CN113960068A - 风电叶片损伤检测方法 - Google Patents
风电叶片损伤检测方法 Download PDFInfo
- Publication number
- CN113960068A CN113960068A CN202111392653.5A CN202111392653A CN113960068A CN 113960068 A CN113960068 A CN 113960068A CN 202111392653 A CN202111392653 A CN 202111392653A CN 113960068 A CN113960068 A CN 113960068A
- Authority
- CN
- China
- Prior art keywords
- image
- data acquisition
- area
- information
- wind turbine
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 15
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 22
- 230000007547 defect Effects 0.000 claims abstract description 12
- 238000013480 data collection Methods 0.000 claims abstract description 10
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 5
- 238000000034 method Methods 0.000 claims description 15
- 238000007781 pre-processing Methods 0.000 claims description 10
- 238000012549 training Methods 0.000 claims description 6
- 238000001914 filtration Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 4
- 238000007635 classification algorithm Methods 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 230000005611 electricity Effects 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 239000004576 sand Substances 0.000 description 2
- 208000004350 Strabismus Diseases 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000002427 irreversible effect Effects 0.000 description 1
- 238000011179 visual inspection Methods 0.000 description 1
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
- G01N21/95—Investigating the presence of flaws or contamination characterised by the material or shape of the object to be examined
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- 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
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Wind Motors (AREA)
Abstract
本公开揭示了一种风电叶片损伤检测方法，包括：S1、针对风电机组叶片的区域设定M*N个数据采集区域，M和N为自然数；S2、依序采集所述数据采集区域的图像信息，图像信息至少包括有所述数据采集区域的序号信息；S3、针对不同的所述数据采集区域提取所述图像信息中的第一特征；S4、基于所述第一特征，基于特征匹配算法对多个所述数据采集区域的图像信息进行拼接，获得拼接图像帧；S5、针对所述拼接图像帧，进行图像识别，判断是否存在缺陷特征。本发明提供的风电叶片损伤检测方法，可通过针对风电机组叶片进行多次局部的数据采集，而后再拼接成整幅图像，对该整幅图像进行基于卷积神经网络算法模型的图像识别，即可确定出风电叶片上对应的损伤区域。
