一种风力发电设备图像的去模糊方法技术

本发明专利技术涉及风力发电设备巡检技术领域，公开了一种风力发电设备图像的去模糊方法，包括：将待处理的风力发电设备模糊图像输入训练好的去模糊模型，得到复原的风力发电设备图像；其中，所述去模糊模型为基于DeblurGANv2模型的改进得到的，所述DeblurGANv2模型包括生成器和判别器，所述基于DeblurGANv2模型的改进包括，将DeblurGANv2模型的生成器的骨干网络替换为精简的GhostNet网络。本发明专利技术能够提高对图像去模糊操作的实时性，从而提高风力发电设备巡检工作的效率。设备巡检工作的效率。设备巡检工作的效率。

A deblurring method of wind power plant image

【技术实现步骤摘要】
一种风力发电设备图像的去模糊方法


[0001]本专利技术涉及风力发电设备巡检
，特别涉及一种风力发电设备图像的去模糊方法。

技术介绍

[0002]风能作为一种清洁的可再生能源，在地球上蕴量巨大，作为人类所需能源的可持续开发的重点方向之一，已经得到普遍推广应用。由于风力发电设备通常在高空、全天候条件下工作，承受载荷较大，运行环境恶劣，时刻受各种介质侵蚀或影响，风力发电设备，特别是叶片，容易出现裂纹、脱皮等损伤，需要定期进行巡检，及时发现风力发电设备的损伤并修补，保证风力发电设备正常工作。
[0003]为了降低人力巡检成本，现有技术提出了基于飞行器图像采集的风力发电设备巡检方式，即在飞行器上挂载摄像机等设备抵近风力发电设备采集图像，对采集的图像进行分析，找出设备的损伤。但在实际应用中，由于叶片可能正处于旋转状态，而飞行器受风的影响，可能会忽快忽慢、或突然旋转，从而使采集的图像产生运动模糊，影响后继对图像分析结果的准确性，因此，现有技术通常需要先对采集的图像进行去模糊操作，然后才会分析图像中的风力发电设备是否存在损伤。而现有的图像去模糊方法通常为基于深度学习的去模糊方法，为了能够达到较好的去模糊效果，通常会设置较为复杂的网络结构，因而参数量和计算量较大，实时性较差，影响巡检工作的效率；此外，对于同一片叶片，由于叶片不同长度位置旋转的线速度不同，因而即使在同一张图像中，同一个叶片的模糊程度也是不同的，而现有的去模糊方法中尚未有有效的解决方法。

