CN116964323A - 用于检查风力涡轮机叶片壳部件的***和方法 - Google Patents
用于检查风力涡轮机叶片壳部件的***和方法 Download PDFInfo
- Publication number
- CN116964323A CN116964323A CN202280014223.6A CN202280014223A CN116964323A CN 116964323 A CN116964323 A CN 116964323A CN 202280014223 A CN202280014223 A CN 202280014223A CN 116964323 A CN116964323 A CN 116964323A
- Authority
- CN
- China
- Prior art keywords
- wind turbine
- turbine blade
- image
- defect
- images
- 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
- 238000000034 method Methods 0.000 title claims description 94
- 230000007547 defect Effects 0.000 claims abstract description 198
- 238000007689 inspection Methods 0.000 claims abstract description 21
- 238000012545 processing Methods 0.000 claims abstract description 18
- 230000003287 optical effect Effects 0.000 claims description 26
- 230000008569 process Effects 0.000 claims description 23
- 230000008439 repair process Effects 0.000 claims description 18
- 238000004519 manufacturing process Methods 0.000 claims description 17
- 238000001931 thermography Methods 0.000 claims description 11
- 238000010801 machine learning Methods 0.000 claims description 10
- 238000013507 mapping Methods 0.000 claims description 6
- 238000005286 illumination Methods 0.000 claims description 5
- 230000000977 initiatory effect Effects 0.000 claims description 4
- 230000001678 irradiating effect Effects 0.000 claims description 2
- 239000000835 fiber Substances 0.000 description 20
- 238000013528 artificial neural network Methods 0.000 description 10
- 230000008859 change Effects 0.000 description 9
- 230000002950 deficient Effects 0.000 description 9
- 230000005855 radiation Effects 0.000 description 9
- 229920005989 resin Polymers 0.000 description 9
- 239000011347 resin Substances 0.000 description 9
- 238000012549 training Methods 0.000 description 7
- 230000037303 wrinkles Effects 0.000 description 7
- 239000002131 composite material Substances 0.000 description 6
- 238000001514 detection method Methods 0.000 description 6
- 239000011159 matrix material Substances 0.000 description 6
- 229920000642 polymer Polymers 0.000 description 6
- 230000007704 transition Effects 0.000 description 6
- 230000005284 excitation Effects 0.000 description 4
- 238000011179 visual inspection Methods 0.000 description 4
- 238000013459 approach Methods 0.000 description 3
- 238000010276 construction Methods 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- 229920000049 Carbon (fiber) Polymers 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 239000004917 carbon fiber Substances 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000001627 detrimental effect Effects 0.000 description 2
- 239000003365 glass fiber Substances 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000002787 reinforcement Effects 0.000 description 2
- 230000003014 reinforcing effect Effects 0.000 description 2
- 239000012783 reinforcing fiber Substances 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 238000012800 visualization Methods 0.000 description 2
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 description 1
- 239000004593 Epoxy Substances 0.000 description 1
- 240000007182 Ochroma pyramidale Species 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 238000004026 adhesive bonding Methods 0.000 description 1
- 230000004931 aggregating effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 210000001520 comb Anatomy 0.000 description 1
- 238000007596 consolidation process Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000005336 cracking Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000032798 delamination Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000000227 grinding Methods 0.000 description 1
- 230000003278 mimic effect Effects 0.000 description 1
- 238000002156 mixing Methods 0.000 description 1
- 229920000728 polyester Polymers 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 239000013598 vector Substances 0.000 description 1
- 229920001567 vinyl ester resin Polymers 0.000 description 1
Classifications
