基于选择性搜索分割的风机叶片表面缺陷诊断方法技术

本发明专利技术基于选择性搜索分割的风机叶片表面缺陷诊断方法，包括以下步骤：对待拍摄到的风机叶片使用选择性搜索分割获得候选区域；通过ImageNet图像集训练深度卷积神经网络，提取除输出层以外的网络作为图像特征提取器；提取风机叶片训练集的图像特征并训练支持向量机分类器；提取候选区域的图像特征，通过支持向量机分类器，判定待检测风机叶片的状态；本发明专利技术有效地减少了计算量，可以通过图片较好的识别风机叶片故障类型，可用于风电厂对于风机叶片的监测。

【技术实现步骤摘要】
基于选择性搜索分割的风机叶片表面缺陷诊断方法
本专利技术属于风机叶片缺陷诊断
，具体涉及基于选择性搜索的分割技术以及基于图片的风机叶片表面缺陷诊断方法，通过风机叶片图片来判断风机叶片表面缺陷。
技术介绍
叶片是风力发电机组关键部件之一，在工作过程中受到强风负荷、沙粒冲刷、大气氧化与潮湿空气腐蚀等因素的影响，不可避免会出现气孔、裂缝、磨损、腐蚀等问题，如不及时进行处理会导致叶片断裂，严重威胁着机组安全运行，因此对风力发电机叶片实施状态检测与故障诊断研究具有重要意义。风机叶片检测可避免叶片在运行过程中可能出现故障，降低由于突发事故产生的不必要损失及停机维护检修带来的发电损失，减少叶片维修维护成本，直接影响着机组的整体可靠稳定与综合效益。目前风机叶片的故障诊断方法主要采用人工巡检的方式，无法满足实时监测，及时进行故障诊断的需求，而且对于大规模风力发电场，这种巡检方式效率低下。另外也有采用故障信号分析的方法，如时域和频域分析方法，但其具有局部局限性，通常只能宏观的诊断出故障是否发生，无法对表面缺陷的类型。
技术实现思路
为了解决传统风机叶片故障识别中的一些不足，本专利技术从图像的角度提出一本文档来自技高网...

【技术保护点】
一种基于选择性搜索分割的风机叶片表面缺陷诊断方法，其特征在于：包括以下步骤：步骤1：通过选择性搜索分割从现场拍摄的风机叶片故障图像中获得待检测的区域；(1)通过基于图的图像分割，得到初始化的区域R＝{r1,…,rn}，n为初始化的区域个数，具体步骤如下；a.将现场拍摄的风机叶片故障图像用加权图表示，加权图由节点集V和边集E组成，表示为G＝(V,E)，节点集V＝{v1,…,vm}，m为节点个数，边集E＝{b1,…,bl}，l为边的条数；b.以非递减方式将l条边按照权值排序；c.每个节点属于一个区域，得到最初的分割区域集合R

【技术特征摘要】
1.一种基于选择性搜索分割的风机叶片表面缺陷诊断方法，其特征在于：包括以下步骤：步骤1：通过选择性搜索分割从现场拍摄的风机叶片故障图像中获得待检测的区域；(1)通过基于图的图像分割，得到初始化的区域R＝{r1,…,rn}，n为初始化的区域个数，具体步骤如下；a.将现场拍摄的风机叶片故障图像用加权图表示，加权图由节点集V和边集E组成，表示为G＝(V,E)，节点集V＝{v1,…,vm}，m为节点个数，边集E＝{b1,…,bl}，l为边的条数；b.以非递减方式将l条边按照权值排序；c.每个节点属于一个区域，得到最初的分割区域集合R(0)；d.记第k条边连接的两个节点为vi和vj，记第k次分割的区域集合为R(k-1)，如果R(k-1)中vi和vj分别属于两个区域且第k条边的权重w(bk)大于两个区域内间距，则R(k)＝R(k-1)，k＝k+1，反之，合并两个区域，在R(k-1)中去掉这两个区域并加入新合并的区域，变成新的分割集合R(k)；e.重复步骤d,直到k＝m，得到初始化的区域R＝R(m)；(2)初始化相似度集合为空集；(3)计算相邻区域的相似度s(ri,rj)，S＝S∪s(ri,rj)；其中S(ri,rj)＝Sg(ri,rj)+St(ri,rj)+Sa(ri,rj)+Sc(ri,rj)，Sg(ri,rj)为灰度特征相似度，St(ri,rj)为纹理相似性，Sa(ri,rj)为面积相似性，Sc(ri,rj)为相交相似性；a.从每个初始区域中得到一个一维的灰度分布直方图，该直方图共有25个区间，和分别表示第i个和第j个区域第k个区间的灰度分布直方图特征；b.对每个初始区域，在8个方向上计算方差为1的高斯微分，每个方向用10个区间的纹理直方图来描述，和分别表示第i个和第j个区域第k个区间的...

【专利技术属性】
技术研发人员：曹晖，于雅洁，刘尚，白瑞仙，张盼盼，
申请(专利权)人：西安交通大学，
类型：发明
国别省市：陕西,61