一种机载式风机叶片缺陷检测方法技术

本发明专利技术公开了一种机载式风机叶片缺陷检测方法，包括以下步骤，首先获取风机叶片表面图像，其次将其转换为灰度图像，随后继续遍历图片所有像素，生成Tenengrad梯度矩阵，基于Tenengrad梯度阈值，进行风机叶片区域的判断，随后遍历当前图片所有像素，生成Hoyer统计值矩阵，进而根据风机叶片区域判断情况，保留步骤风机叶片区域的Hoyer统计值并将其他区域的Hoyer统计值置零，最终设置Hoyer统计值阈值，若Hoyer统计值大于该阈值，则该像素点为缺陷特征。本发明专利技术从Tenengrad梯度与Hoyer统计值出发，直接进行风机叶片缺陷的辨识，具备不受训练数据样本分布影响的特点。练数据样本分布影响的特点。练数据样本分布影响的特点。

【技术实现步骤摘要】
一种机载式风机叶片缺陷检测方法


[0001]本专利技术涉及风电设施表面质量检测
，特别涉及一种机载式风机叶片缺陷检测方法。

技术介绍

[0002]风机叶片作为风力发电机的捕风机构，其运行过程中会受到各种各样来自自身或外界的影响。如果风电叶片发生损坏，轻则会成经济损失，重则产生安全隐患。定期巡查时目前风机叶片的常规监测方法，维修人员使用望远镜在远距离观察叶片的状态并在日志上进行记录。然而这种人工检测方法，不可避免地存在着检测时间长、精度低、成本高等问题，难以进行风场大规模风机叶片的检测。

