一种叶片表面状态检测方法及装置制造方法及图纸

本申请提供一种叶片表面状态检测方法及装置，应用于风电技术领域，其中，叶片表面状态检测方法包括：获取待检测叶片对应的待检测图像以及支撑集；其中，支撑集包括风机上每个叶片对应的样本图像；将待检测图像以及支撑集输入预先训练好的特征提取网络中，得到特征提取网络输出的第一图像特征以及第二图像特征；将第一图像特征以及第二图像特征输入预先训练好的图神经网络中，得到图神经网络输出的分类结果；其中，图神经网络对应的损失函数为差分损失函数；根据分类结果确定待检测叶片的叶片表面状态。由于在训练图神经网络的过程中引入了差分损失函数，因此可以学习样本的动态变化，即使叶片表面损伤样本不足，也可以得到准确度较高的检测结果。确度较高的检测结果。确度较高的检测结果。

【技术实现步骤摘要】
一种叶片表面状态检测方法及装置


[0001]本申请涉及风电
，具体而言，涉及一种叶片表面状态检测方法及装置。

技术介绍

[0002]叶片是海上风电系统中风机的风能捕获装置，其性能的好坏和使用寿命的长短直接影响着风机的正常运行和系统效率。不同于海上风电系统中的发电机和变频器等电气部件可以提供丰富的运行数据用于状态监测和缺陷检测，由于叶片是纯机械部件，其只有转速信号可供采集，因此，这给叶片状态检测带来了极大的不便。
[0003]在现有技术中，一般都采用深度学习的方式对叶片进行检测，但是，采用深度学习的方式，由于叶片表面损伤样本不足，因此对叶片表面的损伤进行检测的准确度较低。

技术实现思路

[0004]本申请实施例的目的在于提供一种叶片表面状态检测方法及装置，用以解决现有技术中由于叶片表面损伤样本不足导致的对叶片表面的损伤进行检测的准确度较低的技术问题。
[0005]第一方面，本申请实施例提供一种叶片表面状态检测方法，包括：获取待检测叶片对应的待检测图像以及支撑集；其中，所述支撑集包括风机上每个叶片对应的样本图像本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种叶片表面状态检测方法，其特征在于，包括：获取待检测叶片对应的待检测图像以及支撑集；其中，所述支撑集包括风机上每个叶片对应的样本图像；将所述待检测图像以及所述支撑集输入预先训练好的特征提取网络中，得到所述特征提取网络输出的与所述待检测图像对应的第一图像特征以及所述支撑集对应的第二图像特征；将所述第一图像特征以及所述第二图像特征输入预先训练好的图神经网络中，得到所述图神经网络输出的分类结果；其中，所述图神经网络对应的损失函数为差分损失函数；根据所述分类结果确定所述待检测叶片的叶片表面状态。2.根据权利要求1所述的叶片表面状态检测方法，其特征在于，在所述获取待检测叶片对应的待检测图像以及支撑集之前，所述方法还包括：获取所述风机上至少一个叶片对应的第一样本图像以及所述风机上其他叶片在多个时间上的多个第二样本图像；将所述第一样本图像以及所述第二样本图像输入待训练的特征提取网络中，得到所述特征提取网络输出的与所述第一样本图像对应的第一样本特征以及与所述第二样本图像对应的多个第二样本特征；计算所述第一样本特征与所述第二样本特征之间的匹配损失值，以及，计算所述多个第二样本特征之间的距离损失值；根据所述匹配损失值以及所述距离损失值更新所述特征提取网络的参数。3.根据权利要求1所述的叶片表面状态检测方法，其特征在于，在所述获取待检测叶片对应的待检测图像以及支撑集之前，所述方法还包括：获取注册集以及查询集；其中，所述注册集包括第一叶片图像，所述查询集包括第二叶片图像以及第三叶片图像；将所述第一叶片图像以及所述第二叶片图像输入预先训练好的特征提取网络中，得到所述特征提取网络输出的与所述第一叶片图像对应的第一叶片特征以及所述第二叶片图像对应的第二叶片特征；将所述第一叶片特征以及所述第二叶片特征输入待训练的图神经网络中，得到所述第一叶片图像与所述第二叶片图像之间的第一距离；根据所述第一距离以及所述第一叶片图像与所述第三叶片图像之间的第二距离计算差分损失值；根据所述差分损失值更新所述图神经网络的参数。4.根据权利要求1
‑
3任一项所述的叶片表面状态检测方法，其特征在于，在所述根据所述分类结果确定所述待检测叶片的叶片表面状态之前，所述方法还包括：将...

【专利技术属性】
技术研发人员：董帅，黄国燕，欧柳利，夏祥孟，程慧，杨志华，
申请(专利权)人：电子科技大学中山学院，
类型：发明
国别省市：