CN113640297A - 基于深度学习的双叶轮风力发电机叶片损伤在线检测方法 - Google Patents

基于深度学习的双叶轮风力发电机叶片损伤在线检测方法 Download PDF

Info

Publication number
CN113640297A
CN113640297A CN202110738968.4A CN202110738968A CN113640297A CN 113640297 A CN113640297 A CN 113640297A CN 202110738968 A CN202110738968 A CN 202110738968A CN 113640297 A CN113640297 A CN 113640297A
Authority
CN
China
Prior art keywords
double
driven generator
wind driven
deep learning
model
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
Application number
CN202110738968.4A
Other languages
English (en)
Inventor
刘亚娟
王震
房方
胡阳
张文广
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
North China Electric Power University
Original Assignee
North China Electric Power University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by North China Electric Power University filed Critical North China Electric Power University
Priority to CN202110738968.4A priority Critical patent/CN113640297A/zh
Publication of CN113640297A publication Critical patent/CN113640297A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G01N2021/8854—Grading and classifying of flaws
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G01N2021/8883—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges involving the calculation of gauges, generating models

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Pathology (AREA)
  • Computational Linguistics (AREA)
  • Analytical Chemistry (AREA)
  • Chemical & Material Sciences (AREA)
  • Immunology (AREA)
  • Signal Processing (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Biochemistry (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Wind Motors (AREA)

Abstract

本发明属于风力发电机组技术领域，涉及一种基于深度学习的双叶轮风力发电机叶片损伤在线检测方法，包括：S1、利用无人机采集拍摄带有损伤的双叶轮风力发电机机叶片图像；S2、人工挑出有损伤的叶片图像，对损伤进行分类和标注，建立VOC数据集；S3、利用深度学习模型对VOC数据集进行训练，将训练好的若干最优模型导出；S4、将若干最优模型部署到计算机；S5、在计算机端搭建双叶轮风力发电机叶片损伤在线检测需要的环境，进行双叶轮风力发电机叶片损伤在线检测。本发明扩大了能够检测出风机叶片损伤和缺陷的范围；提高了检测的精度和效率；简化了操作人员的检测，提高了工作的安全性；检测结果一目了然，为后续维修打下坚实基础。