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F03—MACHINES OR ENGINES FOR LIQUIDS; WIND, SPRING, OR WEIGHT MOTORS; PRODUCING MECHANICAL POWER OR A REACTIVE PROPULSIVE THRUST, NOT OTHERWISE PROVIDED FOR
- F03D—WIND MOTORS
- F03D17/00—Monitoring or testing of wind motors, e.g. diagnostics
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F03—MACHINES OR ENGINES FOR LIQUIDS; WIND, SPRING, OR WEIGHT MOTORS; PRODUCING MECHANICAL POWER OR A REACTIVE PROPULSIVE THRUST, NOT OTHERWISE PROVIDED FOR
- F03D—WIND MOTORS
- F03D80/00—Details, components or accessories not provided for in groups F03D1/00 - F03D17/00
- F03D80/50—Maintenance or repair
-
- 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
- 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
- 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
- G01N21/9515—Objects of complex shape, e.g. examined with use of a surface follower device
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
- G06T7/001—Industrial image inspection using an image reference approach
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N5/00—Details of television systems
- H04N5/222—Studio circuitry; Studio devices; Studio equipment
- H04N5/262—Studio circuits, e.g. for mixing, switching-over, change of character of image, other special effects ; Cameras specially adapted for the electronic generation of special effects
- H04N5/2624—Studio circuits, e.g. for mixing, switching-over, change of character of image, other special effects ; Cameras specially adapted for the electronic generation of special effects for obtaining an image which is composed of whole input images, e.g. splitscreen
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F05—INDEXING SCHEMES RELATING TO ENGINES OR PUMPS IN VARIOUS SUBCLASSES OF CLASSES F01-F04
- F05B—INDEXING SCHEME RELATING TO WIND, SPRING, WEIGHT, INERTIA OR LIKE MOTORS, TO MACHINES OR ENGINES FOR LIQUIDS COVERED BY SUBCLASSES F03B, F03D AND F03G
- F05B2230/00—Manufacture
- F05B2230/80—Repairing, retrofitting or upgrading methods
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F05—INDEXING SCHEMES RELATING TO ENGINES OR PUMPS IN VARIOUS SUBCLASSES OF CLASSES F01-F04
- F05B—INDEXING SCHEME RELATING TO WIND, SPRING, WEIGHT, INERTIA OR LIKE MOTORS, TO MACHINES OR ENGINES FOR LIQUIDS COVERED BY SUBCLASSES F03B, F03D AND F03G
- F05B2260/00—Function
- F05B2260/80—Diagnostics
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F05—INDEXING SCHEMES RELATING TO ENGINES OR PUMPS IN VARIOUS SUBCLASSES OF CLASSES F01-F04
- F05B—INDEXING SCHEME RELATING TO WIND, SPRING, WEIGHT, INERTIA OR LIKE MOTORS, TO MACHINES OR ENGINES FOR LIQUIDS COVERED BY SUBCLASSES F03B, F03D AND F03G
- F05B2270/00—Control
- F05B2270/80—Devices generating input signals, e.g. transducers, sensors, cameras or strain gauges
- F05B2270/804—Optical devices
- F05B2270/8041—Cameras
-
- 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
- G01N2021/8472—Investigation of composite materials
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10016—Video; Image sequence
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10048—Infrared image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20212—Image combination
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30164—Workpiece; Machine component
Landscapes
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Evolutionary Computation (AREA)
- Pathology (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (AREA)
- Computing Systems (AREA)
- Quality & Reliability (AREA)
- Signal Processing (AREA)
- Combustion & Propulsion (AREA)
- Sustainable Energy (AREA)
- Mechanical Engineering (AREA)
- General Engineering & Computer Science (AREA)
- Sustainable Development (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
- Wind Motors (AREA)
Abstract
描述了一种用于检查诸如风力涡轮机叶片壳部件或风力涡轮机叶片翼梁帽之类的风力涡轮机叶片部件的缺陷的风力涡轮机叶片检查***。所述风力涡轮机叶片壳部件在纵向方向上延伸,并且其中所述***包括:至少第一图像捕获装置;运送构件,所述运送构件用于沿着所述风力涡轮机叶片部件来移动所述至少第一图像捕获装置,并且被配置以便沿着所述风力涡轮机叶片部件来捕获包括所述风力涡轮机叶片部件的部分的第一图像的多个所获取图像;以及图像处理单元,所述图像处理单元被配置成识别所述多个所获取图像中的异常,并且识别所述异常是否涉及所述风力涡轮机叶片部件中的缺陷。
Description
技术领域
本发明涉及用于检查风力涡轮机叶片壳部件的缺陷的风力涡轮机叶片检查***以及用于检查风力涡轮机叶片壳部件的缺陷的方法。
背景技术
