基于无人机图像分析的风力发电装置叶片缺陷检测方法制造方法及图纸

本发明专利技术属于风力发电装置无损检测技术领域，特别涉及基于无人机图像分析的风力发电装置叶片缺陷检测方法，包括：制作训练样本集；以自适应阈值分割算法对训练样本集进行预处理，得到二值化样本集；对二值化样本集提取LBP特征，建立LBP特征集；利用LBP特征集训练SVM分类器的同时，利用麻雀搜索算法进行SVM惩罚因子和核函数参数的优化得到LBP

【技术实现步骤摘要】
基于无人机图像分析的风力发电装置叶片缺陷检测方法


[0001]本专利技术属于风力发电装置无损检测
，特别涉及基于无人机图像分析的风力发电装置叶片缺陷检测方法。

技术介绍

[0002]风力发电设备的巡检数据采集手段一般采用无损检测技术，即在不造成待测对象损伤的前提下进行测定的方法。其通常是利用缺陷部位对光、热、声、电等反应的异常或变化信息来进行判断。基于声发射技术或基于振动信号的分析检测技术需要额外安装相应传感器和数据采集装备等，这将增加系统的故障源，并且导致风电设备成本的升高，风力发电机叶片的损伤周期长，将检测装置固定在设备上将造成不必要的浪费。
[0003]现有技术中出现了基于无人机图像采集的风力发电设备巡检方式，即在无人机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。由于风力发电装置通常固定安装在野外风力充足的位置，基于无人机采集巡检图像时，容易受室外光照不均、反光等影响导致采集得到的图像亮度分布不均衡，使目标缺陷辨别困难，且风力发电机叶片各类缺陷的纹理特征差异较大，导致缺陷分类不方便。
[0004]基于无人机图像分析对风力发电机叶片的缺陷检测属于目标检测的范畴，目前目标检测技术主要分为两类：一是基于手工提取特征的传统目标检测算法，二是基于深度学习的目标检测算法。基于手工提取特征的传统目标检测算法多采用可靠性不高的人工经验值法，存在分类性能较低，不易快速准确判断目标缺陷属于哪种类型的缺点。基于深度学习的目标检测算法是现阶段的主流方法，但其同样存在一些难以解决的技术问题，并不是适合所有应用场景。以R
‑
CNN、Fast
‑
RCNN、Faster
‑
RCNN为代表的two
‑
stage的目标检测算法先采用选择性搜索算法或者RPN来产生候选区，然后再对候选区进行目标分类和位置回归，这类算法模型庞大且复杂，推理速度慢，并且对小目标的检测效果差。以SSD、YOLO等为代表的one
‑
stage的目标检测算法则不进行候选区的生成，直接利用CNN网络进行分类和回归，该类算法牺牲一部分精度来提高推理速度，但同实时检测仍有一些距离。并且，这些基于深度学习的目标检测算法针对的是通用数据集设计的网络模型，网络模型复杂度高并且针对性较差，修改起来成效不明显。
[0005]由此，亟需提出新的基于无人机图像分析的风力发电装置叶片缺陷检测方法，以从无人机图像分析中快速且精确的检测风力发电装置叶片的缺陷，从而提高风力发电装置叶片缺陷的检测效率和检测精度。