Description

基于深度学习的双叶轮风力发电机叶片损伤在线检测方法
技术领域
本发明属于风力发电机组技术领域，涉及一种双叶轮风机叶片损伤在线检测技术，尤其涉及一种基于深度学习的双叶轮风力发电机叶片损伤在线检测方法。
背景技术
随着风电市场的逐渐成熟，风力发电机的更新换代也在不断进行，双叶轮风机(即双叶轮风力发电机)目前被提出，且在未来几年会陆续投入运行。风机叶片是风力发电机组的关键部件之一，其性能直接影响到风力发电机组的整体性能，尤其是针对双叶轮风机，叶片的损伤如果不及时处理，将会导致严重的后果。叶片小的损伤如果能够及时被检测，专业人员及时维修，那可以避免造成叶片大面积开裂和折断，和免除进行大型修补或者返厂处理。目前我国风电开发还处于发展阶段，待双叶轮风机大面积投入使用后，会面临风电场的管理和配套服务机制不完善等问题，尤其是风电企业对叶片的维护没有充分认识，目前针对单叶轮风机叶片损伤的检测和维修不够及时和准确，资金和人力投入严重不足，导致风力发电场运转存在很多隐患。
随着深度学习的不断发展进步，其应用范围越来越广泛，其在目标检测领域的重要应用，使得很多难题得以解决。基于深度学习的目标检测方法可以准确地检测出目标，且能够精确地确定目标所在的位置，其强大的功能使其在人工智能等多个火热的领域得到重用。由于风机叶片面积大，损伤和缺陷种类多，尤其是双叶轮风机，双叶轮风机叶片比单叶轮风机的数量多一倍，两叶轮间的距离较近，用传统的检测方法，很难有效和全面地检测出各个位置的各种损伤。而基于深度学习的目标检测方法具有以下优点：只要有足够的数据做支撑，经过训练后得到最优模型，其可以非常准确、快速和高效地检测出双叶轮风机叶片各个部位的多种缺陷和损伤。
因此有必要研究一种基于深度学习的双叶轮风机叶片损伤在线检测方法，来应对现有技术的不足，为双叶轮风机的稳定运行提供重要技术支撑。
叶片损伤和缺陷的检测必须达到两个要求，一是确定缺陷与损伤的部位，二是确定缺陷与损伤的范围与尺寸。目前针对传统单叶片检测技术有目视法、液体渗透法、超声检测法、射线检测法和微波检测法等，但是这些方法都有明显的缺陷，例如：目视法的人为影响因素太大；液体渗透法需要在检测前清洁构件；超声检测法的检测效率低，且要使用耦合剂；射线检测法需要复杂庞大的检测设备；微波检测法对较小的缺陷灵敏度低等。
发明内容
针对风力发电机工作环境复杂恶劣，双叶轮风机叶片的损伤利用传统检测方法难以全面和准确地检测的情况，本专利提供了一种用深度学习中的目标检测算法对双叶轮风机叶片进行在线检测的方法。由于风机叶片所处的环境复杂，且其地处高空，本专利提出的方法只需要操控无人机对双叶轮风机叶片进行拍摄，再传输给在线设备进行下面的工作即可。首先，此方法由于使用无人机，其体积小，可以灵活地穿梭于双叶轮风机的两个叶轮之间，几乎可以将叶片的每个部位都拍到，大大增强了检测范围，使得后期的维修辐射范围增大。其次，此方法可以检测的缺陷和损伤种类很多，较之前的方法相比，有很大的改进，只需要在云端将各个损伤类型进行分类和标注，训练好模型后，即可使得后续检测的损伤种类大大增多，这样就避免了因为忽略某个缺陷和损伤而导致叶片产生不可逆转的恶劣损坏。最后，此方法是在线检测，操作人员只需要在现场操作计算机，将无人机传输过来的照片进行输入，即可马上得到检测结果，省时又省力，且检测精度还很高。
综上所述，此基于深度学习的双叶轮风力发电机叶片损伤在线检测方法可以很好地应对双叶轮风机叶片损伤的检测工作，解决了传统检测方法检测范围小和可以检测的损伤类型小等问题，还解决了检测过程繁杂、缓慢和检测精度不高的问题，大大减少了工作量，降低甚至消除了由于操作人员爬上塔筒进行检测的危险，本专利提出的技术方案如下：
一种基于深度学习的双叶轮风力发电机叶片损伤在线检测方法，包括以下步骤：
S1、利用无人机采集拍摄一定数量带有各种损伤的双叶轮风力发电机机叶片的图像；
S2、人工挑出有损伤的叶片图像，将无损伤的图像作为负样本；对损伤进行分类和标注，建立VOC数据集；
S3、利用深度学习模型对VOC数据集进行训练，将训练好的若干最优模型导出；
S4、将若干最优模型部署到计算机，即损伤检测人员的操作设备；
S5、在计算机端搭建双叶轮风力发电机叶片损伤在线检测需要的环境，进行双叶轮风力发电机叶片损伤在线检测。
在上述技术方案的基础上，步骤S2的具体步骤为：利用标注工具，对带有损伤的图像中的各个损伤进行分类和标注，然后用python程序得出每张图像对应的xml文件，建立VOC数据集。
