第一图像集的缺陷特征，得到多变量线性回归特征模型的步骤包括如下步骤：
根据条件概率：hθ(x)＝P(y＝1|x；Θ)得到概率P，以确定风机叶片的缺陷类型分类，进一步包括：
根据逻辑回归：
其中，z＝ΘTX，
从而确定hθ(x)；
根据逻辑回归的梯度下降：
以及，
根据加入正则化项的梯度下降：
从而确定θ；
其中，在上述公式中h(x)表示关于x的函数h，g(z)表示关于z的函数g，e、P、x、T表示数学运算符号，θ表示权重，α、λ表示超参数，m表示样本数量，Labels表示样本标签真实值，i表示第i行，j表示第j列。
7.一种基于红外热成像的叶片检测装置，其特征在于，所述装置包括：
获取单元，用于获取风机叶片表面的热成像图像；
处理单元，用于对所述热成像图像进行处理后，得到第一图像集；
计算单元，用于采用梯度下降算法计算所述第一图像集的缺陷特征，得到多变量线性回归特征模型；
检测单元，用于根据所述变量线性回归特征模型对待检测图像进行检测，从而获取风机叶片的缺陷信息。
8.根据权利要求7所述的一种基于红外热成像的叶片检测装置，其特征在于，所述处理单元，进一步包括：
第一处理单元，用于对所述图像通过均值滤波器去噪后，进行灰度化处理，得到灰度图像集；
第二处理单元，用于对所述灰度图像集进行特征缩放至预设范围，得到第一图像集。
9.根据权利要求7所述的一种基于红外热成像的叶片检测装置，其特征在于，所述计算单元，具体包括：
根据条件概率：hθ(x)＝P(y＝1|x；Θ)得到概率P，以确定风机叶片的缺陷类型分类，进一步包括：
根据逻辑回归：
其中，z＝ΘTX，
从而确定hθ(x)；
根据逻辑回归的梯度下降：
以及.
根据加入正则化项的梯度下降：
从而确定θ；
其中，在上述公式中h(x)表示关于x的函数h，g(z)表示关于z的函数g，e、P、x、T表示数学运算符号，θ表示权重，α、λ表示超参数，m表示样本数量，Labels表示样本标签真实值，i表示第i行，j表示第j列。
10.一种基于红外热成像的叶片检测设备，其特征在于，包括处理器、存储器以及存储在所述存储器内的计算机程序，所述计算机程序能够被所述处理器执行以实现如权利要求1至6任意一项所述的一种基于红外热成像的叶片检测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011599639.8A CN112666219A (zh) | 2020-12-29 | 2020-12-29 | 一种基于红外热成像的叶片检测方法和装置以及设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011599639.8A CN112666219A (zh) | 2020-12-29 | 2020-12-29 | 一种基于红外热成像的叶片检测方法和装置以及设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112666219A true CN112666219A (zh) | 2021-04-16 |
Family
ID=75410441
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011599639.8A Pending CN112666219A (zh) | 2020-12-29 | 2020-12-29 | 一种基于红外热成像的叶片检测方法和装置以及设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112666219A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113406091A (zh) * | 2021-06-09 | 2021-09-17 | 东方电气集团科学技术研究院有限公司 | 一种用于风机叶片检测的无人机***及控制方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109584248A (zh) * | 2018-11-20 | 2019-04-05 | 西安电子科技大学 | 基于特征融合和稠密连接网络的红外面目标实例分割方法 |
| CN110546490A (zh) * | 2017-04-18 | 2019-12-06 | 沙特***石油公司 | 用于使用定量红外热成像检查复合材料结构的设备、***和方法 |
| CN110689485A (zh) * | 2019-10-14 | 2020-01-14 | 中国空气动力研究与发展中心超高速空气动力研究所 | 一种应用于大型压力容器红外无损检测的sift图像拼接方法 |
| CN110793722A (zh) * | 2019-11-08 | 2020-02-14 | 国家计算机网络与信息安全管理中心 | 基于机器学习的铅酸蓄电池非接触式漏液检测装置及方法 |
| US20200175352A1 (en) * | 2017-03-14 | 2020-06-04 | University Of Manitoba | Structure defect detection using machine learning algorithms |
-
2020