诸如风力涡轮机叶片、飞机机翼和船体之类的细长结构能够以复合材料来被制造,所述复合材料包括被嵌入在聚合物基体中的纤维增强材料。所述纤维增强材料通常被堆叠,从而形成多个堆叠的层,同时将纤维的取向与细长结构的纵向方向对齐,以便提供纵向方向上的刚度。堆叠的纤维层的对齐对于细长结构的可靠性和强度是极其重要的。任何纤维未对齐可能引起风力涡轮机叶片的故障或破损。因此,识别或定位纤维未对齐或皱褶(例如平面内或平面外未对齐)对于补救纤维未对齐并且因此对于确保风力涡轮机叶片的可靠性至关重要。了解细长结构中是否存在纤维未对齐缺陷并且能够量化所述缺陷及其位点(location)允许开展适当的修理工作(诸如打磨掉纤维未对齐并且更换所打磨的部分)并且因此消除过多的修理工作。此外,纤维未对齐检测提供所制造的风力涡轮机叶片的更高可靠性,同时还提供加强的安全性。
当今,纤维未对齐通过采用手电筒在细长结构的表面上进行目视检查来被检测,并且在未对齐被观测到时使用非常简单的工具(例如皱褶梳和尺子)来被量化。这类目视检查不充分,因为它仅允许检测存在于细长结构的表面上的纤维未对齐。另外,针对在目视检查期间可能错过的微小表面起伏,这类目视检查可能费时且低效。不是仅处于表面上的纤维未对齐(诸如更深的纤维未对齐或隐藏的纤维未对齐)对细长结构的可靠性同等有害。
超声测试方法尚未被证明充分有用以作为识别和量化皱褶的方法。超声测试方法要求特定材料(所述材料可能污染叶片的表面)被添加以用于检测未对齐,以便提供传感器与被测对象之间的接触表面。进一步,传感器在不能够实现对皱褶的适当检测或量化的波长进行操作。
还众所周知的是,在结构的预固结或固化之后或期间例如使用摄像机***来扫描其他缺陷。这类缺陷可能例如涉及具有在复合材料中或者在具有过高树脂含量的备选区中形成的气穴(airpocket)的区。然而,这类***要求人类操作者的存在,以识别可能的缺陷以及还建议补救缺陷的合适修理方法。相应地,缺陷的检测依靠人类错误的经验并且易于出错。
相应地,存在对能够更高效地识别缺陷和建议补救缺陷的合适修理方法并且不太易于出错的自动化过程的需要。
发明内容
一目的是要取得克服或改善现有技术的缺点中的至少一个缺点或者提供有用的备选方案的***和方法。
按照第一方面,这通过一种用于检查风力涡轮机叶片部件(诸如风力涡轮机叶片壳部件或风力涡轮机叶片翼梁帽)的缺陷的风力涡轮机叶片检查***来取得,其中所述风力涡轮机叶片部件在纵向方向上延伸,并且其中所述***包括:至少第一图像捕获装置;运送构件,所述运送构件用于沿着所述风力涡轮机叶片部件来移动所述至少第一图像捕获装置,并且被配置以便沿着所述风力涡轮机叶片部件来捕获多个所获取图像,所述多个所获取图像包括所述风力涡轮机叶片部件的部分的第一图像;以及图像处理单元,所述图像处理单元被配置成识别所述多个所获取图像中的异常并且识别所述异常是否涉及所述风力涡轮机叶片部件中的缺陷。
按照第二方面,通过一种用于检查风力涡轮机叶片部件(诸如风力涡轮机叶片壳部件或风力涡轮机叶片翼梁帽)的缺陷的方法来取得目的,其中所述风力涡轮机叶片部件在纵向方向上延伸,并且其中所述方法包括下列的步骤:
沿着所述风力涡轮机叶片部件来运送至少第一图像捕获装置;
使用所述至少第一图像捕获装置沿着所述风力涡轮机叶片部件来捕获多个所获取图像,所述多个所获取图像包括所述风力涡轮机叶片部件的部分的第一图像;
对所述多个所获取图像进行图像处理,以识别所述多个所获取图像中的任何所获取图像是否包含异常;以及
根据识别异常,确定所述异常是否涉及所述风力涡轮机叶片部件中的缺陷。
因此,所述***和方法被配置成:沿着风力涡轮机叶片来运送第一图像捕获装置,并且检测可能涉及风力涡轮机叶片部件中的缺陷的异常。因此,还清楚的是,所描述的解决方案用于识别复合结构中的缺陷,所述复合结构包括聚合物基体(例如固化的树脂)中的增强纤维(诸如玻璃和/或碳纤维)。
异常被定义为与来自所述多个所获取图像的数据的大多数偏离或者与预期的图像偏离的所述多个所获取图像中的观测。对于光学图像,它例如可以是风力涡轮机叶片的表面中的非预期的变化或起伏,以及对于热或红外图像,它例如可以是热图像中的非预期的变化,诸如热图像中的局部变化。表面高度中的变化可例如指示纤维绞合中的皱褶。进一步,(预期的)热辐射的缺乏可指示缺乏树脂和可能的气穴,而(预期的)热辐射中的增加可指示富树脂区。然而,这也可与风力涡轮机叶片部件的构造设计的预先知识(例如与翼梁帽、夹层构造和诸如此类的位置(position)有关的知识)相组合。在实践中并且如后面详细说明的,所述***和方法可被配置成经由图像注释来识别异常。所述***优选地被预训练成识别异常并且提供图像注释。在这类***中,图像可采用例如表示特定缺陷类型的标签来被注释。
清楚的是,所述缺陷可能涉及表面缺陷或者涉及风力涡轮机叶片部件内的表面下缺陷。
在下面描述按照以上方面的优选的实施例。各个实施例可按任何设想的组合相结合。所述实施例提及风力涡轮机叶片部件。所述部件优选地是风力涡轮机叶片壳部件或者风力涡轮机叶片的翼梁帽。要注意,翼梁帽可分开被制造,并且例如通过粘附被连接到空气动力壳。因此,空气动力壳和翼梁帽均可分开被检查。然而,也可能制造具有被集成到风力涡轮机叶片壳部件中的翼梁帽的风力涡轮机叶片壳部件(例如压力侧壳或吸力侧壳)。在这类实施例中,空气动力壳和翼梁帽可同步被检查。
按照所要求保护的发明,所述***和方法优选地涉及风力涡轮机叶片的制造期间的检查。相应地,所述***优选地被配置成在叶片的制造期间检查风力涡轮机叶片部件,诸如风力涡轮机叶片壳或翼梁帽。因此,所述***配置成在制造设施来被使用。相似地,所述检查方法优选地在风力涡轮机叶片的制造期间(例如在风力涡轮机叶片壳或翼梁帽的固化之后)被使用。
进一步,按照所要求保护的发明,所述***和方法优选地利用以热成像图像捕获装置或红外摄像机的形式的第一图像捕获装置以及以光学摄像机的形式的第二图像捕获装置两者。
在一有利实施例中,第一图像捕获装置是热成像图像捕获装置或红外摄像机。热成像图像捕获装置或红外摄像机可例如在风力涡轮机叶片部件正硬化或被固化时或者之后随即捕获图像,并且其中树脂可仍发射来自固化过程的放热辐射。热成像图像捕获装置或红外摄像机可将图像持续地捕获到视频馈送,或者它可配置成在例如预定义的位置或者以预定义的间距来获取静止图像。
在另一有利实施例中,第一图像捕获装置是光学摄像机。所述光学摄像机可捕获风力涡轮机叶片部件的特别是表面的图像,并且可捕获可指示异常和可能缺陷的尤其是颜色或表面高度中的变化。对于表面高度检测,例如可能使用两个光学摄像机来渲染表面高度的三维图像。然而,也可能经由其他技术。光学摄像机可将图像持续地捕获到视频馈送,或者它可配置成在例如预定义的位置或者以预定义的间距来获取静止图像。
在一优选的实施例中,所述***包括第一图像捕获装置和第二图像捕获装置,并且其中所述***被配置以便沿着风力涡轮机叶片部件来捕获风力涡轮机叶片部件的部分的多个第二图像。所获取图像因此包括从第一图像捕获装置所获取的第一图像以及从第二图像捕获装置所获取的第二图像两者。
优选地,第一图像捕获装置是热成像图像捕获装置或红外摄像机,以及第二图像捕获装置是光学摄像机。所获取图像因此包括一起能够用来检测异常的热成像图像和光学图像两者。
在另一优选的实施例中,所述至少第一图像捕获装置被配置和定位成捕获示出风力涡轮机叶片部件的整个宽度的图像。因此,运送***仅需要在风力涡轮机叶片部件的纵向方向上移动第一图像捕获装置,以便获取风力涡轮机叶片部件的整个表面的图像。
在还有的另一优选的实施例中,所述***进一步包括位置记录单元,所述位置记录单元配置成记录所述多个所获取图像的位置。所获取图像的位置可例如通过确定所述至少第一图像捕获装置的位置而被确定,并且由此按照所述至少第一图像捕获装置的位置来映射所获取图像。所述***可例如包括拼接模块,所述拼接模块配置成将所述多个所获取图像或多个经图像处理的图像拼接成映射风力涡轮机叶片部件的全视图的拼接的图像。因此,所述***配置成提供风力涡轮机叶片部件的完全图像,所述完全图像提供与可能的异常和缺陷的位置有关的更好反馈。
在一个实施例中,所述***包括过滤器模块,所述过滤器模块配置成过滤出从下列项的组中所挑选的图像:被模糊的图像和/或不含有风力涡轮机叶片部件的图像的图像和/或重叠多于预定义的重叠阈值的图像。所述过滤器模块可例如使用统计图像处理和/或机器学习来识别模糊的图像。
所述过滤器模块的目的是要减少为了检查目的所要求的数据。为了过滤出帧,深度神经网络可用来识别图像是否被模糊或者含有感兴趣的对象。这类网络能够使用不同模糊过滤器经由人工创建的模糊的数据来被训练,以识别模糊的图像。相似地,所述网络能够使用叶片部件以及非叶片部件结构的图像来被训练,以自动过滤出不是叶片部件图像的图像。作为一示例,MobileNet网络能够用来训练用于给定任务的分类器。然而,任何分类网络能够用来达成相同的目标。还能够使用统计测量来估计模糊而无需使用机器学习方式。
按照特别有利的实施例,图像的重叠使用下列项的至少一个来被确定:两个图像的交叉相关性、两个图像的平方差或例如使用连体(Siamese)网络(有时称为孪生神经网络,所述孪生神经网络在不同输入向量上协力工作)的度量学习或稀疏特征匹配。
重叠阈值可例如处于10%与50%之间。所述值被设置为图像的重叠像素与总像素的比率。重叠阈值例如可以是50%、40%、30%或20%。这意味着,过滤器模块仅使用其中重叠小于重叠阈值的图像或帧。
在一优选的实施例中,所述***配置成经由图像注释来识别异常。因此,叶片部件的图像和/或完全图像可经由图像注释技术被注释。