在上述技术方案的基础上，在云端，对带有损伤的图像中的各个损伤进行分类和标注。
在上述技术方案的基础上，步骤S3所述深度学习模型为：单阶段目标检测深度卷积神经网络YOLOv3模型。
在上述技术方案的基础上，步骤S3所述训练和步骤S5所述检测均基于paddlepaddle平台中的PaddleDetection套件，所述PaddleDetection套件包括：配置模型文件YOLOv3；
在训练前，对配置模型文件YOLOv3做如下修改：
①将骨干网络Darknet-53修改为：移动端模型MobileNet骨干网络(又称为：主干网络)；
②按照需求修改最大迭代步数(即训练步数)；例如：可将迭代步数分别定为200000步、300000步和500000步；
③确定导出一次模型，需训练的步数，例如：可定为200步；
④修改单阶段目标检测深度卷积神经网络YOLOv3模型的本地存储路径或网络存储路径；修改移动端模型MobileNet骨干网络的本地存储路径或网络存储路径；
⑤修改需要训练的图像和对应xml文件的存储路径；
⑥修改批尺寸(Batch_Size)的大小，例如：Batch_Size＝1；
⑦确定用GPU训练，还是用CPU训练。
在上述技术方案的基础上，利用python代码进行步骤S3所述训练，所述训练在CPU或GPU(图形处理器)上进行。
在GPU上进行训练时，训练指令如下所示：
Python tools/infer.py-c configs/yolov3_mobilenet_v1.yml
指令说明：
Python tools/infer.py表示：检测用的代码为python代码及表明路径；
-c configs/yolov3_mobilenet_v1.yml表示：指定用的配置文件。
在上述技术方案的基础上，在利用深度学习模型对VOC数据集进行训练的过程中，深度学习模型根据修改的不同的配置文件，不断生成训练好的模型，并对生成的模型进行评估，在训练结束后，将若干最优模型导出；
在训练过程中，深度学习模型实时更新损失和精度，随着训练的不断进行，损失降低，精度提高。
在上述技术方案的基础上，步骤S5的具体步骤是：当双叶轮风力发电机停止工作时，操作人员到风电场巡检，控制带有摄像功能的无人机上升到需要被检测的双叶轮风力发电机的叶片部位；操作人员收到无人机实时拍摄的双叶轮风力发电机的叶片图像，并将叶片图像导入计算机端搭建双叶轮风力发电机叶片损伤在线检测需要的环境，选择最优模型，经人工观察比较图像和检测结果，选择出最好的检测结果。
根据检测结果，操作人员即可知道叶片是否有损伤和损伤的类别，进而判断是否需要对对应的叶片进行检修或是进行什么样的检修工作。
之所以，用无人机拍摄，是由于无人机小巧灵活，可以任意穿越于叶片之间进行拍摄。
在上述技术方案的基础上，在步骤S2中，对损伤进行分类和标注时，每种损伤类型的图像不少于一千张。
在上述技术方案的基础上，所述VOC数据集中的每个VOC数据是指：每个图像文件对应一个同名的xml文件，所述xml文件内包含对应图像的基本信息；
所述图像的基本信息包括：文件名、存储路径、图像尺寸以及图像中包含的物体区域信息和类别信息等。
本申请检测方法各个步骤具体原理简述如下：
1)此检测方法中用到的数据集格式是VOC数据集，VOC数据是每个图像文件对应一个同名的xml文件，图片对应的xml文件内包含对应图片的基本信息，比如文件名、来源、图像尺寸以及图像中包含的物体区域信息和类别信息等。需要用python代码人为建立VOC数据集，且将准备好的风机叶片图像中的损伤类型用标注软件挨个标注，之后形成xml文件。每个xml文件都对应一张风机叶片图片，里面包含标注图片的具体信息，如图片的名字和路径等。每个损伤类型都有上千张图像数据支撑，可以确保接下来的训练模型的精度达到要求。
2)基于深度学习的目标检测方法最核心的部分就是训练，训练的过程就是将大量的数据输入到机器，让机器知道各个目标的特征，以后机器在得到目标时，即可识别出此目标。计算机对建好的双叶轮风力发电机叶片的VOC数据集进行训练，将叶片各个损伤和缺陷的特征让计算机了解到，那么日后计算机得到一个带有损伤的叶片图片，其可以快速地识别出此损伤的类型。
