基于改进的YOLOv5的风机桨叶故障检测方法及系统技术方案

本发明专利技术涉及一种基于改进的YOLOv5的风机桨叶故障检测方法，涉及风机检测领域，该方法包括：采集风机桨叶数据集；采用AutoAugment方法对数据集中样本图像进行数据增强，获得第一数据增强后的数据集；采用Retinex算法对第一数据增强后的数据集中图像进行数据增强，获得第二数据增强后的数据集；采用第二数据增强后的数据集训练改进的YOLOv5，获得风机桨叶故障检测模型；改进的YOLOv5包括在Neck部分的跳转连接处添加自适应注意力模块，以及在Neck部分的上采样部分添加特征增强模块；采用风机桨叶故障检测模型对待检测风机桨叶进行。本发明专利技术提高了检测模型的鲁棒性。高了检测模型的鲁棒性。高了检测模型的鲁棒性。

【技术实现步骤摘要】
基于改进的YOLOv5的风机桨叶故障检测方法及系统


[0001]本专利技术涉及风机检测领域，特别是涉及一种基于改进的YOLOv5的风机桨叶故障检测方法及系统。

技术介绍

[0002]在经济呈高速发展的趋势下，人们对能源的需求量和生态环境的变化迫使人们不断的去探索新能源。人们将利用水能、太阳能、核能、风能进行发电的技术统称为新能源发电。中国水资源丰富，但开发较少，对因建造水电站而搬迁的农民进行补偿以及生态环境保护是扼制发展的主要原因。中国核电发电总量为1.8％，与世界平均水平相比较低，核安全是核电发展的拦路虎。太阳能十分充足，无污染，但能量密度不均衡、强度受季节的影响变化较大，这成为了太阳能发展和利用的绊脚石。风能在自然界分布广泛，储存量很大，而且风力发电不会受燃料和水的限制，同时，因为发电过程安全可靠，零污染，使其不但成为新能源发电中的排头兵，也真正成为现代能源供应的重要组成部分。
[0003]风电机组中将风能转变为机械能最主要的部件是受风力旋转的桨叶，而桨叶的工作环境非常不友好，载荷复杂多变，损坏率极高。桨叶作为整个风力发电机组的重要装备，其成本占整个机组设备成本的15％
‑
20％，价格昂贵。
[0004]桨叶非常沉重并且位于高空，肉眼较难找出桨叶早期出现的损伤。同时，人工维护困难，一旦发生事故，情况很严重；如果桨叶的细小缺陷没有被及时发现并且处理，严重之后会造成桨叶断裂导致机组停机，会造成巨大的人力和物力损失。
[0005]对于大型风电场来说，针对桨叶的巡检任务是非常繁琐且艰巨的。如果采用定期检查，在发现问题之后再去给机组做检查、进行故障分析、处理故障，进而有可能由于这些小缺陷引发一些比较重大的故障，造成巨大损伤和严重后果。为了保证风电机组在安全的状态下发电，减少维护所需要的资金，提高对风能的利用率，及时且准确地检测出桨叶早期缺陷有着至关重要的意义。
[0006]目前常用的人工巡检方式，需在风机停运状态下进行，通过望远镜观察桨叶表面是否有裂痕、损坏或遭受过雷击。这种方式使得检测人员工作量大，容易造成检测人员容易疲劳，增加了工作的不安全性，同时也降低了桨叶巡检效率。同时，巡检过程对巡检精密仪器以及巡检人员的专业技术水平均具有较严格的要求。
[0007]由于人工目测风机叶片表面缺陷效率低下，无法保障检测人员生命安全，同时检测准确率无法得到保障，安装各种传感器又价格昂贵，对检测环境要求高，而目前基于机器视觉的风机叶片故障检测存在鲁棒性差或检测效率差的问题。