在另一优选的实施例中,所述***包括分析模块,所述分析模块配置成确定异常是否与来自多个可能缺陷类型中的特定缺陷类型相关。所述多个可能缺陷类型可例如被存储在遍及可能缺陷类型的数据库中。所述数据库可被持续地更新有新的缺陷类型。这能够在它们被识别时由人类控制者手动完成,或者它可例如通过例如机器学习的使用而被自动更新。进一步,所述模块可使用机器学习或人工智能来被训练,以识别异常和相关缺陷类型。这可根据前述图像注释优选地来被完成。
在还有的另一优选的实施例中,分析模块配置成计算所述多个可能缺陷类型中的每个的置信值,所述置信值指示异常与所述多个可能缺陷类型中的特定缺陷类型相关的概率。因此,分析模块配置成计算异常与特定缺陷类型关联的概率。所述概率可例如通过将缺陷类型的特性存储在数据库中并且将所识别的异常的特性与这些特性进行比较而被计算。
在一有利实施例中,分析模块配置成:如果所述多个可能缺陷类型中的具有最高置信值的两个缺陷类型的置信值处于消歧义(disambiguation)阈值之内,则发起消歧义过程。可例如在显示器上向***的控制者或用户呈现所述消歧义过程,以供所述控制者判定何种类型的缺陷更为可能。如果两个缺陷类型的置信值彼此接近(即,处于定义的消歧义阈值之内),则可开始所述过程。所述消歧义过程可例如用来避免异常被检测为两个近似同等可能的缺陷类型中的不正确缺陷类型。
在一优选的实施例中,分析模块配置成:接收所述多个所获取图像,并且输出识别所述多个所获取图像的哪些像素属于缺陷并且优选地属于对应缺陷类型的掩码。所述掩码提供定位风力涡轮机叶片部件上具有缺陷的区域的简单概览。所述掩码可进一步形成前述注释图像。分析模块优选地可被配置成将已被识别为属于缺陷兼相同缺陷类型的相邻像素归组到单个缺陷区域。缺陷区域可以是属于相同的缺陷类别的在图像空间中相互连接的像素的群集。可使用连接的组分或凸包拟合(convex hull fitting)将多边形拟合到这些区域。针对每个图像的原始图像数据、区域边界(多边形)及其对应缺陷类别连同与检查相关的元信息可然后被传到可视化模块,以供检查者检验、验证和做出修理行动。
在还有的另一优选的实施例中,所述***进一步包括指示器(pointer)单元,所述指示器单元配置成照射风力涡轮机叶片部件上的一个或多个区,以识别供风力涡轮机叶片部件上的修理工作的缺陷位点。这将帮助工作者定位并且使工作者准备修理缺陷。还可采用特定特性照射所述区(例如通过将颜色指派到不同缺陷类型或者简单地使指示器单元写出缺陷类型)来识别缺陷类型。指示器单元例如可以是扫描***,所述扫描***概括缺陷并且可能写缺陷类型。所述***还可配置成提出补救缺陷的适当修理方法。指示器单元包括照射风力涡轮机叶片部件上的区的激光点单元。这提供了用于提供照射具有缺陷的区的指示器***的简单解决方案。在另一优选的实施例中,指示器单元包括沿着用于制造风力涡轮机叶片部件的模具的纵向方向所布置的多个单独激光指示器单元或者其他照射源。这确保在指示器***单元照射具有缺陷的区时,不同工作者能够同时在所述模具的不同位置执行修理或者矫正缺陷。在还有的另一优选的实施例中,指示器单元包括沿着用于制造风力涡轮机叶片部件的模具的第一侧所分布的一个、两个或更多主激光指示器单元以及沿着用于制造风力涡轮机叶片部件的模具的第二侧所分布的一个、两个或更多辅助激光指示器单元。由此确保所述一个或多个主激光指示器单元能够照射模具的第二侧处的叶片部件的竖直或接近竖直的区段,以及确保所述一个或多个辅助激光指示器单元能够照射模具的第一侧处的叶片部件的竖直或接近竖直的区段。
在一个实施例中,所述方法进一步包括:沿着风力涡轮机叶片部件运送至少第二图像捕获装置;以及捕获所述多个所获取图像包括使用第二图像捕获装置沿着风力涡轮机叶片部件来捕获风力涡轮机的部分的第二图像。相应地,两种类型的图像能够被获取以使风力涡轮机叶片成像,并且被用来识别异常。在一优选的实施例中,第一图像是热或红外图像,以及第二图像是光学图像。
在另一实施例中,所述方法包括记录所获取图像中的每个的位置的步骤。由此,每个图像的位置能够被记录并且被用来提供整个风力涡轮机叶片壳的更大的图像。备选地或者除此以外,所述方法可包括将所述多个所获取图像或所述多个经图像处理的图像拼接成映射风力涡轮机叶片部件的全视图的拼接的图像的步骤。这提供一种提供风力涡轮机叶片部件的完全图像的简单方法,其提供与可能的异常和缺陷的位置有关的更好反馈。
在一优选的实施例中,所述方法包括计算针对多个可能缺陷类型中的每个的异常的置信值的步骤,所述置信值指示异常与所述多个可能缺陷类型中的特定缺陷类型相关的概率。因此,所述方法配置成计算异常与特定缺陷类型关联的概率。所述概率可例如通过将缺陷类型的特性存储在数据库中并且将所识别的异常的特性与这些特性进行比较而被计算。优选地,所述方法进一步包括向异常指派具有最高置信值的特定缺陷类型。
在一有利实施例中,所述方法进一步包括:根据所述多个可能缺陷类型中的具有最高置信值的两个缺陷类型的置信值处于消歧义阈值之内,发起消歧义过程以确定缺陷类型。可例如在显示器上向***的控制者或用户呈现消歧义,以供所述控制者判定何种类型的缺陷更为可能。所述消歧义过程可例如用来避免异常被检测为两个近似同等可能的缺陷类型中的不正确缺陷类型。
在另一优选的实施例中,所述方法包括将已被识别为属于缺陷并且属于相同缺陷类型的相邻像素归组到单个缺陷区域的步骤。
在还有的另一优选的实施例中,所述方法包括生成识别所述多个所获取图像的哪些像素属于缺陷并且优选地属于对应缺陷类型的掩码的步骤。所述掩码提供定位风力涡轮机叶片部件上具有缺陷的区域的简单概览。所述掩码可进一步用来生成前述注释图像。
在另一优选的实施例中,所述方法包括照射风力涡轮机叶片部件上的一个或多个区以识别供风力涡轮机叶片部件上的修理工作的缺陷位点的步骤。
附图说明
下面参照附图中所示的实施例来详细说明本发明,其中
图1示出风力涡轮机,
图2示出风力涡轮机叶片的示意视图,
图3示出风力涡轮机叶片壳部件的示意视图,
图4示出风力涡轮机叶片检查***的示意视图,
图5a-5c分别示出预处理的图像和后处理的图像,
图6示出处理帧并且将它们拼接在一起的步骤,以及
图7公开用于照射区来识别供修理的缺陷位点的指示器***。
具体实施方式
下文中描述多个示范实施例,以便了解本发明。
图1示出按照所谓的“丹麦概念”的具有塔架4、机舱6和转子的常规现代逆风风力涡轮机,所述转子具有基本上水平的转子轴。所述转子包含毂8和从毂8径向延伸的三个叶片10,所述三个叶片各自具有最接近毂的叶片根部16和最远离毂8的叶片尖部14。
图2示出风力涡轮机叶片10公开的第一实施例的示意视图。风力涡轮机叶片10具有常规风力涡轮机叶片的形状,并且包括最靠近毂的根部区域30、最远离毂的成型或翼型区域34以及根部区域30与翼型区域34之间的过渡区域32。叶片10包括:前缘18,所述前缘在叶片被安装在毂上时面向叶片10的旋转方向;以及后缘20,所述后缘面向前缘18的相反方向。
翼型区域34(又称为成型区域)具有针对生成升力的理想或几乎理想的叶片形状,而根部区域30由于结构考虑而具有基本上圆或椭圆的截面,这例如使得将叶片10安装到毂更容易和更安全。根部区域30的直径(或弦)沿着整个根部区30可以是恒定的。过渡区域32具有从根部区域30的圆或椭圆形状逐渐改变到翼型区域34的翼型轮廓的过渡轮廓。过渡区域32的弦长典型地随着距毂的不断增大的距离r而增大。翼型区域34具有翼型轮廓,所述翼型轮廓具有在叶片10的前缘18与后缘20之间进行延伸的弦。弦的宽度随着距毂的不断增大的距离r而减小。
叶片10的肩部(shoulder)39被定义为其中叶片10具有其最大弦长的位置。肩部39典型地在过渡区域32与翼型区域34之间的边界被提供。
应当注意,叶片的不同区段的弦通常不位于共同平面中,因为叶片可被扭曲和/或弯曲(即,预弯折),因此为弦平面提供对应地扭曲和/或弯曲的趋向,这是最常有的情况,以便补偿取决于距毂的半径的叶片的局部速度。
叶片典型地由压力侧壳部件36和吸力侧壳部件38制成,它们沿着叶片的前缘18和后缘20处的接合线相互胶接。
下文中针对压力侧壳部件36或吸力侧壳部件38的制造来说明本发明。
图3示出叶片壳部件的透视视图,在此示有吸力侧壳部件38,所述吸力侧壳部件被提供有承载结构,所述承载结构形成翼梁帽40或主层压部(laminate)。翼梁帽40能够被集成到叶片壳部件中,或者它能够是例如通过粘附被附连到叶片壳部件38的单独翼梁帽。翼梁帽40可以是单独翼梁结构的部分。然而,还可能为叶片提供于压力侧壳部件36和吸力侧壳部件38两者提供的翼梁帽,其中一个或多个抗剪腹板被附连在翼梁帽之间。
图4公开用于检查风力涡轮机叶片壳部件38的缺陷的风力涡轮机叶片检查***60。风力涡轮机叶片部件38被布置在用于形成风力涡轮机叶片壳38的模具50中。在所示实施例中,风力涡轮机叶片壳部件38被提供有翼梁帽40和夹层构造42,所述夹层构造包括夹芯材料(诸如轻木或发泡聚合物),以便硬化风力涡轮机叶片的后缘。
风力涡轮机叶片壳部件38可另外包括风力涡轮机叶片壳38的前缘和后缘处的附加增强结构(未示出)。风力涡轮机叶片检查***60包括至少第一图像捕获装置。在所示实施例中,风力涡轮机叶片检查***60包括热成像图像捕获装置或红外摄像机62以及主光学摄像机64a和辅助光学摄像机64b。仅使用单个光学摄像机可能是充分的。但是,两个摄像机的使用使得例如检测风力涡轮机叶片壳38的表面拓扑变得可能。图像捕获装置62、64a、64b(例如以桥门或吊架的形式)被布置在用于沿着风力涡轮机叶片壳部件来移动图像捕获装置62、64a、64b的运送构件上。所述运送构件可例如被布置在沿着模具50的轨道上。
