一种基于稀疏测度最大化的风机叶片表面缺陷定位方法技术

本发明专利技术公开了一种基于稀疏测度最大化的风机叶片表面缺陷定位方法，包括以下步骤，获取到风机叶片表面图像后，使用相关机器学习方法，对灰度图片进行训练，找到叶片区域与背景区域；其次设置二维数字滤波器宽度为n，并令其滤波器初值均为0；随后使用卷积神经网络对滤波器n

【技术实现步骤摘要】
一种基于稀疏测度最大化的风机叶片表面缺陷定位方法


[0001]本专利技术涉及风电设施表面质量检测
，特别涉及一种基于稀疏测度最大化的风机叶片表面缺陷定位方法。

技术介绍

[0002]作为风力发电机组的力源和主要承载部件，风机叶片的运行状态对于保证风机工作效率具有重要的作用。然而，风机主要位于自然条件较好的地区，暴风雨、风沙和雷击等都有可能损伤叶片。随着国内风电场运行时间的增加，风机叶片表面缺陷的快速、高效检测变得越来越重要。传统的人工巡检已难以满足要求。

技术实现思路

[0003]本专利技术的目的在于，一种基于稀疏测度最大化的风机叶片表面缺陷定位方法。本专利技术仅需极少量的数据即可完成滤波器参数的优化。
[0004]本专利技术的技术方案：一种基于稀疏测度最大化的风机叶片表面缺陷定位方法，包括以下步骤：S1：获取风机叶片表面图像；S2：将叶片表面图像转换至灰度图片；S3：使用机器学习方法，对灰度图片进行训练，找到叶片区域与背景区域；S4：设置滤波器宽度为n，并令其滤波器初值均为0；S5：使用卷积神经网络对滤波器n
×
n个元素进行优化，以最大化图片稀疏测度为目标，找到滤波器元素最优解；S6：对于待检测的任一测试图像，使用S4步骤中获得的滤波参数进行滤波；S7：去除滤波后图像特征的低频趋势成分，留下高频特征；S8：若高频特征大于预定阈值，同时像素点位于S3步骤的叶片区域上，则该像素点为缺陷特征。
[0005]上述的基于稀疏测度最大化的风机叶片表面缺陷定位方法，所述的步骤S3中，叶片区域与背景区域的表述方法为：其中为点的状态信息，当为1时，点为叶片区域，当为0时，点为背景区域，，为分别为图像行列索引号。
[0006]前述的基于稀疏测度最大化的风机叶片表面缺陷定位方法，所述的步骤S5中, 卷积神经网络优化目标函数为：；
其中，表示使目标函数取最大值时的变量值，为计算系数测度的符号，表示卷积运算，为步骤S2中获取到的灰度图像，为滤波器参数。
[0007]前述的基于稀疏测度最大化的风机叶片表面缺陷定位方法，所述的步骤S6中,滤波的具体过程为：其中表示滤波后的图形特征，为待滤波的风机叶片表面图像，表示卷积运算，为滤波器参数。
[0008]前述的基于稀疏测度最大化的风机叶片表面缺陷定位方法，所述的步骤S8中,使用的缺陷特征判断算法为：；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，，为分别为图像行列索引号，为当前像素点对应的稀疏测度，为预设的稀疏测度阈值，为步骤S3获得的点的状态信息。
[0009]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，使用相关机器学习方法，对灰度图片进行训练，找到叶片区域与背景区域；其次设置滤波器宽度为n，并令其滤波器初值均为0；随后使用卷积神经网络对滤波器n
×
n个元素进行优化，以最大化图片稀疏测度为目标，找到滤波器元素最优解； 对于待检测的任一测试图像，使用获得的滤波参数进行滤波；若滤波后特征大于预定阈值，则该像素点为缺陷特征。本专利技术以稀疏测度最大化为优化目标，从二维数字滤波器的优化构建出发，利用卷积神经网络找到其最优解，可自适应进行风机叶片表面缺陷的定位与智能辨识，较之其他方法，本专利技术仅需极少量的数据即可完成滤波器参数的优化，具有一定的实用价值。
附图说明
[0010]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中优化后的滤波器参数；图4是本专利技术的实施例1中滤波后的图形特征；图5是本专利技术中实施例1中缺陷特征的判断结果；图6是本专利技术的实施例2中使用的风机叶片表面图像；图7是本专利技术的实施例2中优化后的滤波器参数；图8是本专利技术的实施例2中滤波后的图形特征；图9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