训练所需要的模型是单阶段目标检测YOLOv3模型和移动端模型MobileNet主干网络。与R-CNN系列算法不同，YOLOv3模型使用单个网络结构，在产生候选区域的同时，即可预测出物体类别和位置，不需要分成两阶段来完成检测任务。另外，YOLOv3模型算法产生的预测框数目比Faster R-CNN少很多。Faster R-CNN中每个真实框可能对应多个标签为正的候选区域，而YOLOv3模型里面的每个真实框只对应一个正的候选区域。这些特性使得YOLOv3模型算法具有更快的速度，能到达实时响应的水平。我们选用移动端模型MobileNet主干网络，其核心是采用了可分解的depthwise separable convolution，其不仅可以降低模型计算的复杂度，而且可以大大降低模型的大小。
3)将训练得到的最优模型导出，部署到操作计算机，建立一个用于操作人员选择模型和进行图片检测的***。此***是一个面向操作人员的***，没有前面建立数据集和训练模型的功能，只有选择模型和进行图片检测的功能，大大简化了现场操作人员的工作，使得后续的检修工作可以及时进行。
4)所谓检测就是机器利用之前学习到的知识，实际进行目标检测，机器依靠前面学习得到的能力(对应于模型)，来识别目标的类型。在操作计算机上，操作人员不需要进行前面构建数据集和模型训练的操作，直接选择模型，然后输入需要检测的图片(图像)，点击检测，即可得到图片的检测结果。
本发明的有益技术效果如下：
1)扩大了能够检测出风机叶片损伤和缺陷的范围；
2)很大程度上提高了检测的精度和效率；
3)简化了操作人员的检测工作，提高了工作的安全性；
4)检测结果一目了然，为后续的维修工作打下坚实基础。
附图说明
本发明有如下附图：
图1是本发明实施例提供的双叶轮风力发电机的模型示意图；
图2是本发明实施例提供的VOC数据集文件组织结构示意图；
图3是本发明实施例提供的部分训练过程界面示意截图；
图4是本发明实施例提供的操作***界面示意截图；
图5是本发明实施例提供的双叶轮风力发电机叶片的划痕检测结果示意图；
图6是本发明实施例提供的双叶轮风力发电机叶片损伤检测流程示意图。
具体实施方式
为了更好地理解本发明的技术方案，下面结合附图和实施例对本发明的技术方案进行详细描述。
如图1-6所示，一种基于深度学习的双叶轮风力发电机叶片损伤在线检测方法，包括以下步骤：
S1、利用无人机采集拍摄一定数量带有各种损伤的双叶轮风力发电机机叶片的图像；
S2、人工挑出有损伤的叶片图像，将无损伤的图像作为负样本；对损伤进行分类和标注，建立VOC数据集；
S3、利用深度学习模型对VOC数据集进行训练，将训练好的若干最优模型导出；
S4、将若干最优模型部署到计算机，即损伤检测人员的操作设备；
S5、在计算机端搭建双叶轮风力发电机叶片损伤在线检测需要的环境，进行双叶轮风力发电机叶片损伤在线检测。
在上述技术方案的基础上，步骤S2的具体步骤为：利用标注工具，对带有损伤的图像中的各个损伤进行分类和标注，然后用python程序得出每张图像对应的xml文件，建立VOC数据集。
在上述技术方案的基础上，在云端，对带有损伤的图像中的各个损伤进行分类和标注。
在上述技术方案的基础上，步骤所述深度学习模型为：单阶段目标检测深度卷积神经网络YOLOv3模型。
在上述技术方案的基础上，步骤S3所述训练和步骤S5所述检测均基于paddlepaddle平台中的PaddleDetection套件，所述PaddleDetection套件包括：配置模型文件YOLOv3；
在训练前，对配置模型文件YOLOv3做如下修改：
①将骨干网络Darknet-53修改为：移动端模型MobileNet骨干网络(又称为：主干网络)；
②按照需求修改最大迭代步数(即训练步数)；例如：可将迭代步数分别定为200000步、300000步和500000步；
③确定导出一次模型，需训练的步数，例如：可定为200步；
④修改单阶段目标检测深度卷积神经网络YOLOv3模型的本地存储路径或网络存储路径；修改移动端模型MobileNet骨干网络的本地存储路径或网络存储路径；
⑤修改需要训练的图像和对应xml文件的存储路径；
⑥修改批尺寸(Batch_Size)的大小，例如：Batch_Size＝1；
⑦确定用GPU训练，还是用CPU训练。
在上述技术方案的基础上，利用python代码进行步骤S3所述训练，所述训练在CPU或GPU(图形处理器)上进行。
在GPU上进行训练时，训练指令如下所示：
Python tools/infer.py-c configs/yolov3_mobilenet_v1.yml
指令说明：
Python tools/infer.py表示：检测用的代码为python代码及表明路径；