Description
技术领域
本发明涉及一种图像识别方法，特别是一种风电叶片损伤检测方法。
背景技术
风能作为一种清洁可再生的环境友好型能源，已在各个领域得到广泛应用。而出于最大限度利用风能的目的，风力发电场一般选择在海上、戈壁滩以及山区等空旷地区。其中陆上风电，大多建设在风力资源较集中的区域，但这些区域通常会存在风沙天气频繁的特点，风力发电机叶片表面常年受到风沙的侵蚀而造成表面凹坑、划痕、裂纹等各种缺陷，这些缺陷若不及时加以修复往往会导致不可逆重大安全事故。目前传统叶片表面缺陷检测方法主要有敲击辩音、地面望远镜观察以及人工目测等，以上列举的多种方法或多或少存在盲区大、耗时时间较长、劳动强度较大，或者存在高空作业、效率低等弊端。
发明内容
鉴于现有技术存在的上述问题，本发明的一个方面的目的在于提供一种可通过机器视觉的方法对风电叶片损伤进行检测的风电叶片损伤检测方法。
为了实现上述目的，本发明一个方面提供的风电叶片损伤检测方法，包括：
S1、针对风电机组叶片的区域设定M*N个数据采集区域，M和N为自然数；
S2、依序采集所述数据采集区域的图像信息，所述图像信息至少包括有所述数据采集区域的序号信息；
S3、针对不同的所述数据采集区域提取所述图像信息中的第一特征；
S4、基于所述第一特征，基于特征匹配算法对多个所述数据采集区域的图像信息进行拼接，获得拼接图像帧；
S5、针对所述拼接图像帧，进行图像识别，判断是否存在缺陷特征。
作为优选，进行图像识别时，通过如下任何一种或多种来实现：图像检索算法、针对已知分类的样本图像的匹配算法或图像分类算法。
作为优选，在针对风电机组叶片进行数据采集区域划分时，通过可调云台，调整图像采集单元以叶片旋转中心区域作为第一数据采集区域，而后通过可调云台，依序形成围绕所述第一数据采集区域的其他区域；其中，M=N=3。
作为优选，提取所述图像信息中的第一特征，包括：
依据图像信息的序号信息，确定与其相邻的图片信息的第一区域；
将两副相邻图像的所述第一区域映射到同一坐标系；
基于同一坐标系，基于RGB像素匹配；
基于设定的阈值，设定匹配值高于阈值的区域为置信区域；
将所述置信区域存储为第一特征。
作为优选，基于特征匹配算法进行图像拼接时，包括：基于OpenCV的SURF算法进行图像拼接。
作为优选，进行图像识别时，包括：
针对拼接图像，提取图像中包含的第二特征；
将第二特征输入卷积神经网络算法模型进行特征识别。
作为优选，提取图像中包含的第二特征，包括：
调用风电叶片缺陷训练库文件，提取训练库文件中的关键区域；
当检测到关键区域时，记录所述关键区域的中心点坐标。
作为优选，在进行图像拼接和/或图像识别之前，还包括对图像信息进行预处理，该预处理包括：
将所述图像数据转化为灰度图像；
进行直方图均衡化处理和/或进行中值滤波以消除图像中的部分噪声。
作为优选，所述预处理，还包括：
对消除噪声后的所述图像数据设置感兴趣区域；
获取所述感兴趣区域的几何中心；
保存所述几何中心的坐标。
本发明提供的风电叶片损伤检测方法，可通过针对风电机组叶片进行多次局部的数据采集，而后再拼接成整幅图像，对该整幅图像进行基于卷积神经网络算法模型的图像识别，即可确定出风电叶片上对应的损伤区域。相比较于人工通过望远镜来巡查诊断，该方法在效率和安全性上均有提升。
附图说明
图1为本发明的风电叶片损伤检测方法的流程图。
图2为本发明的风电叶片损伤检测方法所应用的***结构框图。
图3为本发明的风电叶片损伤检测方法中针对风电机组叶片划分数据采集区域的示意图。
具体实施方式
为使本领域技术人员更好的理解本发明的技术方案，下面结合附图和具体实施方式对本发明作详细说明。
此处参考附图描述本发明的各种方案以及特征。
通过下面参照附图对给定为非限制性实例的实施例的优选形式的描述，本发明的这些和其它特性将会变得显而易见。
还应当理解，尽管已经参照一些具体实例对本发明进行了描述，但本领域技术人员能够确定地实现本发明的很多其它等效形式，它们具有如权利要求所述的特征并因此都位于借此所限定的保护范围内。
当结合附图时，鉴于以下详细说明，本发明的上述和其他方面、特征和优势将变得更为显而易见。
如图1所示，本发明一个方面提供的风电叶片损伤检测方法，包括：
S1、针对风电机组叶片的区域设定M*N个数据采集区域，M和N为自然数；图3示出了一种实现方式，在这种方式中，如图3所示，在针对风电机组叶片进行数据采集区域划分时，通过可调云台，调整图像采集单元以叶片旋转中心区域作为第一数据采集区域，而后通过可调云台，依序形成围绕所述第一数据采集区域的其他区域；其中，M=N=3。所述可调云台，目前市售的可调整云台均可以，工作人员可基于叶片中心设定初始位置，而后分别向左上，上方，右上，右，右下，下，左下，左依次偏移适当位置，以使风电叶片全部覆盖。最终形成3*3的数据采集区域。