技术实现思路

[0006]针对上述情况，本专利技术的目的是提出新的基于无人机图像分析的风力发电装置叶片缺陷检测方法，该方法能够从无人机图像分析中快速且精确的检测风力发电装置叶片缺陷，从而提高风力发电装置叶片缺陷的检测效率和检测精度。
[0007]为了实现上述目的，本专利技术通过以下技术方案实现的：
[0008]基于无人机图像分析的风力发电装置叶片缺陷检测方法，包括以下步骤：
[0009]S1、制作训练样本集，根据风力发电机叶片表面可能出现的缺陷类型以及概率分布，建立正、负样本集；其中，正样本集中的正样本即为风力发电设备图像，风力发电设备图像中包含缺陷区域和非缺陷区域；负样本集中的负样本为画面中没有风力发电设备的背景图像；
[0010]S2、以自适应阈值分割算法对S1中制作的训练样本集进行预处理来削弱现场不稳定光线的影响，进而更好地突出缺陷的纹理特征，得到预处理后的二值化样本集；
[0011]S3、对预处理之后的二值化样本集中的正样本提取LBP特征，建立LBP特征集，同时根据不同类型的缺陷以及背景LBP特征对各正样本赋予不同的标签代号；
[0012]S4、利用LBP特征集训练SVM分类器的同时，利用麻雀搜索算法进行SVM惩罚因子和核函数参数的优化，将分类错误率作为目标函数进行迭代计算；直到分类准确度收敛停止训练，得到LBP
‑
SVM模型文件；
[0013]S5、加载LBP
‑
SVM模型文件，对待检测的无人机图像进行金字塔多尺度滑框检测，进而判别当前窗口是否含有待测缺陷以及存在何种缺陷，最终得到缺陷的类型以及位置。
[0014]进一步地，步骤S1中，正、负样本集中正、负样本的数量比例为1:3。
[0015]进一步地，步骤S2中包括：
[0016]S21、获取特征集1：各正、负样本的RGB每个通道的值的范围是0～255，将各通道的值等分8份得到各通道的度量等级1～8，计算出每个通道的直方图后得到一个8*8*8的多维数组并将其展平，从而获取正、负样本集中每个正、负样本的RGB颜色直方图特征，根据每个正、负样本的RGB颜色直方图特征对正、负样本分别赋予标签代号1和0，从而得到特征集1；
[0017]S22、获取正样本的特征集：采用改进后的阈值分割算法对特征集1中的每个正样本进行阈值分割处理，得到正样本的特征集；改进后的阈值分割算法是在标准的自适应阈值分割算法中将RGB图像转化为灰度图前，对灰度图像进行非局部性均值操作而得到的。
[0018]进一步地，步骤S3中包括：提取正样本的特征集中每个正样本的LBP特征，对正样本的特征集中未含有缺陷的正样本赋予标签代号为2，含有裂纹缺陷的正样本赋予标签代号为3，含有涂层脱落缺陷的正样本赋予标签代号为4，从而得到特征集2。
[0019]进一步地，步骤S4中，SVM分类器设有两个，分别记作SVM_1分类器和SVM_2分类器，利用LBP特征集训练SVM分类器时，使用特征集1驱动SVM_1分类器的训练，经过训练之后得到模型1；使用特征集2驱动SVM_2分类器的训练，得到模型2。
[0020]进一步地，步骤S5中包括：对待测图像使用训练好的模型进行预测，首先使用模型1判断待测图像是否为风力发电设备图像，如果返回预测标签为0，则表明待测图像只含有背景；如果返回预测标签为1，再对待测图像进行步骤S22中的阈值分割处理，对处理后的图像基于模型2使用多尺度滑窗法提取每个窗口的LBP特征，进而判别当前窗口是否含有待测含有缺陷以及存在何种缺陷，最终得到缺陷的类型以及位置。
[0021]进一步地，步骤S22中改进后的阈值分割算法包括如下步骤：
[0022]S221、将图像划分为n*n个小窗口，并自左上至右下对小窗口进行坐标编号，用于后续检索；
[0023]S222、计算每个小窗口的灰度均值，从而求出关于灰度均值的一维直方图；
[0024]S223、利用步骤S222求出的一维直方图呈现出的双峰状分布，将双峰间的谷对应
的灰度均值作为阈值，从而将小窗口划分成两类，一类为感兴趣区域窗口，即非缺陷区域窗口；另一类为不感兴趣区域窗口，即缺陷区域窗口；
[0025]S224、找出步骤S223中一维直方图的双峰点所对应的小窗口，求出两小窗口的熵，其中熵较大的小窗口纹理更复杂，为不感兴趣本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于无人机图像分析的风力发电装置叶片缺陷检测方法，其特征在于，包括以下步骤：S1、制作训练样本集，根据风力发电机叶片表面可能出现的缺陷类型以及概率分布，建立正、负样本集；其中，正样本集中的正样本即为风力发电设备图像，风力发电设备图像中包含缺陷区域和非缺陷区域；负样本集中的负样本为画面中没有风力发电设备的背景图像；S2、以自适应阈值分割算法对S1中制作的训练样本集进行预处理来削弱现场不稳定光线的影响，进而更好地突出缺陷的纹理特征，得到预处理后的二值化样本集；S3、对预处理之后的二值化样本集中的正样本提取LBP特征，建立LBP特征集，同时根据不同类型的缺陷以及背景LBP特征对各正样本赋予不同的标签代号；S4、利用LBP特征集训练SVM分类器的同时，利用麻雀搜索算法进行SVM惩罚因子和核函数参数的优化，将分类错误率作为目标函数进行迭代计算；直到分类准确度收敛停止训练，得到LBP
‑
SVM模型文件；S5、加载LBP
‑
SVM模型文件，对待检测的无人机图像进行金字塔多尺度滑框检测，进而判别当前窗口是否含有待测缺陷以及存在何种缺陷，最终得到缺陷的类型以及位置。2.根据权利要求1所述的基于无人机图像分析的风力发电装置叶片缺陷检测方法，其特征在于，步骤S1中，正、负样本集中正、负样本的数量比例为1:3。3.根据权利要求1所述的基于无人机图像分析的风力发电装置叶片缺陷检测方法，其特征在于，步骤S2中包括：S21、获取特征集1：各正、负样本的RGB每个通道的值的范围是0～255，将各通道的值等分8份得到各通道的度量等级1～8，计算出每个通道的直方图后得到一个8*8*8的多维数组并将其展平，从而获取正、负样本集中每个正、负样本的RGB颜色直方图特征，根据每个正、负样本的RGB颜色直方图特征对正、负样本分别赋予标签代号1和0，从而得到特征集1；S22、获取正样本的特征集：采用改进后的阈值分割算法对特征集1中的每个正样本进行阈值分割处理，得到正样本的特征集；改进后的阈值分割算法是在标准的自适应阈值分割算法中将RGB图像转化为灰度图前，对灰度图像进行非局部性均值操作而得到的。4.根据权利要求3所述的基于无人机图像分析的风力发电装置叶片缺陷检测方法，其特征在于，步骤S3中包括：提取正样本的特征集中每个正样本的LBP特征，对正样本的特征集中未含有缺陷的正样本赋予标签代号为2，含有裂纹缺陷的正样本赋予标签代号为3，含有涂层脱落缺陷的正样本赋予标签代号为4，从而得到特征集2。5.根据权利要求4所述的基于无人机图像分析的风力发电装置叶片缺陷检测方法，其特征...

【专利技术属性】
技术研发人员：高如新，马永飞，王腾飞，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：