-c configs/yolov3_mobilenet_v1.yml表示：指定用的配置文件。
在上述技术方案的基础上，在利用深度学习模型对VOC数据集进行训练的过程中，深度学习模型根据修改的不同的配置文件，不断生成训练好的模型，并对生成的模型进行评估，在训练结束后，将若干最优模型导出；
在训练过程中，深度学习模型实时更新损失和精度，随着训练的不断进行，损失降低，精度提高。
在上述技术方案的基础上，步骤S5的具体步骤是：当双叶轮风力发电机停止工作时，操作人员到风电场巡检，控制带有摄像功能的无人机上升到需要被检测的双叶轮风力发电机的叶片部位；操作人员收到无人机实时拍摄的双叶轮风力发电机的叶片图像，并将叶片图像导入计算机端搭建双叶轮风力发电机叶片损伤在线检测需要的环境，选择最优模型，经人工观察比较图像和检测结果，选择出最好的获得检测结果。
根据检测结果，操作人员即可知道叶片是否有损伤和损伤的类别，进而判断是否需要对对应的叶片进行检修或是进行什么样的检修工作。
之所以，用无人机拍摄，是由于无人机小巧灵活，可以任意穿越于叶片之间进行拍摄。
在上述技术方案的基础上，在步骤S2中，对损伤进行分类和标注时，每种损伤类型的图像不少于一千张。
在上述技术方案的基础上，所述VOC数据集中的每个VOC数据是指：每个图像文件对应一个同名的xml文件，所述xml文件内包含对应图像的基本信息；
所述图像的基本信息包括：文件名、存储路径、图像尺寸以及图像中包含的物体区域信息和类别信息等。
本申请检测方法各个步骤具体原理简述如下：
1)此检测方法中用到的数据集格式是VOC数据集，VOC数据是每个图像文件对应一个同名的xml文件，图片对应的xml文件内包含对应图片的基本信息，比如文件名、来源、图像尺寸以及图像中包含的物体区域信息和类别信息等。需要用python代码人为建立VOC数据集，且将准备好的风机叶片图像中的损伤类型用标注软件挨个标注，之后形成xml文件。每个xml文件都对应一张风机叶片图片，里面包含标注图片的具体信息，如图片的名字和路径等。每个损伤类型都有上千张图像数据支撑，可以确保接下来的训练模型的精度达到要求。
2)基于深度学习的目标检测方法最核心的部分就是训练，训练的过程就是将大量的数据输入到机器，让机器知道各个目标的特征，以后机器在得到目标时，即可识别出此目标。计算机对建好的双叶轮风力发电机叶片的VOC数据集进行训练，将叶片各个损伤和缺陷的特征让计算机了解到，那么日后计算机得到一个带有损伤的叶片图片，其可以快速地识别出此损伤的类型。
训练所需要的模型是单阶段目标检测YOLOv3模型和移动端模型MobileNet主干网络。与R-CNN系列算法不同，YOLOv3模型使用单个网络结构，在产生候选区域的同时，即可预测出物体类别和位置，不需要分成两阶段来完成检测任务。另外，YOLOv3模型算法产生的预测框数目比Faster R-CNN少很多。Faster R-CNN中每个真实框可能对应多个标签为正的候选区域，而YOLOv3模型里面的每个真实框只对应一个正的候选区域。这些特性使得YOLOv3模型算法具有更快的速度，能到达实时响应的水平。我们选用移动端模型MobileNet主干网络，其核心是采用了可分解的depthwise separable convolution，其不仅可以降低模型计算的复杂度，而且可以大大降低模型的大小。
3)将训练得到的最优模型导出，部署到操作计算机，建立一个用于操作人员选择模型和进行图片检测的***。此***是一个面向操作人员的***，没有前面建立数据集和训练模型的功能，只有选择模型和进行图片检测的功能，大大简化了现场操作人员的工作，使得后续的检修工作可以及时进行。
4)所谓检测就是机器利用之前学习到的知识，实际进行目标检测，机器依靠前面学习得到的能力(对应于模型)，来识别目标的类型。在操作计算机上，操作人员不需要进行前面构建数据集和模型训练的操作，直接选择模型，然后输入需要检测的图片(图像)，点击检测即可得到图片的检测结果。
本发明的技术关键点和欲保护点如下所述：
1)基于深度学习的目标检测方法在双叶轮风机叶片缺陷和损伤检测中的应用；
2)操作人员在线检测***的设计及使用。
实施例仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求的保护范围为准。
本说明书中未做详细描述的内容属于本领域专业技术人员公知的现有技术。