S2、依序采集所述数据采集区域的图像信息，所述图像信息至少包括有所述数据采集区域的序号信息；换句话说，在设定好数据采集区域之后，每副采集图像在输出时，已经确定与其上下左右相邻的图像信息，也即，每副图像在输出时，已经包括序号信息。
S3、针对不同的所述数据采集区域提取所述图像信息中的第一特征；其中，提取所述图像信息中的第一特征，具体包括：依据图像信息的序号信息，确定与其相邻的图片信息的第一区域；将两副相邻图像的所述第一区域映射到同一坐标系；基于同一坐标系，基于RGB像素匹配；基于设定的阈值，设定匹配值高于阈值的区域为置信区域；将所述置信区域存储为第一特征。
S4、基于所述第一特征，基于特征匹配算法对多个所述数据采集区域的图像信息进行拼接，获得拼接图像帧；基于特征匹配算法进行图像拼接时，包括：基于OpenCV的SURF算法进行图像拼接。
S5、针对所述拼接图像帧，进行图像识别，判断是否存在缺陷特征。在一些实施例中，进行图像识别时，包括：针对拼接图像，提取图像中包含的第二特征；将第二特征输入卷积神经网络算法模型进行特征识别。作为优选，提取图像中包含的第二特征，包括：调用风电叶片缺陷训练库文件，提取训练库文件中的关键区域；当检测到关键区域时，记录所述关键区域的中心点坐标。作为优选，进行图像识别时，通过如下任何一种或多种来实现：图像检索算法、针对已知分类的样本图像的匹配算法或图像分类算法。
另外，在进行图像拼接和/或图像识别之前，还包括对图像信息进行预处理，该预处理包括：将所述图像数据转化为灰度图像；进行直方图均衡化处理和/或进行中值滤波以消除图像中的部分噪声。或者，所述预处理，还包括：对消除噪声后的所述图像数据设置感兴趣区域；获取所述感兴趣区域的几何中心；保存所述几何中心的坐标。
图2所示为本发明的风电叶片损伤检测方法所应用的***的结构示意图。如图2所示，该***包括可调云台、图像采集单元、图像预处理单元、图像拼接单元和图像识别单元，所述图像采集单元配置为针对风电机组叶片的区域设定M*N个数据采集区域，M和N为自然数；依序采集所述数据采集区域的图像信息，所述图像信息至少包括有所述数据采集区域的序号信息；所述图像预处理单元配置为将所述图像数据转化为灰度图像；进行直方图均衡化处理和/或进行中值滤波以消除图像中的部分噪声；所述图像拼接单元配置为针对不同的所述数据采集区域提取所述图像信息中的第一特征；基于所述第一特征，基于特征匹配算法对多个所述数据采集区域的图像信息进行拼接，获得拼接图像帧；所述图像识别单元配置为针对所述拼接图像帧，进行图像识别，判断是否存在缺陷特征。
以上实施例仅为本发明的示例性实施例，不用于限制本发明，本发明的保护范围由权利要求书限定。本领域技术人员可以在本发明的实质和保护范围内，对本发明做出各种修改或等同替换，这种修改或等同替换也应视为落在本发明的保护范围内。
Claims (9)
1.风电叶片损伤检测方法，包括：
S1、针对风电机组叶片的区域设定M*N个数据采集区域，M和N为自然数；
S2、依序采集所述数据采集区域的图像信息，所述图像信息至少包括有所述数据采集区域的序号信息；
S3、针对不同的所述数据采集区域提取所述图像信息中的第一特征；
S4、基于所述第一特征，基于特征匹配算法对多个所述数据采集区域的图像信息进行拼接，获得拼接图像帧；
S5、针对所述拼接图像帧，进行图像识别，判断是否存在缺陷特征。
2.如权利要求1所述的方法，进行图像识别时，通过如下任何一种或多种来实现：图像检索算法、针对已知分类的样本图像的匹配算法或图像分类算法。
3.如权利要求1所述的方法，在针对风电机组叶片进行数据采集区域划分时，通过可调云台，调整图像采集单元以叶片旋转中心区域作为第一数据采集区域，而后通过可调云台，依序形成围绕所述第一数据采集区域的其他区域；其中，M=N=3。
4.如权利要求3所述的方法，提取所述图像信息中的第一特征，包括：
依据图像信息的序号信息，确定与其相邻的图片信息的第一区域；
将两副相邻图像的所述第一区域映射到同一坐标系；
基于同一坐标系，基于RGB像素匹配；
基于设定的阈值，设定匹配值高于阈值的区域为置信区域；
将所述置信区域存储为第一特征。
5.如权利要求4所述的方法，基于特征匹配算法进行图像拼接时，包括：基于OpenCV的SURF算法进行图像拼接。
6.如权利要求1所述的方法，进行图像识别时，包括：
针对拼接图像，提取图像中包含的第二特征；
将第二特征输入卷积神经网络算法模型进行特征识别。
7.如权利要求6所述的方法，提取图像中包含的第二特征，包括：
调用风电叶片缺陷训练库文件，提取训练库文件中的关键区域；
当检测到关键区域时，记录所述关键区域的中心点坐标。
8.如权利要求1所述的方法，在进行图像拼接和/或图像识别之前，还包括对图像信息进行预处理，该预处理包括：
将所述图像数据转化为灰度图像；
进行直方图均衡化处理和/或进行中值滤波以消除图像中的部分噪声。
