【技术实现步骤摘要】
基于AA-gate-Unet的海上风电塔筒涂层缺陷检测方法
[0001]本专利技术属于图像处理
,具体涉及一种基于AA-gate-Unet的海上风电塔筒涂层缺陷检测方法。
技术介绍
[0002]风能作为一种清洁可再生能源,越来越受到世界各国的重视。可以预见,以风能为代表的清洁可再生能源也必将在应对气候变化、推动能源转型方面发挥更为显著和积极的作用。作为一种清洁的可再生能源的发电方式,风能对于低碳节能、保护大气环境具有重要意义。
[0003]与陆地风力发电相比,海上风力发电具有突出的特点,海上风电由于其资源丰富、风速稳定、开发利益相关方较少、不与其他发展项目争地、可以大规模开发等优势,一直受到风电开发商关注。从欧洲的先行者经验看来,海上风电行业经历了20多年的发展,逐步从一个区域性的能源行业发展成全球性的一个行业。
[0004]我国海上风能资源丰富,具备大规模发展海上风电的资源条件。根据中国气象局风能资源详查初步成果,我国5~25米水深线以内近海区域、海平面以上50米高度风电可装机容量约2亿千瓦。水深在5~50m区域、70m高度上的可开发海上风电容量更是高达5亿kW。风能的开发的规模不断增加,对工作在户外复杂环境下的风电机组进行日常监护需求量也随之增加。增加人工巡检的工作强度及工作时间成为应急方法。而海上环境复杂、气候潮湿,风电塔筒表面涂层相比于其他地区的风电机组更容易出现损坏情况,这些都使得人工巡检工作难度增加以及实际巡检效率降低,风电机组的工作状态很难得到及时全面的反馈。而机组检测机构与监测标 ...
【技术保护点】
【技术特征摘要】
1.基于AA-gate-Unet的海上风电塔筒涂层缺陷检测方法,其特征在于:包括如下步骤:S1、接收系统传达的海上风电塔筒涂层缺陷检测请求,获取所述海上风电塔筒涂层缺陷检测请求对应的风电塔筒涂层无人机检测的视频信息;S2、通过深度学习神经网络模型AA-gate-Unet提取所述风电塔筒涂层无人机检测的视频信息中的塔筒涂层图像关键帧;S3、将所述塔筒涂层图像关键帧的图像上传至系统云端;S4、将上传至系统云端的所述塔筒涂层图像关键帧的图像,采用基于HMM和基于Winters三参数指数平滑的预测算法进行预测,获得海上风电塔筒涂层缺陷的检测结果;S5、将所述海上风电塔筒涂层缺陷的检测结果划分为两个状态:正常状态和异常状态;根据无人机摄像头识别所述海上风电塔筒涂层检测关键帧图像的处理结果将不同的异常状态具体划分为:状态1:定义为海上风电塔筒涂层出现裂缝情况;状态2:定义为海上风电塔筒涂层出现剥落情况;状态3:定义为海上风电塔筒涂层出现腐蚀情况;S6、当所述海上风电塔筒涂层缺陷的检测结果为异常状态时,将对应的海上风电塔筒缺陷涂层图像上传至系统,并进行相应的海上风电塔筒涂层维护工作。2.根据权利要求1所述的基于AA-gate-Unet的海上风电塔筒涂层缺陷检测方法,其特征在于:步骤S2中提取过程具体包括:(1)提取模型:采用双边滤波器,其数学模型为:空间距离函数:灰度变化函数:其中(x
i
,y
i
)代表当前位置点坐标,(x
c
,y
c
)代表滤波器中心位置,gray(x
i
,y
i
)表示当前坐标点的灰度值,gray(x
i
,y
i
)表示滤波器中心坐标点的灰度值;(2)自适应阈值:根据图像具体的特点变化T值,通过下式表示其具体过程:其中,g(x,y)表示图像中位置为(x,y)的像素值;(3)采用霍夫直线检测算法,检测所建立的图像数据集中图像中风机轮廓的双边,并以此提取感兴趣区域。3.根据权利要求1所述的基于AA-gate-Unet的海上风电塔筒涂层缺陷检测方法,其特征在于:步骤S2中所述的深度学习神经网络模型AA-gate-Unet呈U形结构,在上采样与下采样之间建立特征图的切割与传送。4.根据权利要求1所述的基于AA-gate-Unet的海上风电塔筒涂层缺陷检测方法,其特征在于:步骤S2中所述的深度学习神经网络模型AA-gate-Unet包括左侧收缩路径和右侧扩散路径;左侧收缩路径包括若干卷积层与池化层叠加,收缩路径重复使用若干个卷积核,卷
积后采用ReLU作为激活函数保证能够提取非线性特征。5.根据权利要求1所述的基于AA-gate-Unet的海上风电塔筒涂层缺陷检测方法,其特征在于:步骤S2中所述的深度学习神经网络模型AA-gate-Unet中的AA模块包括:(1)通过对输入大小为(w,h,c
in
)的特征图进行1
×
1卷积输出QK...
【专利技术属性】
技术研发人员:张堃,郑山建,吴樱樱,涂鑫涛,徐沛霞,刘志诚,冯文宇,黄宇煦,韩宇,朱远璠,张宇豪,祁晖,陆贝洋,沈桠楠,
申请(专利权)人:苏州锦添科技产业发展有限公司,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。