相应地,风力涡轮机叶片检查***60配置成沿着风力涡轮机叶片壳部件38来捕获风力涡轮机叶片壳部件38的部分的多个所获取图像。在本实施例中,所述多个所获取图像包括从热成像图像捕获装置或红外摄像机62所捕获的第一图像以及从(一个或多个)光学摄像机64a、64b所捕获的第二图像。
风力涡轮机叶片检查***60进一步包括处理单元或计算单元70,其配置成对来自图像捕获装置62、64a、64b的所捕获图像进行图像处理。处理单元70配置成从所述多个所获取图像来识别异常,并且识别所述异常是否涉及风力涡轮机叶片壳部件中的缺陷。
在一优选的实施例中,图像捕获装置62、64a、64b被配置和定位成捕获示出风力涡轮机叶片壳部件的整个宽度的图像。因此,运送***66仅需要在风力涡轮机叶片壳部件38的纵向方向上移动图像捕获装置62、64a、64b,以便获取风力涡轮机叶片壳部件38的整个表面的图像。在还有的另一优选的实施例中,***60进一步包括位置记录单元,所述位置记录单元配置成记录所述多个所获取图像的位置。所获取图像的位置可例如通过确定所述至少第一图像捕获装置的位置而被确定,并且由此按照所述至少第一图像捕获装置的位置来映射所获取图像。
处理单元70包括数据激发模块(DM)72、拼接模块(SM)74、过滤器模块(FM)76和分析模块(AM)78。处理单元70可被提供为在制造站点所提供的独立运作解决方案,或者可以是图像被上传到其中并进行图像处理的服务器或云解决方案的部分。备选地,可本地提供所述模块中的一些模块以及在服务器或云解决方案上提供所述模块中的其他模块。
风力涡轮机叶片壳优选地被制作为纤维增强复合结构,其中增强纤维被嵌入在聚合物基体中。所述聚合物基体例如可以是聚酯、乙烯基酯或环氧树脂。热辐射例如可以是来自固化过程的放热辐射。风力涡轮机叶片检查***60优选地可在风力涡轮机叶片壳部件38的固化之后随即被使用,其中风力涡轮机叶片壳部件正仍发射来自固化过程的热辐射,并且其中所述热辐射能够用来识别所固化的复合结构中的异常。
因此,所述***和方法被配置成:沿着风力涡轮机叶片来运送第一图像捕获装置,并且检测可能涉及风力涡轮机叶片壳部件中的缺陷的异常。因此,还清楚的是,所描述的解决方案用于识别复合结构中的缺陷,所述复合结构包括聚合物基体(例如固化的树脂)中的增强纤维(诸如玻璃和/或碳纤维)。
异常被定义为与来自所述多个所获取图像的数据的大多数偏离或者与预期的图像偏离的所述多个所获取图像中的观测。对于光学图像,它例如可以是风力涡轮机叶片的表面中的非预期的变化或起伏,以及对于热或红外图像,它例如可以是热图像中的非预期的变化,诸如热图像中的局部变化。表面高度中的变化可例如指示纤维绞合中的皱褶。进一步,(预期的)热辐射的缺乏可指示缺乏树脂和可能的气穴,而(预期的)热辐射中的增加可指示富树脂区。然而,这也可与风力涡轮机叶片壳部件的构造设计的预先知识(例如与翼梁帽、夹层构造和诸如此类的位置有关的知识)相组合。在实践中并且如后面详细说明的,所述***和方法可被配置成经由图像注释来识别异常。所述***优选地被预训练成识别异常并且提供图像注释。
异常和关联的缺陷的类型可例如从下列项的组来挑选:纤维层压部中的纤维波或皱褶、干纤维(缺乏树脂或存在气穴)、夹芯元件之间的超额间隙、脱层、开裂或微开裂、应力集中、***的前缘或后缘(在叶片组装之后)、抗剪腹板脱接合(在叶片组装之后)和粘附剂接合异常。然而,可能缺陷的列举并不局限于以上列举,并且所述***可被持续地更新并且配置成识别其他类型的异常及其关联的缺陷类型。
数据激发模块72由读取从图像捕获装置62、64a、64b所收集的红外图像、光学图像、红外视频或光学视频的接口组成。数据激发模块72能够直接连接到摄像机***或者连接到物理的或基于云的数据存储装置以读取数据。相应地,***60可配置成从持续视频馈送来获取图像。然而,***60还可配置成在沿着风力涡轮机叶片壳部件38的预定义的位置来捕获图像。
所述***进一步接纳视频或直播馈送或者备选地接纳从离散位置得到的图像,以及经由过滤器模块76自动过滤出被模糊的图像或者不含有叶片壳图像的帧。过滤器模块76的目的是要减少为了检查目的所要求的数据。为了过滤出帧,所述***可有利地利用深度神经网络来识别图像是否被模糊或者含有感兴趣的对象。为了训练这类网络,可能使用不同的模糊过滤器来创建人工模糊的数据,并且训练所述网络来识别模糊的对象。相似地,所述网络能够使用叶片壳部件38以及非叶片壳结构的图像来被训练,以自动过滤出不是叶片壳图像的图像。MobileNet网络可例如用来训练用于给定任务的分类器。然而,任何分类网络能够用来达成相同的目标。还可能使用统计测量来估计模糊而没有对机器学习方式的需要。
由于运送***66在扫描风力涡轮机叶片部件的缺陷的情况下可能移动缓慢,有可能许多帧可显著重叠。为了减少重叠,度量学***方差)可用来识别两个帧是否显著重叠并且丢弃非提供信息的帧。对于度量学习,能够使用连体网络来识别两个帧是否显著重叠。重叠阈值可例如设置成10%与50%之间的值。所述值被设置为图像的重叠像素与总像素的比率。重叠阈值例如可以是50%、40%、30%或20%。这意味着,过滤器模块仅使用其中重叠小于重叠阈值的图像或帧。
分析模块78有利地可以是深度神经网络,所述深度神经网络由输入与输出之间的多个层来构成。深度神经网络是机器学习框架,所述机器学习框架由堆叠在一起的多个层来组成并且被训练成模仿人类检查者的推理。在一优选的实施例中,称为卷积神经网络(CNN)的深度神经网络的变体可用于处理图像数据。对所述网络的输入是从图像捕获装置62、64a、64b所获取的图像。所述网络的输出是传达出哪些像素属于所述缺陷兼其对应类别(对应于图像注释)的掩码。所述网络可使用在监督的学习中由操作者提供的输入和输出对而被训练。操作者标记属于缺陷兼其对应类别的像素。所述网络可因此被训练成精确地预测缺陷像素位点和对应类别。所训练的模型生成针对属于某个缺陷类别的每个像素的概率图。更高的概率指示像素属于那个缺陷类别的更高可能性。所述网络能够直接被训练成预测缺陷像素位点及其类别,或者首先被训练成预测像素属于缺陷还是非缺陷类别,并然后将每个缺陷像素分类到其对应缺陷类别。
深度学习***可由用于语义分割任务的编码器-解码器架构来组成。编码器网络结构学习所要求用来解决给定任务的适当表示,而解码器结构将低级和高级表示进行组合以做出预测。对于直接训练的***,所述预测能够直接是属于缺陷类别的每个像素的概率图。对于预训练的网络,编码-解码器结构能够预测每个像素的缺陷和非缺陷,以及被识别为缺陷的那些像素能够经过另一CNN结构以供到缺陷类别中的进一步分类。存在被设计用于语义分割任务的基于监督的学习的神经网络架构的许多变体,并且那些架构中的任何架构能够用于所述学习。用来演示本发明的这类监督的训练算法之一是残差(residual)-UNet,所述残差-UNet将残差块用作神经网络架构的构建块。
基于所述概率图,具有与缺陷和/或缺陷类型关联的高置信值的像素能够被标出,以创建红外图像中的缺陷的置信图。彼此相邻并且属于相同缺陷类别的像素能够被组合成单个缺陷区域。区域只是属于相同缺陷类别的在图像空间中相互连接的像素的群集。使用连接的组分或凸包拟合将多边形拟合到这些区域。针对每个图像的原始红外或光学数据、区域边界(多边形)及其对应缺陷类别连同与检查相关的元信息然后被传到可视化模块,以供检查者检验、验证和做出修理行动。
相应地,***60配置成计算所述多个可能缺陷类型中的每个的置信值,所述置信值指示异常与所述多个可能缺陷类型中的特定缺陷类型相关的概率。因此,所述***配置成计算异常与特定缺陷类型关联的概率。所述概率可例如通过将缺陷类型的特性存储在数据库中并且将所识别的异常的特性与这些特性进行比较而被计算。在一有利实施例中,***60配置成:如果所述多个可能缺陷类型中的具有最高置信值的两个缺陷类型的置信值处于消歧义阈值之内,则发起消歧义过程。可例如在显示器上向***60的控制者或用户呈现消歧义,以供所述控制者判定何种类型的缺陷更为可能。所述消歧义过程可例如用来避免异常被检测为两个近似同等可能的缺陷类型中的不正确缺陷类型。
预处理的图像和后处理的图像的一示例在图5a-5c中被示出。图5a将叶片壳的一部分的红外图像作为一示例来示出,以及图5b也示出叶片壳的所述部分的光学图像。根据所述红外图像和所述光学图像两者,能够识别两个细长形状,并且它们对应于所述图像中的异常。基于所述异常的形状并且所述异常在所述红外图像和所述光学图像两者中能够被识别指示纤维绞合中以折叠的形式的皱褶。这类缺陷对风力涡轮机叶片的机械强度可能是有害的,特别是如果所述皱褶位于风力涡轮机叶片的翼梁帽之一中。图5c示出图5a的红外图像的注释的图像,其中异常80、81已被标记。所述注释例如能够例如通过颜色或阴影的类型而被提供有与缺陷的类型有关的信息。
存在基于自动编码器和生成式对抗网络的若干神经网络架构,其在未监督的设置下执行学习。该处目标是要学习图像数据的正态分布(例如叶片在没有缺陷的情况下看起来如何)并然后对与正态的图像偏离进行建模来标出缺陷。当训练数据不可用时,此技术尤其有用。还存在称为半监督的学习的学习的另一范例,其中用户具有有限训练数据但具有许多未标明的数据。在此学习框架中,附加的未标明的数据用于采用有限训练数据来增进训练,以学习对任务的更好表示。所有这些不同的学习设置能够使用深度神经网络通过修改网络架构、损失函数和训练过程而被达成。
分析模块78可直接对视频数据逐帧进行操作,并且识别和标出它们的每一个中的缺陷。分析模块78还可利用时间一致性并过滤出错误检测(通过在给定位点随时间聚集预测)。然而,由于邻近帧中的冗余(如图6中所示的帧“n”与帧“n-1”之间的显著重叠),对每个帧进行异常和缺陷识别操作可能并非高效。为了减少计算负担,拼接模块74可用来在不丢失信息的情况下从视频数据选择关键帧的小集合。拼接模块74可估计每个帧的图像质量连同与上个关键帧的重叠。如果所述重叠小于前述重叠阈值并且满足图像质量要求,则所述帧被选择为新的关键帧,并且所述过程针对关键帧提取持续进行。