9.如权利要求8所述的方法，所述预处理，还包括：
对消除噪声后的所述图像数据设置感兴趣区域；
获取所述感兴趣区域的几何中心；
保存所述几何中心的坐标。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111392653.5A CN113960068A (zh) | 2021-11-23 | 2021-11-23 | 风电叶片损伤检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111392653.5A CN113960068A (zh) | 2021-11-23 | 2021-11-23 | 风电叶片损伤检测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113960068A true CN113960068A (zh) | 2022-01-21 |
Family
ID=79471638
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111392653.5A Pending CN113960068A (zh) | 2021-11-23 | 2021-11-23 | 风电叶片损伤检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113960068A (zh) |
Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106841214A (zh) * | 2017-01-21 | 2017-06-13 | 兰州理工大学 | 一种非接触式风电叶片风沙侵蚀程度检测方法 |
| CN108254077A (zh) * | 2018-01-02 | 2018-07-06 | 国网上海市电力公司 | 基于局部与全局特征信息融合的gis热故障诊断方法 |
| CN110136059A (zh) * | 2019-04-04 | 2019-08-16 | 哈尔滨理工大学 | 直线特征的风电叶片图像拼接方法 |
| CN110378879A (zh) * | 2019-06-26 | 2019-10-25 | 杭州电子科技大学 | 一种桥梁裂缝检测方法 |
| CN111539409A (zh) * | 2020-04-09 | 2020-08-14 | 武汉大学 | 一种基于高光谱遥感技术的古墓题记文字识别方法 |
| CN112085694A (zh) * | 2020-06-30 | 2020-12-15 | 数笙智能科技(上海)有限公司 | 一种人工智能自动巡检风能风机叶片*** |
| CN112200911A (zh) * | 2020-11-06 | 2021-01-08 | 北京易达恩能科技有限公司 | 结合标志物的区域重叠式三维地图构建方法和装置 |
| CN112360699A (zh) * | 2020-10-22 | 2021-02-12 | 华能大理风力发电有限公司 | 一种全自动风力发电机组叶片智能巡视及诊断分析方法 |
| CN112730422A (zh) * | 2020-12-01 | 2021-04-30 | 中广核工程有限公司 | 一种核电站安全壳缺陷检测方法及*** |
| CN112881467A (zh) * | 2021-03-15 | 2021-06-01 | 中国空气动力研究与发展中心超高速空气动力研究所 | 一种大尺寸复合材料损伤成像与定量识别方法 |
| CN113176268A (zh) * | 2021-05-18 | 2021-07-27 | 哈尔滨理工大学 | 一种基于云台拍摄图像的风电叶片表面损伤检测方法 |
| CN113205458A (zh) * | 2021-05-28 | 2021-08-03 | 上海扩博智能技术有限公司 | 弱纹理叶片拼接方法、***、设备及介质 |
-
2021
- 2021-11-23 CN CN202111392653.5A patent/CN113960068A/zh active Pending
Patent Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106841214A (zh) * | 2017-01-21 | 2017-06-13 | 兰州理工大学 | 一种非接触式风电叶片风沙侵蚀程度检测方法 |
| CN108254077A (zh) * | 2018-01-02 | 2018-07-06 | 国网上海市电力公司 | 基于局部与全局特征信息融合的gis热故障诊断方法 |
| CN110136059A (zh) * | 2019-04-04 | 2019-08-16 | 哈尔滨理工大学 | 直线特征的风电叶片图像拼接方法 |