[0011]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。
[0012]实施例1：一种基于稀疏测度最大化的风机叶片表面缺陷定位方法，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）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片，其具体方法为：其中，I为生成的灰度图像，R为彩色图像的红色通道，G为彩色图像的绿色通道，B为彩色图像的蓝色通道；3）使用机器学习方法，对灰度图片进行训练，找到叶片区域与背景区域，叶片区域与背景区域的表述方法为：其中为点的状态信息，当为1时，点为叶片区域，当为0时，点为背景区域，，为分别为图像行列索引号。
[0013]4）设置二维数字滤波器宽度为n，并令其滤波器初值均为0，本实例中宽度n为5；5）使用卷积神经网络对滤波器n
×
n个元素进行优化，以最大化图片稀疏测度为目标，找到滤波器元素最优解，卷积神经网络优化目标函数为：其中，表示使目标函数取最大值时的变量值，为计算系数测度的符号（本实例中稀疏测度为基尼稀疏），表示卷积运算，为步骤S2中获取到的灰度图像，为二维数字滤波器参数，优化后的滤波器参数如附图3所示；6）对于待检测的任一测试图像，使用S4步骤中获得的滤波参数进行滤波,滤波的具体过程为：；其中表示滤波后的图形特征，为待滤波的风机叶片表面图像，表示卷积运算，为步骤S5中获取到的二维数字滤波器参数，滤波后的图像特征如附图4所示；7）去除滤波后图像特征的低频趋势成分，留下相对高频特征；8）若特征大于预定阈值，同时像素点位于S3步骤的叶片区域上，则该像素点为缺陷特征,使用的缺陷特征判断算法为：；
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，，为分别为图像行列索引号，为当前像素点对应的稀疏测度（本实例中稀疏测度为基尼稀疏），为预设的稀疏测度阈值，本实例中阈值为0.3，为步骤S3获得的点的状态信息，缺陷特征的判断结果如附图5所示，从图5中可以明显的看出风机叶片的缺陷。
[0014]实施例2：一种基于稀疏测度最大化的风机叶片表面缺陷定位方法，下面结合具体案例对本专利技术进一步说明，其流程图如图1所示，包括以下步骤，1）对风机叶片进行拍照，获取风机叶片表面图像，如附图6所示；2）将叶片表面图像转换至灰度图片，其具体方法为：其中，I为生成的灰度图像，R为彩色图像的红色通道，G为彩色图像的绿色通道，B为彩色图像的蓝色通道；3）使用机器学习方法，对灰度图片进行训练，找到叶片区域与背景区域，叶片区域与背景区域的表述方法为：其中为点的状态信息，当为1时，点为叶片区域，当为0时，点为背景区域，，为分别为图像行列索引号。
[0015]4）设置二维数字滤波器宽度为n，并令其滤波器初值均为0，本实例中其宽度n为5；5）使用卷积神经网络对滤波器n
×
n个元素进行优化，以最大化图片稀疏测度为目标，找到滤波器元素最优解，卷积神经网络优化目标函数为：其中，表示使目标函数取最大值时的变本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于稀疏测度最大化的风机叶片表面缺陷定位方法，其特征在于：包括以下步骤：S1：获取风机叶片表面图像；S2：将叶片表面图像转换至灰度图片；S3：使用机器学习方法，对灰度图片进行训练，找到叶片区域与背景区域；S4：设置滤波器宽度为n，并令其滤波器初值均为0；S5：使用卷积神经网络对滤波器n
×
n个元素进行优化，以最大化图片稀疏测度为目标，找到滤波器元素最优解；S6：对于待检测的任一测试图像，使用S4步骤中获得的滤波参数进行滤波；S7：去除滤波后图像特征的低频趋势成分，留下高频特征；S8：若高频特征大于预定阈值，同时像素点位于S3步骤的叶片区域上，则该像素点为缺陷特征。2.根据权利要求1所述的基于稀疏测度最大化的风机叶片表面缺陷定位方法，其特征在于：所述的步骤S3中，叶片区域与背景区域的表述方法为：其中为点的状态信息，当为1时，点为叶片区域，当为0时，点为背景区域，，为分别为图像...

【专利技术属性】
技术研发人员：李峰平，孙浩然，李小刚，林苏奔，张昆鹏，郭剑，邵正鹏，冯光，黄海玉，郑陈孙，刘潘东，李函禧，
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：