***60在拼接之后具有在一个图像中显示完整风力涡轮机叶片壳部件的能力,从而允许操作者了解叶片上的缺陷的位点。这通过使用加强的基于相关性的配准方式将各个图像关键帧(例如热/红外图像)拼接在一起而被实行。每个帧被配准到它之前的帧,并且然后累积地被添加到先前所配准的所有帧。一旦此过程完成,整个叶片壳部件在一个拼接的图像中是可见的。此过程在图6中被示出,其示出第一图像帧nx-1和第二图像帧nx。所述帧均包含指示缺陷的异常。所述两个图像经过预处理,并且来自帧nx的非重叠图像部分85被识别。相应地,仅处理帧nx的非重叠图像部分85足以识别异常和潜在缺陷,这节省处理功率。随后,所述两个帧被拼接,并且此过程对所有帧重复进行,以达成整个风力涡轮机叶片的拼接的图像88。在成对对齐期间,误差可能累加。因此,作为后处理步骤,全局对齐方式能够被部署,以精细化拼接的图像。后混合步骤能够被应用,以移除伽马矫正(或照射变化)。所处理的拼接的图像88可包含识别指示缺陷的异常82、83、84的注释。
由于所述缺陷在各个帧上被检测到并且变换矩阵在每个帧之间是已知的,因此相对于整个风力涡轮机叶片壳部件,每个帧上的缺陷位点也是已知的。结果作为层被覆盖在原始图像上(即,注释的图像),其中每个多边形的类别可用于检查者查看。操作者可选择给定的缺陷多边形来查看与那个多边形关联的相关信息,诸如类别、像素中的大小等。操作者还具有移除现有多边形、改变多边形的所预测类别或者标记新的缺陷多边形(使用***的工具)的能力。
相应地,分析模块78配置成确定异常是否与来自多个可能缺陷类型中的特定缺陷类型相关。所述多个可能缺陷类型可例如被存储在遍及可能缺陷类型(例如先前提到的缺陷类型的列举)的数据库中。所述数据库可被持续地更新有新的缺陷类型。这能够在它们被识别时由人类控制者手动完成,或者它可例如通过例如机器学习的使用而被自动更新。进一步,分析模块78可使用机器学习或人工智能来被训练,以识别异常和相关缺陷类型。
在最终步骤中,指示器***(诸如激光指示器90)可用来照射风力涡轮机叶片壳部件38上的区,以识别供修理的缺陷位点,如图7中所示的。(一个或多个)图像捕获装置可被校准,使得所获取图像的坐标系与指示器***之间的变换是全部已知的。存在能够用来校准所述(一个或多个)图像捕获装置和指示器***90的若干校准方法。一旦校准完成,图像空间中的任何点就能够由指示器***90在风力涡轮机叶片壳上精确地指出。这将使检查者能够审度结果和识别叶片壳部件上的缺陷(使用指示器***),由此减少标记缺陷的手动过程。如所示的,指示器***可包括沿着用于制造风力涡轮机叶片部件的模具的纵向方向所布置的多个单独激光指示器90或者其他照射源。这确保在指示器***单元照射具有缺陷的区时,不同工作者能够同时在所述模具的不同位置执行修理或者矫正缺陷。备选地或者除此以外,指示器***可包括沿着模具50的第一侧所分布的一个、两个或更多主激光指示器单元以及沿着模具50的第二侧所分布的一个、两个或更多辅助激光指示器单元。由此确保所述一个或多个主激光指示器单元能够照射模具50的第二侧处的叶片壳38的竖直或接近竖直的区段,以及确保所述一个或多个辅助激光指示器单元能够照射模具50的第一侧处的叶片壳部件38的竖直或接近竖直的区段。在一优选的实施例中,指示器***包括沿着模具的第一侧的不同纵向位置处的两个主激光指示器90以及沿着模具的第二侧的不同纵向位置处的两个辅助激光指示器90。
指示器***的校准可离线完成。缺陷识别***的训练和验证也可离线完成。
示范实施例
在下列项目中陈述本公开的示范实施例:
1.一种用于检查风力涡轮机叶片部件(诸如风力涡轮机叶片壳部件或风力涡轮机叶片翼梁帽)的缺陷的风力涡轮机叶片检查***,其中所述风力涡轮机叶片壳部件在纵向方向上延伸,并且其中所述***包括:
至少第一图像捕获装置;
运送构件,所述运送构件用于沿着所述风力涡轮机叶片部件来移动所述至少第一图像捕获装置,并且被配置以便沿着所述风力涡轮机叶片部件来捕获包括所述风力涡轮机叶片部件的部分的第一图像的多个所获取图像;以及
图像处理单元,所述图像处理单元被配置成识别所述多个所获取图像中的异常并且识别所述异常是否涉及所述风力涡轮机叶片部件中的缺陷。
2.按照项目1的***,其中,第一图像捕获装置是热成像图像捕获装置或红外摄像机。
3.按照项目1的***,其中,第一图像捕获装置是光学摄像机。
4.按照项目1-3中的任何项目的***,其中,所述***包括第一图像捕获装置和第二图像捕获装置,并且其中所述***被配置以便沿着所述风力涡轮机叶片部件来捕获所述风力涡轮机叶片部件的部分的多个第二图像。
5.按照项目4的***,其中,第一图像捕获装置是热成像捕获装置或红外摄像机,以及第二图像捕获装置是光学摄像机。
6.按照项目1-5中的任何项目的***,其中,所述至少第一图像捕获装置被配置和定位成捕获示出所述风力涡轮机叶片部件的整个宽度的图像。
7.按照项目1-6中的任何项目的***,其中,所述***进一步包括位置记录单元,所述位置记录单元被配置成记录所述多个所获取图像的位置。
8.按照项目7的***,其中,所述***包括拼接模块,所述拼接模块被配置成将所述多个所获取图像或多个经图像处理的图像拼接成映射所述风力涡轮机叶片部件的全视图的拼接的图像。
9.按照项目1-8中的任何项目的***,其中,所述***包括过滤器模块,所述过滤器模块被配置成过滤出从下列项的组中所挑选的图像:被模糊的图像和/或不含有所述风力涡轮机叶片部件的图像的图像和/或重叠多于预定义的重叠阈值的图像。
10.按照项目9的***,其中,所述过滤器模块使用统计图像处理和/或机器学习来识别模糊的图像。
11.按照项目9-10中的任何项目的***,其中,图像的所述重叠使用下列项的至少一个来被确定:两个图像的交叉相关性、两个图像的平方差或者例如使用连体网络的度量学习。
12.按照项目9-11中的任何项目的***,其中,所述重叠阈值处于10%与50%之间。
13.按照项目1-12中的任何项目的***,其中,所述***被配置成经由图像注释来识别所述异常。
14.按照项目1-13中的任何项目的***,其中,所述***包括分析模块,所述分析模块被配置成确定所述异常是否与来自多个可能缺陷类型中的特定缺陷类型相关。
15.按照项目14的***,其中,所述分析模块被配置成计算所述多个可能缺陷类型中的每个的置信值,所述置信值指示所述异常与所述多个可能缺陷类型中的特定缺陷类型相关的概率。
16.按照项目14-15中的任何项目的***,其中,所述分析模块被配置成:如果所述多个可能缺陷类型中的具有最高置信值的两个缺陷类型的置信值处于消歧义阈值之内,则发起消歧义过程。
17.按照项目14-16中的任何项目的***,其中,所述分析模块被配置成:接收所述多个所获取图像,并且输出识别所述多个所获取图像的哪些像素属于缺陷并且优选地属于对应缺陷类型的掩码。
18.按照项目17的***,其中,所述分析模块被配置成将已被识别为属于缺陷并且属于相同缺陷类型的相邻像素归组到单个缺陷区域。
19.按照项目1-18中的任何项目的***,其中,所述***进一步包括指示器单元,所述指示器单元被配置成照射所述风力涡轮机叶片部件上的一个或多个区,以识别供所述风力涡轮机叶片部件上的修理工作的缺陷位点。
20.按照项目19的***,其中,所述指示器单元包括照射所述风力涡轮机叶片部件上的所述区的激光指示器单元。
21.按照项目19-20中的任何项目的***,其中,所述指示器单元包括沿着用于制造所述风力涡轮机叶片部件的模具的纵向方向所布置的多个单独激光指示器单元或者其他照射源。
22.按照项目19-21的***,其中,所述指示器单元包括沿着用于制造所述风力涡轮机叶片部件的模具的第一侧所分布的一个、两个或更多主激光指示器单元以及沿着用于制造所述风力涡轮机叶片部件的所述模具的第二侧所分布的一个、两个或更多辅助激光指示器单元。
23.一种用于检查风力涡轮机叶片部件(诸如风力涡轮机叶片壳部件或风力涡轮机叶片翼梁帽)的缺陷的方法,其中所述风力涡轮机叶片部件在纵向方向上延伸,并且其中所述方法包括下列的步骤:
沿着所述风力涡轮机叶片部件来运送至少第一图像捕获装置;
使用所述至少第一图像捕获装置沿着所述风力涡轮机叶片部件来捕获包括所述风力涡轮机叶片部件的部分的第一图像的多个所获取图像;
对所述多个所获取图像进行图像处理,以识别所述多个所获取图像中的任何所获取图像是否包含异常;以及
根据识别异常,确定所述异常是否涉及所述风力涡轮机叶片部件中的缺陷。
24.按照项目23的方法,其中,所述方法进一步包括:
沿着所述风力涡轮机叶片部件来运送至少第二图像捕获装置;以及
捕获所述多个所获取图像包括使用第二图像捕获装置沿着所述风力涡轮机叶片部件来捕获风力涡轮机的部分的第二图像。
25.按照项目23-24中的任何项目的方法,其中,所述第一图像是热或红外图像,以及所述第二图像是光学图像。
26.按照项目23-25中的任何项目的方法,其中,所述方法包括下列的步骤:
记录所获取图像中的每个的位置。
27.按照项目23-26中的任何项目的方法,其中,所述方法包括下列的步骤:
将所述多个所获取图像或所述多个经图像处理的图像拼接成映射所述风力涡轮机叶片部件的全视图的拼接的图像。
28.按照项目23-27中的任何项目的方法,其中,所述方法包括下列的步骤:
计算针对多个可能缺陷类型中的每个的所述异常的置信值,所述置信值指示所述异常与所述多个可能缺陷类型中的特定缺陷类型相关的概率。
29.按照项目28中的任何项目的方法,进一步包括:
向所述异常指派具有最高置信值的所述特定缺陷类型。
30.按照项目28-29中的任何项目的方法,其中,所述方法进一步包括:
根据所述多个可能缺陷类型中的具有最高置信值的两个缺陷类型的置信值处于消歧义阈值之内,发起消歧义过程以确定缺陷类型。
31.按照项目23-30中的任何项目的方法,其中,所述方法包括下列的步骤:
将已被识别为属于缺陷并且属于相同缺陷类型的相邻像素归组到单个缺陷区域。
32.按照项目23-31中的任何项目的方法,其中,所述方法包括下列的步骤:
生成识别所述多个所获取图像的哪些像素属于缺陷并且优选地属于对应缺陷类型的掩码。
33.按照项目23-32中的任何项目的方法,其中,所述方法包括下列的步骤:
照射所述风力涡轮机叶片部件上的一个或多个区以识别供所述风力涡轮机叶片部件上的修理工作的缺陷位点。
34.按照项目23-33中的任何项目的方法,其中,所述照射由多个光发射源执行。
参考标号的列表
2 风力涡轮机
4 塔架
6 机舱
8 毂
10 叶片
14 叶片尖部
16 叶片根部
18 前缘
20 后缘
22 变桨轴
30 根部区域
32 过渡区域
34 翼型区域
36 压力侧壳
38 吸力侧壳
39 肩部
40 翼梁帽
42 夹层构造
50 模具部件
60 风力涡轮机叶片检查***
62 热成像图像捕获装置/红外摄像机
64a、64b (一个或多个)光学摄像机
66 运送构件
70 处理单元/计算单元
72 数据激发模块
74 拼接模块
76 过滤器模块
78 分析模块
80-84 异常
85 非重叠图像部分
88 风力涡轮机叶片的拼接的图像
90 激光指示器
Claims (29)
1.一种用于检查诸如风力涡轮机叶片壳部件或风力涡轮机叶片翼梁帽之类的风力涡轮机叶片部件的缺陷的风力涡轮机叶片检查***,其中所述风力涡轮机叶片壳部件在纵向方向上延伸,并且其中所述***包括:
第一图像捕获装置,其中所述第一图像捕获装置是热成像图像捕获装置或红外摄像机;
第二图像捕获装置,其中所述第二图像捕获装置是光学摄像机;
运送构件,所述运送构件用于沿着所述风力涡轮机叶片部件来移动所述至少第一图像捕获装置,并且被配置以便捕获多个所获取图像,所述多个所获取图像包括:来自所述第一图像捕获装置的沿着所述风力涡轮机叶片部件的所述风力涡轮机叶片部件的部分的第一图像以及来自所述第二图像捕获装置的沿着所述风力涡轮机叶片部件的所述风力涡轮机叶片部件的部分的第二图像;以及
图像处理单元,所述图像处理单元被配置成识别所述多个所获取图像中的异常并且识别所述异常是否涉及所述风力涡轮机叶片部件中的缺陷。
2.按照权利要求1所述的***,其中,所述至少第一图像捕获装置被配置和定位成捕获示出所述风力涡轮机叶片部件的整个宽度的图像。
3.按照权利要求1-2中的任一项所述的***,其中,所述***进一步包括位置记录单元,所述位置记录单元被配置成记录所述多个所获取图像的位置。
4.按照权利要求3所述的***,其中,所述***包括拼接模块,所述拼接模块被配置成将所述多个所获取图像或多个经图像处理的图像拼接成映射所述风力涡轮机叶片部件的全视图的拼接的图像。
5.按照权利要求1-4中的任一项所述的***,其中,所述***包括过滤器模块,所述过滤器模块被配置成过滤出从下列项的组中所挑选的图像:被模糊的图像和/或不含有所述风力涡轮机叶片部件的图像的图像和/或重叠多于预定义的重叠阈值的图像。
6.按照权利要求5所述的***,其中,所述过滤器模块使用统计图像处理和/或机器学习来识别模糊的图像。
7.按照权利要求5-6中的任一项所述的***,其中,图像的所述重叠使用下列项的至少一个来被确定:两个图像的交叉相关性、两个图像的平方差或者例如使用连体网络的度量学习。
8.按照权利要求5-7中的任一项所述的***,其中,所述重叠阈值处于10%与50%之间。
9.按照权利要求1-8中的任一项所述的***,其中,所述***被配置成经由图像注释来识别所述异常。
10.按照权利要求1-9中的任一项所述的***,其中,所述***包括分析模块,所述分析模块被配置成确定所述异常是否与来自多个可能缺陷类型中的特定缺陷类型相关。
11.按照权利要求10所述的***,其中,所述分析模块被配置成计算所述多个可能缺陷类型中的每个的置信值,所述置信值指示所述异常与所述多个可能缺陷类型中的特定缺陷类型相关的概率。
12.按照权利要求10-11中的任一项所述的***,其中,所述分析模块被配置成:如果所述多个可能缺陷类型中的具有最高置信值的两个缺陷类型的置信值处于消歧义阈值之内,则发起消歧义过程。
13.按照权利要求10-12中的任一项所述的***,其中,所述分析模块被配置成:接收所述多个所获取图像,并且输出识别所述多个所获取图像的哪些像素属于缺陷并且优选地属于对应缺陷类型的掩码。
14.按照权利要求13所述的***,其中,所述分析模块被配置成将已被识别为属于缺陷并且属于相同缺陷类型的相邻像素归组到单个缺陷区域。
15.按照权利要求1-14中的任一项所述的***,其中,所述***进一步包括指示器单元,所述指示器单元被配置成照射所述风力涡轮机叶片部件上的一个或多个区,以识别供所述风力涡轮机叶片部件上的修理工作的缺陷位点。
16.按照权利要求15所述的***,其中,所述指示器单元包括照射所述风力涡轮机叶片部件上的所述区的激光指示器单元。
17.按照权利要求15-16中的任一项所述的***,其中,所述指示器单元包括沿着用于制造所述风力涡轮机叶片部件的模具的纵向方向所布置的多个单独激光指示器单元或者其他照射源。
18.按照权利要求15-17所述的***,其中,所述指示器单元包括沿着用于制造所述风力涡轮机叶片部件的模具的第一侧所分布的一个、两个或更多主激光指示器单元以及沿着用于制造所述风力涡轮机叶片部件的所述模具的第二侧所分布的一个、两个或更多辅助激光指示器单元。
19.一种用于检查诸如风力涡轮机叶片壳部件或风力涡轮机叶片翼梁帽之类的风力涡轮机叶片部件的缺陷的方法,其中,所述风力涡轮机叶片部件在纵向方向上延伸,并且其中所述方法包括下列的步骤:
沿着所述风力涡轮机叶片部件来运送至少第一图像捕获装置和第二图像捕获装置,其中所述第一图像捕获装置是热成像图像捕获装置或红外摄像机,并且其中所述第二图像捕获装置是光学摄像机;
捕获多个所获取图像,所述多个所获取图像包括:使用所述至少第一图像捕获装置的沿着所述风力涡轮机叶片部件的所述风力涡轮机叶片部件的部分的第一图像以及来自所述第二图像捕获装置的沿着所述风力涡轮机叶片部件的所述风力涡轮机叶片部件的部分的第二图像;
对所述多个所获取图像进行图像处理,以识别所述多个所获取图像中的任何所获取图像是否包含异常;以及
根据识别异常,确定所述异常是否涉及所述风力涡轮机叶片部件中的缺陷。
20.按照权利要求19所述的方法,其中,所述第一图像是热或红外图像,以及所述第二图像是光学图像。
21.按照权利要求19-20中的任一项所述的方法,其中,所述方法包括下列的步骤:
记录所获取图像中的每个的位置。
22.按照权利要求19-21中的任一项所述的方法,其中,所述方法包括下列的步骤:
将所述多个所获取图像或所述多个经图像处理的图像拼接成映射所述风力涡轮机叶片部件的全视图的拼接的图像。
23.按照权利要求19-22中的任一项所述的方法,其中,所述方法包括下列的步骤:
计算针对多个可能缺陷类型中的每个的所述异常的置信值,所述置信值指示所述异常与所述多个可能缺陷类型中的特定缺陷类型相关的概率。
24.按照权利要求23的任一项所述的方法,进一步包括:
向所述异常指派具有最高置信值的所述特定缺陷类型。
25.按照权利要求23-24中的任一项所述的方法,其中,所述方法进一步包括:
根据所述多个可能缺陷类型中的具有所述最高置信值的两个缺陷类型的置信值处于消歧义阈值之内,发起消歧义过程以确定缺陷类型。
26.按照权利要求19-25中的任一项所述的方法,其中,所述方法包括下列的步骤:
将已被识别为属于缺陷并且属于相同缺陷类型的相邻像素归组到单个缺陷区域。
27.按照权利要求19-26中的任一项所述的方法,其中,所述方法包括下列的步骤:
生成识别所述多个所获取图像的哪些像素属于缺陷并且优选地属于对应缺陷类型的掩码。
28.按照权利要求19-27中的任一项所述的方法,其中,所述方法包括下列的步骤:
照射所述风力涡轮机叶片部件上的一个或多个区以识别供所述风力涡轮机叶片部件上的修理工作的缺陷位点。
29.按照权利要求19-28中的任一项所述的方法,其中,所述照射由多个光发射源来执行。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
EP21156082 | 2021-02-09 | ||
EP21156082.6 | 2021-02-09 | ||
PCT/EP2022/053007 WO2022171624A1 (en) | 2021-02-09 | 2022-02-08 | System and method for inspection of a wind turbine blade shell part |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116964323A true CN116964323A (zh) | 2023-10-27 |
Family
ID=74586774
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202280014223.6A Pending CN116964323A (zh) | 2021-02-09 | 2022-02-08 | 用于检查风力涡轮机叶片壳部件的***和方法 |