Claims (10)

1.一种基于深度学习的双叶轮风力发电机叶片损伤在线检测方法，其特征在于，包括以下步骤：
S1、利用无人机采集拍摄带有各种损伤的双叶轮风力发电机机叶片的图像；
S2、人工挑出有损伤的叶片图像，将无损伤的图像作为负样本；对损伤进行分类和标注，建立VOC数据集；
S3、利用深度学习模型对VOC数据集进行训练，将训练好的若干最优模型导出；
S4、将若干最优模型部署到计算机；
S5、在计算机端搭建双叶轮风力发电机叶片损伤在线检测需要的环境，进行双叶轮风力发电机叶片损伤在线检测。
2.如权利要求1所述的基于深度学习的双叶轮风力发电机叶片损伤在线检测方法，其特征在于：步骤S2的具体步骤为：利用标注工具，对带有损伤的图像中的各个损伤进行分类和标注，然后用python程序得出每张图像对应的xml文件，建立VOC数据集。
3.如权利要求2所述的基于深度学习的双叶轮风力发电机叶片损伤在线检测方法，其特征在于：在云端，对带有损伤的图像中的各个损伤进行分类和标注。
4.如权利要求2所述的基于深度学习的双叶轮风力发电机叶片损伤在线检测方法，其特征在于：步骤S3所述深度学习模型为：单阶段目标检测深度卷积神经网络YOLOv3模型。
5.如权利要求4所述的基于深度学***台中的PaddleDetection套件，所述PaddleDetection套件包括：配置模型文件YOLOv3；
在训练前，对配置模型文件YOLOv3做如下修改：
①将骨干网络Darknet-53修改为：移动端模型MobileNet骨干网络；
②按照需求修改最大迭代步数；
③确定导出一次模型，需训练的步数；
④修改单阶段目标检测深度卷积神经网络YOLOv3模型的本地存储路径或网络存储路径；修改移动端模型MobileNet骨干网络的本地存储路径或网络存储路径；
⑤修改需要训练的图像和对应xml文件的存储路径；
⑥修改批尺寸的大小；
⑦确定用GPU训练，还是用CPU训练。
6.如权利要求5所述的基于深度学习的双叶轮风力发电机叶片损伤在线检测方法，其特征在于：利用python代码进行步骤S3所述训练，所述训练在CPU或GPU上进行。
7.如权利要求5所述的基于深度学习的双叶轮风力发电机叶片损伤在线检测方法，其特征在于：在利用深度学习模型对VOC数据集进行训练的过程中，深度学习模型根据修改的不同的配置文件，不断生成训练好的模型，并对生成的模型进行评估，在训练结束后，将若干最优模型导出；
在训练过程中，深度学习模型实时更新损失和精度，随着训练的不断进行，损失降低，精度提高。
8.如权利要求1所述的基于深度学习的双叶轮风力发电机叶片损伤在线检测方法，其特征在于：步骤S5的具体步骤是：当双叶轮风力发电机停止工作时，操作人员到风电场巡检，控制带有摄像功能的无人机上升到需要被检测的双叶轮风力发电机的叶片部位；操作人员收到无人机实时拍摄的双叶轮风力发电机的叶片图像，并将叶片图像导入计算机端搭建双叶轮风力发电机叶片损伤在线检测需要的环境，选择最优模型，经人工观察比较图像和检测结果，选择出最好的检测结果。
9.如权利要求1所述的基于深度学习的双叶轮风力发电机叶片损伤在线检测方法，其特征在于：在步骤S2中，对损伤进行分类和标注时，每种损伤类型的图像不少于一千张。
10.如权利要求1所述的基于深度学习的双叶轮风力发电机叶片损伤在线检测方法，其特征在于：所述VOC数据集中的每个VOC数据是指：每个图像文件对应一个同名的xml文件，所述xml文件内包含对应图像的基本信息；
所述图像的基本信息包括：文件名、存储路径、图像尺寸以及图像中包含的物体区域信息和类别信息。
CN202110738968.4A 2021-06-30 2021-06-30 基于深度学习的双叶轮风力发电机叶片损伤在线检测方法 Pending CN113640297A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110738968.4A CN113640297A (zh) 2021-06-30 2021-06-30 基于深度学习的双叶轮风力发电机叶片损伤在线检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110738968.4A CN113640297A (zh) 2021-06-30 2021-06-30 基于深度学习的双叶轮风力发电机叶片损伤在线检测方法