技术实现思路

[0008]本专利技术的目的是提供一种基于改进的YOLOv5的风机桨叶故障检测方法及系统，提高了检测模型的鲁棒性。
[0009]为实现上述目的，本专利技术提供了如下方案：
[0010]一种基于改进的YOLOv5的风机桨叶故障检测方法，包括：
[0011]采集风机桨叶数据集；
[0012]采用AutoAugment方法对所述数据集中样本图像进行数据增强，获得第一数据增强后的数据集；
[0013]采用Retinex算法对所述第一数据增强后的数据集中图像进行数据增强，获得第二数据增强后的数据集；
[0014]采用所述第二数据增强后的数据集训练改进的YOLOv5，获得风机桨叶故障检测模型；所述改进的YOLOv5包括在Neck部分的跳转连接处添加自适应注意力模块，以及在Neck部分的上采样部分添加特征增强模块；
[0015]采用所述风机桨叶故障检测模型对待检测风机桨叶进行。
[0016]可选地，所述自适应注意力模块用于通过自适应平均池化层获得不同尺度的多个上下文特征。
[0017]可选地，所述特征增强模块包括多分支卷积层和一个分支池化层，所述多分支卷积层用于对输入特征图提供不同大小的感受野，所述分支池化层用于对所述多分支卷积层的输出进行特征融合。
[0018]可选地，所述采用AutoAugment方法对所述数据集中样本图像进行数据增强，获得第一数据增强后的数据集之前，具体还包括：
[0019]分别通过空间几何变换和RGB颜色扰动的方法对所述数据集中样本图像进行数据增强；所述空间几何变换包括对样本图像进行水平或垂直翻转、随机裁剪、旋转和放射变换。
[0020]可选地，所述风机桨叶故障检测模型的输出包括故障类型和桨叶位置，所述故障类型包括腐蚀、擦痕、裂纹、涂层剥落、表面斑点和表面砂眼。
[0021]可选地，还包括：将所述风机桨叶故障检测模型部署到无人机的移动终端上，部署到无人机的移动终端上的所述风机桨叶故障检测模型用于对所述无人机采集的风机桨叶图像进行实时故障检测。
[0022]本专利技术公开了一种基于改进的YOLOv5的风机桨叶故障检测系统，包括：
[0023]数据集采集模块，用于采集风机桨叶数据集；
[0024]第一数据增强模块，用于采用AutoAugment方法对所述数据集中样本图像进行数据增强，获得第一数据增强后的数据集；
[0025]第二数据增强模块，用于采用Retinex算法对所述第一数据增强后的数据集中图像进行数据增强，获得第二数据增强后的数据集；
[0026]改进的YOLOv5训练模块，用于采用所述第二数据增强后的数据集训练改进的YOLOv5，获得风机桨叶故障检测模型；所述改进的YOLOv5包括在Neck部分的跳转连接处添加自适应注意力模块，以及在Neck部分的上采样部分添加特征增强模块；
[0027]风机桨叶故障检测模块，用于采用所述风机桨叶故障检测模型对待检测风机桨叶进行。
[0028]可选地，所述自适应注意力模块用于通过自适应平均池化层获得不同尺度的多个上下文特征。
[0029]可选地，所述特征增强模块包括多分支卷积层和一个分支池化层，所述多分支卷
积层用于对输入特征图提供不同大小的感受野，所述分支池化层用于对所述多分支卷积层的输出进行特征融合。
[0030]可选地，所述风机桨叶故障检测模型的输出包括故障类型和桨叶位置，所述故障类型包括腐蚀、擦痕、裂纹、涂层剥落、表面斑点和表面砂眼。
[0031]根据本专利技术提供的具体实施例，本专利技术公开了以下技术效果：
[0032]本专利技术公开了一种基于改进的YOLOv5的风机桨叶故障检测方法，采用 AutoAugment方法和Retinex算法对数据集图像进行数据增强，通过 AutoAugment方法丰富数据集使其更适合实际场景，并通过Retinex算法进行图像增强预处理，消除光照不均的影响，改善图像的视觉效果，进而提高模型的鲁棒性，另外，改进后的模型利用自适应注意力模块(AAM)和特征增强模块 (FEM)来减少特征图生成过程中的信息丢失并增强表示能力，提高了检测模型故障检测的准确性。
附图说明
[0033]为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于改进的YOLOv5的风机桨叶故障检测方法，其特征在于，包括：采集风机桨叶数据集；采用AutoAugment方法对所述数据集中样本图像进行数据增强，获得第一数据增强后的数据集；采用Retinex算法对所述第一数据增强后的数据集中图像进行数据增强，获得第二数据增强后的数据集；采用所述第二数据增强后的数据集训练改进的YOLOv5，获得风机桨叶故障检测模型；所述改进的YOLOv5包括在Neck部分的跳转连接处添加自适应注意力模块，以及在Neck部分的上采样部分添加特征增强模块；采用所述风机桨叶故障检测模型对待检测风机桨叶进行。2.根据权利要求1所述的基于改进的YOLOv5的风机桨叶故障检测方法，其特征在于，所述自适应注意力模块用于通过自适应平均池化层获得不同尺度的多个上下文特征。3.根据权利要求1所述的基于改进的YOLOv5的风机桨叶故障检测方法，其特征在于，所述特征增强模块包括多分支卷积层和一个分支池化层，所述多分支卷积层用于对输入特征图提供不同大小的感受野，所述分支池化层用于对所述多分支卷积层的输出进行特征融合。4.根据权利要求1所述的基于改进的YOLOv5的风机桨叶故障检测方法，其特征在于，所述采用AutoAugment方法对所述数据集中样本图像进行数据增强，获得第一数据增强后的数据集之前，具体还包括：分别通过空间几何变换和RGB颜色扰动的方法对所述数据集中样本图像进行数据增强；所述空间几何变换包括对样本图像进行水平或垂直翻转、随机裁剪、旋转和放射变换。5.根据权利要求1所述的基于改进的YOLOv5的风机桨叶故障检测方法，其特征在于，所述风机桨叶故障检测模型的输出包括故障类型和桨叶位置，所述故障类型包括腐蚀、擦痕、裂纹、涂层剥落、表面斑点和表面砂眼。6.根据权利要求1所述...

【专利技术属性】
技术研发人员：王宁，王恩路，王雁冰，韩则胤，杨健，王铁志，
申请(专利权)人：中广核北京新能源科技有限公司，
类型：发明
国别省市：