技术实现思路

[0003]本专利技术的目的在于，提供一种机载式风机叶片缺陷检测方法。本专利技术可实现风机叶片可靠、高效的状态监测和缺陷识别，具备不受训练数据样本分布影响的特点。
[0004]本专利技术的技术方案：一种机载式风机叶片缺陷检测方法，包括以下步骤：S1：获取风机叶片表面图像，将叶片表面图像转换至灰度图像；S2：设置窗口大小为w1
×
w1的滑动窗口，用滑动窗口遍历当前灰度图片所有像素，并计算当前窗口内像素的Tenengrad梯度，形成Tenengrad梯度矩阵；S3：设置Tenengrad梯度阈值，若Tenengrad梯度大于该阈值，则该像素点为风机叶片区域；S4：设置窗口大小为w2
×
w2的滑动窗口，用滑动窗口遍历当前灰度图片所有像素，并计算当前窗口内像素的Hoyer统计值，直至遍历当前图片所有像素，形成Hoyer统计值矩阵；S5：保留步骤S4中风机叶片区域的Hoyer统计值并将其他区域的Hoyer统计值置零；S6：设置Hoyer统计值阈值，若风机叶片区域的Hoyer统计值大于该阈值，则该像素点为缺陷特征。
[0005]上述的机载式风机叶片缺陷检测方法，所述Tenengrad梯度的算法为：其中为当前滑动窗口的Tenengrad梯度信息，，为分别为图像滑动窗口的行列索引号，为窗口尺寸，为点沿x方向的梯度信息，为点沿y方向的梯度信息。
[0006]前述的机载式风机叶片缺陷检测方法，所述风机叶片区域的判断算法为：
；其中为当前像素点的判断结果，1表示当前像素点位于风机叶片上，0表示当前像素点位于风机叶片区域之外，，为分别为图像滑动窗口的行列索引号，为当前像素点对应的Tenengrad梯度，为预设的Tenengrad梯度阈值。
[0007]前述的机载式风机叶片缺陷检测方法，所述Hoyer统计值的算法为：其中为当前滑动窗口的Hoyer统计值，，为分别为图像滑动窗口的行列索引号，为窗口尺寸，为点的灰度信息。
[0008]前述的机载式风机叶片缺陷检测方法，步骤S5中，所述Hoyer统计值保留的算法为：其中为保留后的Hoyer统计值，为Hoyer统计值矩阵，为风机叶片区域的像素点判断结果，，为分别为图像滑动窗口的行列索引号。
[0009]前述的机载式风机叶片缺陷检测方法，所述风机叶片缺陷特征判断的算法为：；其中，为当前像素点的缺陷判断结果，1表示当前像素点为缺陷位置，0表示当前像素点不含有缺陷信息，，为分别为图像滑动窗口的行列索引号，为当前像素点保留后的Hoyer统计值，为预设的Hoyer统计值阈值。
[0010]前述的机载式风机叶片缺陷检测方法，将滑动窗口移动至灰度图像左上角，按照从左到右，从上到下的顺序依次移动一个像素，直至滑动窗口遍历当前灰度图片所有像素。
[0011]与现有技术相比，本专利技术具有以下有益效果：本专利技术首先获取风机叶片表面图像，其次将其转换为灰度图像，随后用滑动窗口遍历图片所有像素，生成Tenengrad梯度矩阵，基于Tenengrad梯度阈值，进行风机叶片区域的判断，随后继续用滑动窗口遍历当前图片所有像素，生成Hoyer统计值矩阵，进而根据风机叶片区域判断情况，保留步骤风机叶片区域的Hoyer统计值并将其他区域的Hoyer统计值置零，最终设置Hoyer统计值阈值，若Hoyer统计值大于该阈值，则该像素点为缺陷特征。本专利技术从Tenengrad梯度与Hoyer统计值出发，直接进行风机叶片缺陷的辨识，具备不受训练数据样本分布影响的特点。本专利技术可实现风机叶片可靠、高效的状态监测和缺陷识别。
附图说明
[0012]图1是本专利技术的流程图；图2是本专利技术的实施例1中使用的风机叶片表面图像；图3是本专利技术的实施例1中形成的Tenengrad梯度矩阵；图4是本专利技术的实施例1中获得的风机叶片区域判断结果；图5是本专利技术中实施例1中形成的Hoyer统计值矩阵；图6是本专利技术中实施例1中缺陷特征的判断结果；图7是本专利技术的实施例2中使用的风机叶片表面图像；图8是本专利技术的实施例2中形成的Tenengrad梯度矩阵；图9是本专利技术的实施例2中获得的风机叶片区域判断结果；图10是本专利技术中实施例2中形成的Hoyer统计值矩阵；图11是本专利技术中实施例2中缺陷特征的判断结果。
具体实施方式
[0013]下面结合附图和实施例对本专利技术作进一步的说明，但并不作为对本专利技术限制的依据。
[0014]实施例1：一种机载式风机叶片缺陷检测方法，下面结合具体案例对本专利技术进一步说明，其流程图如附图1所示，包括以下步骤，1）将拍摄设备固定在无人机上，对风机叶片进行拍照，获取风机叶片表面图像，如附图2所示；2）将叶片表面图像转换至灰度图像；3）设置滑动窗口宽度为w1，则形成窗口大小为w1
×
w1的滑动窗口，本实例中窗口宽度为21；4）将滑动窗口移动至灰度图像左上角，计算当前窗口内元素的Tenengrad梯度（Tenengrad梯度函数采用Sobel算子分别提取水平和垂直方向的梯度值）, Tenengrad梯度的算法为：其中为当前滑动窗口的Tenengrad梯度信息，，为分别为图像滑动窗口的行列索引号，为窗口尺寸，为点沿x方向的梯度信息，为点沿y方向的梯度信息。
[0015]5）将滑动窗口向右移动一个像素，计算当前窗口内元素的Tenengrad梯度；6）继续遍历当前图片所有像素，形成Tenengrad梯度矩阵，如附图3所示；7）设置Tenengrad梯度阈值，若Tenengrad梯度大于该阈值，则该像素点为风机叶片区域,风机叶片区域的判断算法为：
；其中为当前像素点的判断结果，1表示当前像素点位于风机叶片上，0表示当前像素点位于风机叶片区域之外，，为分别为图像滑动窗口的行列索引号，为当前像素点对应的Tenengrad梯度，为预设的Tenengrad梯度阈值。本实例中其阈值为0.01，其判断结果如附图4所示；8）设置滑动窗口宽度为w2，则形成窗口大小为w2
×
w2的滑动串口，本实例中窗口宽度为3；9）作为一种典型的稀疏性评价指标，Hoyer统计值对样本分布情况非常敏感，本专利技术采用Hoyer统计值对滑动窗口失真度进行评价。将滑动窗口移动至灰度图像左上角，计算当前窗口内元素的Hoyer统计值（失真度测量值，反映稀疏度的大小）, Hoyer统计值的算法为：其中为当前滑动窗口的Hoyer统计值，，为分别为图像滑动窗口的行列索引号，本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种机载式风机叶片缺陷检测方法，其特征在于：包括以下步骤：S1：获取风机叶片表面图像，将叶片表面图像转换至灰度图像；S2：设置窗口大小为w1
×
w1的滑动窗口，用滑动窗口遍历当前灰度图片所有像素，并计算当前窗口内像素的Tenengrad梯度，形成Tenengrad梯度矩阵；S3：设置Tenengrad梯度阈值，若Tenengrad梯度大于该阈值，则该像素点为风机叶片区域；S4：设置窗口大小为w2
×
w2的滑动窗口，用滑动窗口遍历当前灰度图片所有像素，并计算当前窗口内像素的Hoyer统计值，直至遍历当前图片所有像素，形成Hoyer统计值矩阵；S5：保留步骤S4中风机叶片区域的Hoyer统计值并将其他区域的Hoyer统计值置零；S6：设置Hoyer统计值阈值，若风机叶片区域的Hoyer统计值大于该阈值，则该像素点为缺陷特征。2.根据权利要求1所述的机载式风机叶片缺陷检测方法，其特征在于：所述Tenengrad梯度的算法为：其中为当前滑动窗口的Tenengrad梯度信息，，为分别为图像滑动窗口的行列索引号，为窗口尺寸，为点沿x方向的梯度信息，为点沿y方向的梯度信息。3.根据权利要求1所述的机载式风机叶片缺陷检测方法，其特征在于：所述风机叶片区域的判断算法为：；其中为当前...

【专利技术属性】
技术研发人员：李小刚，李峰平，林苏奔，孙浩然，张昆鹏，郭剑，邵正鹏，李函禧，卢成绩，
申请(专利权)人：领伟创新智能系统浙江有限公司，
类型：发明
国别省市：