Publications (1)

Publication Number Publication Date
CN113640297A true CN113640297A (zh) 2021-11-12

Family

ID=78416512

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110738968.4A Pending CN113640297A (zh) 2021-06-30 2021-06-30 基于深度学习的双叶轮风力发电机叶片损伤在线检测方法

Country Status (1)

Country Link
CN (1) CN113640297A (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170364043A1 (en) * 2016-06-21 2017-12-21 General Electric Company Methods and systems for enhancing control of power plant generating units
CN109344899A (zh) * 2018-09-30 2019-02-15 百度在线网络技术（北京）有限公司 多目标检测方法、装置和电子设备
CN111582377A (zh) * 2020-05-09 2020-08-25 济南浪潮高新科技投资发展有限公司 一种基于模型压缩的边缘端目标检测方法及***
WO2020197529A1 (en) * 2019-03-22 2020-10-01 Siemens Aktiengesellschaft Inverse and forward modeling machine learning-based generative design
CN112233091A (zh) * 2020-10-15 2021-01-15 青岛理工大学 一种风力机叶片图像损伤检测和定位方法
CN112417613A (zh) * 2020-10-26 2021-02-26 中国电力科学研究院有限公司 一种对风电机组叶片损伤类型的分析方法及***
CN112581443A (zh) * 2020-12-14 2021-03-30 北京华能新锐控制技术有限公司 一种风力发电机叶片表面损伤轻量化识别方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170364043A1 (en) * 2016-06-21 2017-12-21 General Electric Company Methods and systems for enhancing control of power plant generating units
CN109344899A (zh) * 2018-09-30 2019-02-15 百度在线网络技术（北京）有限公司 多目标检测方法、装置和电子设备
WO2020197529A1 (en) * 2019-03-22 2020-10-01 Siemens Aktiengesellschaft Inverse and forward modeling machine learning-based generative design
CN111582377A (zh) * 2020-05-09 2020-08-25 济南浪潮高新科技投资发展有限公司 一种基于模型压缩的边缘端目标检测方法及***
CN112233091A (zh) * 2020-10-15 2021-01-15 青岛理工大学 一种风力机叶片图像损伤检测和定位方法
CN112417613A (zh) * 2020-10-26 2021-02-26 中国电力科学研究院有限公司 一种对风电机组叶片损伤类型的分析方法及***
CN112581443A (zh) * 2020-12-14 2021-03-30 北京华能新锐控制技术有限公司 一种风力发电机叶片表面损伤轻量化识别方法

Similar Documents

Publication Publication Date Title
CN108615230A (zh) 一种轮毂表面异常检测方法和***
CN108510001B (zh) 一种风力发电机叶片缺陷分类方法及其分类***
CN113406107B (zh) 风机叶片缺陷检测***
CN108506170A (zh) 风机叶片检测方法、***、设备及存储介质
CN111860593A (zh) 一种基于生成对抗网络的风机叶片故障检测方法
CN109681391A (zh) 一种叶根螺栓断裂故障检测方法及介质
CN115376130A (zh) 电力施工现场识别模型的生成方法、装置、设备及介质
CN112455676A (zh) 一种光伏板健康状态智能监测分析***及方法
CN114881997A (zh) 一种风电机组缺陷评估方法及相关设备
CN112613453A (zh) 一种用于电力基建施工现场违章排查方法及***
CN116779202A (zh) 基于数字孪生的核电厂转动设备智能故障诊断方法及***
CN116911529A (zh) 一种基于bim模型的物联网设备管理的方法与***
CN111754737A (zh) 一种计量装置安装验收在线识别评价装置及评价方法
CN114565312A (zh) 一种基于bim的输变电工程精细化施工管理方法
CN113640297A (zh) 基于深度学习的双叶轮风力发电机叶片损伤在线检测方法
CN113971676A (zh) 一种基于深度学习的连接件剖面图像自动分割方法
CN114324580A (zh) 一种结构缺陷的智能敲击检测方法及***
Memari et al. Review on the advancements in wind turbine blade inspection: Integrating drone and deep learning technologies for enhanced defect detection
CN116823164A (zh) 一种业务审批方法、装置、设备及存储介质
CN116206169A (zh) 一种智能煤矸石目标检测方法
CN112801432B (zh) 一种风机组叶片智能巡检***及风机组叶片巡检方法
Li et al. Non-destructive testing research on the surface damage faced by the Shanhaiguan Great Wall based on machine learning
CN116258481B (zh) 一种建筑工程智慧建造的管控方法及***
CN110095204A (zh) 一种乙烯裂解炉管温度诊断***
Gohar et al. Automatic Defect Detection in Wind Turbine Blade Images: Model Benchmarks and Re-Annotations

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
WD01 Invention patent application deemed withdrawn after publication
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20211112