Country Status (4)
Country | Link |
---|---|
US (1) | US20240078654A1 (zh) |
EP (1) | EP4291772A1 (zh) |
CN (1) | CN116964323A (zh) |
WO (1) | WO2022171624A1 (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115564740B (zh) * | 2022-10-17 | 2023-06-20 | 风脉能源(武汉)股份有限公司 | 一种风机叶片缺陷定位方法及*** |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8281442B2 (en) * | 2009-07-17 | 2012-10-09 | General Electric Company | Wind turbine blade inspection and cleaning system |
US8171809B2 (en) * | 2010-06-25 | 2012-05-08 | General Electric Company | System and method for wind turbine inspection |
US8743196B2 (en) * | 2010-12-16 | 2014-06-03 | General Electric Company | System and method for performing an external inspection on a wind turbine rotor blade |
US8553233B2 (en) * | 2011-06-30 | 2013-10-08 | John W. Newman | Method and apparatus for the remote nondestructive evaluation of an object using shearography image scale calibration |
EP3353614A1 (en) * | 2015-09-22 | 2018-08-01 | Pro-Drone Lda. | Autonomous inspection of elongated structures using unmanned aerial vehicles |
EP3339640A1 (en) * | 2016-12-21 | 2018-06-27 | Vestas Wind Systems A/S | Control system for a wind turbine |
EP3453874A1 (en) * | 2017-09-08 | 2019-03-13 | Sulzer & Schmid Laboratories AG | Method for analysis of sensor data related to a wind turbine |
-
2022
- 2022-02-08 EP EP22703677.9A patent/EP4291772A1/en active Pending
- 2022-02-08 WO PCT/EP2022/053007 patent/WO2022171624A1/en active Application Filing
- 2022-02-08 CN CN202280014223.6A patent/CN116964323A/zh active Pending
- 2022-02-08 US US18/272,177 patent/US20240078654A1/en active Pending
Also Published As
Publication number | Publication date |
---|---|
WO2022171624A1 (en) | 2022-08-18 |
US20240078654A1 (en) | 2024-03-07 |
EP4291772A1 (en) | 2023-12-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP3679247B1 (en) | Method for analysis of sensor data related to a wind turbine | |
DE102011051205B4 (de) | System und Verfahren zur Prüfung von Windkraftanlagen | |
ES2844203T3 (es) | Inspección de material compuesto y verificación estructural de múltiples capas | |
US20170169400A1 (en) | Automatic Classification of Aircraft Component Distress | |
ES2933989T3 (es) | Control de proceso de un proceso de fabricación de material compuesto | |
US20230107092A1 (en) | System and method for monitoring wind turbine rotor blades using infrared imaging and machine learning | |
EP3786450A1 (en) | Method and system for monitoring blades of a wind turbine | |
CN112360699A (zh) | 一种全自动风力发电机组叶片智能巡视及诊断分析方法 | |
US20240078654A1 (en) | System and method for inspection of a wind turbine blade shell part | |
CN113610749B (zh) | 基于神经网络的风机叶片缺陷检测方法 | |
CN105487486A (zh) | 用于在制造期间检测复合零件的***和方法 | |
CN108876777A (zh) | 一种风电叶片法兰端面特征尺寸的视觉检测方法及*** | |
US20110290421A1 (en) | Automatic system for quality control and position correction of taped parts | |
ES2911399T3 (es) | Caracterización de proporciones de hebra fusionada de velo en láminas de material de fibra | |
CN114812398B (zh) | 一种基于无人机的高精度实时裂缝检测平台 | |
EP4134910A1 (en) | Method of in-process detection and mapping of defects in a composite layup | |
Dimitrova et al. | A survey on non-destructive smart inspection of wind turbine blades based on industry 4.0 strategy | |
CN115372412B (zh) | 一种涡轮叶片基于六点定位的特征测量方法 | |
Kim et al. | A comparative study of bridge inspection and condition assessment between manpower and a UAS | |
GB2568676A (en) | Wind turbine blade orientation detection | |
Memari et al. | Review on the advancements in wind turbine blade inspection: Integrating drone and deep learning technologies for enhanced defect detection | |
EP4268149A1 (en) | Machine learning-based generation of rule-based classification recipes for inspection system | |
Isaza et al. | CFM56 turbine trench-filler inspection using instance segmentation | |
Gibson et al. | Assessing damage to wind turbine blades to support autonomous inspection | |
EP4261408A1 (en) | Method for technically supporting a manual inspection process of a wind turbine component |
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 |