| CN110378879A (zh) * | 2019-06-26 | 2019-10-25 | 杭州电子科技大学 | 一种桥梁裂缝检测方法 |
| CN111539409A (zh) * | 2020-04-09 | 2020-08-14 | 武汉大学 | 一种基于高光谱遥感技术的古墓题记文字识别方法 |
| CN112085694A (zh) * | 2020-06-30 | 2020-12-15 | 数笙智能科技(上海)有限公司 | 一种人工智能自动巡检风能风机叶片*** |
| CN112360699A (zh) * | 2020-10-22 | 2021-02-12 | 华能大理风力发电有限公司 | 一种全自动风力发电机组叶片智能巡视及诊断分析方法 |
| CN112200911A (zh) * | 2020-11-06 | 2021-01-08 | 北京易达恩能科技有限公司 | 结合标志物的区域重叠式三维地图构建方法和装置 |
| CN112730422A (zh) * | 2020-12-01 | 2021-04-30 | 中广核工程有限公司 | 一种核电站安全壳缺陷检测方法及*** |
| CN112881467A (zh) * | 2021-03-15 | 2021-06-01 | 中国空气动力研究与发展中心超高速空气动力研究所 | 一种大尺寸复合材料损伤成像与定量识别方法 |
| CN113176268A (zh) * | 2021-05-18 | 2021-07-27 | 哈尔滨理工大学 | 一种基于云台拍摄图像的风电叶片表面损伤检测方法 |
| CN113205458A (zh) * | 2021-05-28 | 2021-08-03 | 上海扩博智能技术有限公司 | 弱纹理叶片拼接方法、***、设备及介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111275679B (zh) | 一种基于图像的太阳能电池缺陷检测***及方法 | |
| CN109145872B (zh) | 一种基于CFAR与Fast-RCNN融合的SAR图像舰船目标检测方法 | |
| CN111797712B (zh) | 基于多尺度特征融合网络的遥感影像云与云阴影检测方法 | |
| CN107895376A (zh) | 基于改进Canny算子和轮廓面积阈值的太阳能电池板识别方法 | |
| CN111862013B (zh) | 基于深度卷积神经网络的绝缘子检测方法、装置及设备 | |
| CN103442209A (zh) | 一种输电线路的视频监控方法 | |
| CN108108736A (zh) | 一种太阳能光伏板光斑识别方法 | |
| CN106841214A (zh) | 一种非接触式风电叶片风沙侵蚀程度检测方法 | |
| CN114973032B (zh) | 一种基于深度卷积神经网络的光伏板热斑检测方法及装置 | |
| CN113487563B (zh) | 一种基于el图像的光伏组件隐裂自适应检测方法 | |
| CN108537170A (zh) | 一种电力设备固件无人机巡检销钉缺失检测方法 | |
| CN114241364A (zh) | 一种架空输电线路异物目标快速标定方法 | |
| CN111178177A (zh) | 一种基于卷积神经网络的黄瓜病害识别方法 | |
| CN117314893A (zh) | 基于图像处理的光伏钢结构组件质量检测方法 | |
| CN111667473A (zh) | 基于改进Canny算法的绝缘子憎水性等级判断方法 | |
| CN114842243A (zh) | 一种基于大跨度巡线机器人的故障检测方法、***及设备 | |
| CN104573662A (zh) | 一种云判方法和*** | |
| CN110136059A (zh) | 直线特征的风电叶片图像拼接方法 | |
| CN112465776B (zh) | 一种基于风力机表面模糊图像的裂纹智能检测方法 | |
| CN110082355A (zh) | 一种风电叶片探测*** | |
| CN112381794B (zh) | 一种基于深度卷积生成网络的印刷缺陷检测方法 | |
| CN113960068A (zh) | 风电叶片损伤检测方法 | |
| CN115063679B (zh) | 一种基于深度学习的路面质量评估方法 | |
| CN115410154A (zh) | 一种风电机舱电气设备热故障识别方法 | |
| Huang et al. | Mango surface defect detection based on HALCON |
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 |