技术实现思路

[0004]针对上述情况，本专利技术的目的是提供一种风力发电设备图像的去模糊方法，该方法能够有效提高对图像去模糊操作的实时性，从而提高风力发电设备巡检工作的效率。
[0005]为了实现上述目的，本专利技术通过以下技术方案实现的：
[0006]一种风力发电设备图像的去模糊方法，包括：
[0007]将待处理的风力发电设备模糊图像输入训练好的去模糊模型，得到复原的风力发电设备图像；
[0008]其中，所述去模糊模型为基于DeblurGANv2模型的改进得到的，所述DeblurGANv2模型包括生成器和判别器，所述基于DeblurGANv2模型的改进包括，将DeblurGANv2模型的生成器的骨干网络替换为精简的GhostNet网络。
[0009]本专利技术提供的去模糊方法，基于DeblurGANv2模型进行改进，使用参数量较小的精简的GhostNet网络替换DeblurGANv2模型的生成器的原有骨干网络，利用DeblurGANv2模型较快的推理速度，使用精简的GhostNet网络进一步加快对模糊图像特征提取的速度，从而提高对图像去模糊操作的实时性，提高风力发电设备巡检工作的效率。
[0010]优选的，所述精简的GhostNet网络为9层网络结构，其中，第1层为普通卷积层，第2
～9层为Ghost bottleneck层。
[0011]优选的，所述精简的GhostNet网络的第4层和第5层之间设有3层通道注意力模块，所述精简的GhostNet网络的第7层和第8层之间设有3层通道注意力模块，所述精简的GhostNet网络的第8层和第9层之间设有1层通道注意力模块；所述通道注意力模块用于加强对模糊图像的特征的提取。
[0012]优选的，在去模糊模型的生成器的特征金字塔结构中，使用双线性插值对特征图进行上采样处理，用于获得平滑的上采样特征图。
[0013]优选的，训练所述去模糊模型所用的数据集包括模糊图像集和清晰图像集，获取所述模糊图像集和所述清晰图像集的方式包括第一获取方式和/或第二获取方式，其中，
[0014]第一获取方式包括：使用高速摄像机拍摄风力发电设备得到多副连续的高帧率源图像；取所述高帧率源图像中连续的奇数帧图像，将所述连续的奇数帧图像的平均值作为模糊图像，放入所述模糊图像集；将所述连续的奇数帧图像中的中间帧图像作为模糊图像对应的清晰图像，放入所述清晰图像集；
[0015]第二获取方式包括：使用模糊核对清晰图像卷积，得到对应的模糊图像，将模糊图像放入模糊图像集，将清晰图像放入清晰图像集。
[0016]优选的，所述获取所述模糊图像集和所述清晰图像集的方式还包括，对所述模糊图像集和所述清晰图像集进行数据增强；
[0017]所述数据增强包括：对模糊图像集中的模糊图像和清晰图像集中对应的清晰图像同时进行下述一项或多项操作：左右翻转变换操作、随机仿射变换操作、转置变换操作、非刚体变换操作、色彩随机变换操作、饱和度随机变换操作、亮度随机变换操作、对比度随机变换操作、随机擦除操作。
[0018]与现有技术相比，本专利技术的有益效果为：
[0019]本专利技术利用DeblurGANv2模型较快的推理速度，使用精简的GhostNet网络进一步加快对模糊图像特征提取的速度，从而提高对图像去模糊操作的实时性，提高风力发电设备巡检工作的效率。
[0020]本专利技术中的用于训练去模糊模型的部分数据集通过多副连续的高帧率源图像进行变换得到，能够更好地贴合实际的模糊场景，对一副图像中存在的不同程度的模糊也能有较好的去除效果。
附图说明
[0021]图1为实施例中去模糊模型中生成器的网络结构示意图；
[0022]图2为实施例中精简的GhostNet网络的网络参数示意表；
[0023]图3为实施例中步长为1的Ghostbottleneck层的结构示意图；
[0024]图4为实施例中步长为2的Ghostbottleneck层的结构示意图；
[0025]图5为实施例中双线性插值的原理示意图；
[0026]图6为实施例中的清晰图像；
[0027]图7为实施例中与图6对应的模糊核示意图；
[0028]图8为图6中的清晰图像，经图7中的模糊核处理后，得到的模糊图像；
[0029]图9为实施例中的一副待处理的风力发电设备模糊图像；
[0030]图10为图9中的模糊图像输入DeblurGANv2模型处理后，输出的清晰图像；
[0031]图11为图9中的模糊图像输入实施例中的去模糊模型处理后，输出的清晰图像。
具体实施方式
[0032]下面将结合本实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，均属于本专利技术的保护范围。
[0033]实施例一
[0034]一种风力发电设备图像的去模糊方法，包括：
[0035]将待处理的风力发电设备模糊图像输入训练好的去模糊模型，得到复原的风力发电设备图像；
[0036]其中，所述去模糊模型为基于DeblurGANv2模型的改进得到的，所述DeblurGANv2模型包括生成器和判别器，所述基于DeblurGANv2模型的改进包括，将DeblurGANv2模型的生成器的骨干网络本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种风力发电设备图像的去模糊方法，其特征在于，包括：将待处理的风力发电设备模糊图像输入训练好的去模糊模型，得到复原的风力发电设备图像；其中，所述去模糊模型为基于DeblurGANv2模型的改进得到的，所述DeblurGANv2模型包括生成器和判别器，所述基于DeblurGANv2模型的改进包括，将DeblurGANv2模型的生成器的骨干网络替换为精简的GhostNet网络。2.根据权利要求1所述的去模糊方法，其特征在于，所述精简的GhostNet网络为9层网络结构，其中，第1层为普通卷积层，第2～9层为Ghost bottleneck层。3.根据权利要求2所述的去模糊方法，其特征在于，所述精简的GhostNet网络的第4层和第5层之间设有3层通道注意力模块，所述精简的GhostNet网络的第7层和第8层之间设有3层通道注意力模块，所述精简的GhostNet网络的第8层和第9层之间设有1层通道注意力模块；所述通道注意力模块用于加强对模糊图像的特征的提取。4.根据权利要求1所述的去模糊方法，其特征在于，在去模糊模型的生成器的特征金字塔结构中，使用双线性插值对特征图进行上采样处理，用于获...

【专利技术属性】
技术研发人员：高如新，王腾飞，马永飞，苏波，谭兴国，
申请(专利权)人：哈密职业技术学院，
类型：发明
国别省市：