一种基于双光谱图像的风机叶片缺陷智能检测方法技术

本发明专利技术涉及深度学习在计算机视觉技术领域的应用，具体涉及一种基于双光谱图像的风机叶片缺陷智能检测方法,本发明专利技术利用图像分割技术实现对桨叶区域的分割，实现背景的去除，提高识别的效率与准确率，通过图像处理技术将红外图像与可见光图像进行融合，再利用深度学习技术对大量的风机桨叶图像进行缺陷识别。基于大量叶片损伤缺陷数据的积累，通过大数据技术，挖掘大量叶片损伤数据中各类损伤缺陷的发展规律，构建数学模型，最终结合机器自动学习技术实现叶片缺陷及健康状态的预测和评估，融合图像处理技术及双光源成像技术，有效地提高图像信息的利用率、明显突出图像特征信息。

【技术实现步骤摘要】
一种基于双光谱图像的风机叶片缺陷智能检测方法
本专利技术涉及深度学习在计算机视觉
的应用，具体涉及一种基于双光谱图像的风机叶片缺陷智能检测方法。
技术介绍
随着化石能源弊端的显现，风力和太阳能发电成为了我国重点发展的可再生能源。近些年来，随着国家对风电政策支持力度加大，设备及安装成本降低以及配套产业日渐成熟，风电项目大量投运，风电产业获得了长足的发展。目前我国已经成为世界上最大的风电产业大国，随着大量的风电机组的出保，风电运维管理问题也日益受到业内人士广泛关注。由于风电场运行环境较复杂,风机叶片全天候在高空运行，环境恶劣，长期接受风沙、污染、雷击、盐雾、台风等因素的影响，风力发电机组叶片容易出现缺陷并逐步扩展，如未能及时发现或忽视小问题，极易造成叶片甚至主机严重事故，急剧增加企业运营成本。叶片是风机发电机组获得动力的核心部件，其长时间运行在恶劣的环境中，风机叶片极易出现雷击、裂纹、风化、浮冰、鼓包等缺陷。由于运行过程叶片的线速度大，惯性大，微小的缺陷受到力的作用，恶化的速度快。如果在缺陷发生初期及时的发现缺陷并对其修补，可延长叶片本文档来自技高网...

【技术保护点】
1.一种基于双光谱图像的风机叶片缺陷智能检测方法，其特征在于，所述方法包括以下步骤：/nS1标注风机叶片可见光图像叶片区域，并以此构建深度学习图像分割网络模型；/nS2对待检测的风机叶片可见光图像进行分割，实现桨叶区域的分割；/nS3处理红外温度数据，合成对比性高的温度数据伪彩色图像；/nS4利用可见光图像与红外图像的对应关系对红外图像分割；/nS5将分割后的可见光图像与红外图像均随机划分为测试集和训练集；/nS6利用已标注的风机叶片缺陷图像训练集对可见光图像与红外图像分别通过CNN网络进行特征提取；/nS7通过融合关系对红外图像和可见光图像进行特征融合；/nS8构建深度学习缺陷识别网络模型；...

【技术特征摘要】
1.一种基于双光谱图像的风机叶片缺陷智能检测方法，其特征在于，所述方法包括以下步骤：
S1标注风机叶片可见光图像叶片区域，并以此构建深度学习图像分割网络模型；
S2对待检测的风机叶片可见光图像进行分割，实现桨叶区域的分割；
S3处理红外温度数据，合成对比性高的温度数据伪彩色图像；
S4利用可见光图像与红外图像的对应关系对红外图像分割；
S5将分割后的可见光图像与红外图像均随机划分为测试集和训练集；
S6利用已标注的风机叶片缺陷图像训练集对可见光图像与红外图像分别通过CNN网络进行特征提取；
S7通过融合关系对红外图像和可见光图像进行特征融合；
S8构建深度学习缺陷识别网络模型；
S9将S7中特征融合后的图像输入S8的缺陷识别网络模型，提取缺陷区域，并进一步输入深度学习回归网络模型，统计风机叶片的故障面积和类型。


2.根据权利要求1所述的基于双光谱图像的风机叶片缺陷智能检测方法，其特征在于，所述S1中，利用已标注的风机叶片可见光图像叶片区域构建深度学习图像分割网络模型的步骤如下：
S1a对可见光图像数据库通过标注工具对标注文件进行解析，提取叶片边缘信息转化为可供网络训练的单通道mask图，生成标注文件；
S1b构建数据增广方法，其将可见光原图进行亮度、旋转、噪声、裁剪等操作进行数据增广，通过同样的变换关系对mask图进行亮度、旋转、噪声、裁剪等操作进行变换实现对样本图像进行增广；
S1c确定分割网络包含的卷积层与池化层的个数，得到分割图像的mask图，构建用于风机叶片分割的图像分割网络；
S1d将增广后的图像样本送入到训练风机叶片分割模型中进行训练；对得到的模型进行测试及评价，优化后得到最优模型。


3.根据权利要求1所述的基于双光谱图像的风机叶片缺陷智能检测方法，其特征在于，所述S3中，对红外温度数据进行处理，合成对比性高的温度数据伪彩色图像的处理步骤为：
S3a对温度数据进行统计，得出最大温度值和最低温度值；
S3b对温度进行分区，根据三原色原理，把颜色分为四个区间，分别为：
蓝色到青色的温度范围为
青色到绿色的温度范围为
绿色到黄色的温度范围为
黄色到红色的温度范围为
其中：









S3c对每一个像素的温度值进行处理，对处于不同区间内的温度进行不同的处理，公式如下：












式中r表示图像的红色波段的值，g表示绿色波段的值，b表示蓝色波段的值；
T′(Vcurrent)公式如下，该公式中，Vmin表示当前区间的最小值，Vmax表示当前区间的最大值；



S3d将S3c中计算得出的红绿蓝三个波段的值进行彩色图像合成，
生成可对比性高的温度数据伪彩色图像；





4.根据权利要求1所述的基于双光谱图像的风机叶片缺陷智能检测方法，其特征在于，所述S4中，依据可见光图像与红外图像的对应关系实现红外图像的分割的步骤分为：
S4a通过标准的红外图像与可见光图像解析红外图像与可见光图像的对应关系，可将光成像平面与红外成像平面图像的对应特征点的像素满足单应性关系：p1＝Hp2其中p1为红外图像上的一点，p2为可见光图像上的对应点；
S4b将可见光数据库与红外图像数据库进行匹配，并对红外图像进行滤波增强；
S4c通过对应的单应性关系对可见光分割mask图进行转换为红外图像分割mask图；
S4d通过红外图像分割mask图对红外图像进行分割。


5.根据权利要求1所述的基于双光谱图像的风机叶片缺陷智能检测方法，其...

【专利技术属性】
技术研发人员：刘金龙，许素霞，刘浪飞，王永威，
申请(专利权)人：航天图景北京科技有限公司，
类型：发明
国别省市：北京;11