- 2020-12-29 CN CN202011599639.8A patent/CN112666219A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20200175352A1 (en) * | 2017-03-14 | 2020-06-04 | University Of Manitoba | Structure defect detection using machine learning algorithms |
| CN110546490A (zh) * | 2017-04-18 | 2019-12-06 | 沙特***石油公司 | 用于使用定量红外热成像检查复合材料结构的设备、***和方法 |
| CN109584248A (zh) * | 2018-11-20 | 2019-04-05 | 西安电子科技大学 | 基于特征融合和稠密连接网络的红外面目标实例分割方法 |
| CN110689485A (zh) * | 2019-10-14 | 2020-01-14 | 中国空气动力研究与发展中心超高速空气动力研究所 | 一种应用于大型压力容器红外无损检测的sift图像拼接方法 |
| CN110793722A (zh) * | 2019-11-08 | 2020-02-14 | 国家计算机网络与信息安全管理中心 | 基于机器学习的铅酸蓄电池非接触式漏液检测装置及方法 |
Non-Patent Citations (4)
| Title |
|---|
| 双锴: "《深入理解XGBOOST 高效机器学习算法与进阶》", 31 January 2020, 北京邮电大学出版社 * |
| 李春 等: "《现代大型风力机设计原理》", 31 January 2013, 上海科学技术出版社 * |
| 栾贻国 等: "《材料加工中的计算机应用技术》", 31 July 2005, 哈尔滨工业大学出版社 * |
| 王玲: "《数据挖掘学习方法》", 31 August 2017, 冶金工业出版社 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113406091A (zh) * | 2021-06-09 | 2021-09-17 | 东方电气集团科学技术研究院有限公司 | 一种用于风机叶片检测的无人机***及控制方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111695609B (zh) | 目标物损伤程度判定方法、装置、电子设备及存储介质 | |
| CN111507399A (zh) | 基于深度学习的云状识别和模型训练方法、装置、终端及介质 | |
| Zhang et al. | Moving vehicle detection in aerial infrared image sequences via fast image registration and improved YOLOv3 network | |
| CN111291825A (zh) | 病灶分类模型训练方法、装置、计算机设备和存储介质 | |
| CN111259957A (zh) | 基于深度学习的能见度监测和模型训练方法、装置、终端及介质 | |
| CN103295021A (zh) | 一种静态图片中车辆特征检测及识别的方法及*** | |
| CN110544231A (zh) | 基于背景标准化和集中补偿算法的锂电池电极表面缺陷检测方法 | |
| CN110070545B (zh) | 一种城镇纹理特征密度自动提取城镇建成区的方法 | |
| CN115131283A (zh) | 目标对象的缺陷检测、模型训练方法、装置、设备及介质 | |
| CN113050693A (zh) | 一种用于风电叶片检测的无人机巡检方法和装置以及设备 | |
| CN112001317A (zh) | 基于语义信息的导线缺陷识别方法、***及终端设备 | |
| CN114693678B (zh) | 工件质量智能检测方法、装置 | |
| CN115170816A (zh) | 多尺度特征提取***、方法和风机桨叶缺陷检测方法 | |
| CN113255555A (zh) | 中国交通标志牌识别方法、***、处理设备及存储介质 | |
| CN117094916A (zh) | 一种市政桥梁支座视觉检测方法 | |
| CN116205881A (zh) | 一种基于轻量级语义分割的数码喷印图像缺陷检测方法 | |
| CN114694130A (zh) | 基于深度学习的铁路沿线电线杆及杆号检测方法和装置 | |
| CN113393430A (zh) | 用于风机叶片缺陷检测的热成像图像增强训练方法和装置 | |
| CN112666219A (zh) | 一种基于红外热成像的叶片检测方法和装置以及设备 | |
| CN112017065A (zh) | 车辆定损理赔方法、装置及计算机可读存储介质 | |
| CN112183554A (zh) | 一种自动化道路边界轮廓提取方法 | |
| CN116030050A (zh) | 基于无人机与深度学习的风机表面缺陷在线检测分割方法 | |
| CN115984786A (zh) | 车辆损伤检测方法及装置、终端、存储介质 | |
| CN115588196A (zh) | 基于机器视觉的指针型仪表读数方法和装置 | |
| CN115147405A (zh) | 一种快速新能源电池无损检测方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210416 |