一种风力涡轮机表面缺陷检测方法技术

本发明专利技术公开了一种风力涡轮机表面缺陷检测方法，包括以下步骤：S1，收集风力涡轮机表面损坏检测数据图像，进行图片标注；将标注后的图片进行增强处理后，分为训练集、验证集和测试集；S2，通过改变卷积方式、融入轻量化网络Bottleneck结构，加入加权双向特征金字塔网络，添加高效通道注意力机制方法构建改进的YOLOv5s模型；S3，采用αIoU损失函数进行bbox回归；S4，将步骤S1得到的数据集输入改进后的YOLOv5s模型中进行训练、测试，获得满足条件的参数模型，输出表面缺损效果图。本发明专利技术能实现智能化检测风力涡轮机的出现的各种类型的缺陷，防止缺损面积增大。防止缺损面积增大。防止缺损面积增大。

【技术实现步骤摘要】
一种风力涡轮机表面缺陷检测方法


[0001]本专利技术涉及表面缺陷检测方法，尤其涉及一种风力涡轮机表面缺陷检测方法。

技术介绍

[0002]随着风力涡轮机使用年限的增加，其表面经过风吹日晒，叶片以及塔身逐渐出现破损以及脏污附着的情况。但是风力涡轮机一般高达近百米，叶片也长达五十米，导致风力涡轮机的检修工作较难实施。如何在风力涡轮机缺陷出现初期，检测出缺陷类型和位置信息，显得尤其重要。
[0003]诸多学者针对这一问题做了研究，茅宇琳采用基于ResNet
‑
101的级联R
‑
CNN特征提取网络作为检测模型，在检测风机表面缺陷时引入迁移学习思想使模型能更快收敛。但引入ResNet网络后，训练后期不够稳定，容易造成图形失真。向宽等人通过在Faster
‑
RCNN主干网络加入FPN(Feature Pyramid Network，特征金字塔网络)结构，引入ROI Align(感兴趣区域校准)算法来代替粗略的ROI Pooling(感兴趣区域池化)算法，得出更适应缺陷目标的锚框，但Faster本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种风力涡轮机表面缺陷检测方法，其特征在于，包括以下步骤：S1，收集风力涡轮机表面损坏检测数据图像，进行图片标注；将标注后的图片进行增强处理后，分为训练集、验证集和测试集；S2，通过改变卷积方式、融入轻量化网络Bottleneck结构，加入加权双向特征金字塔网络，添加高效通道注意力机制方法构建改进的YOLOv5s模型；S3，采用αIoU损失函数进行bbox回归；S4，将步骤S1得到的数据集输入改进后的YOLOv5s模型中进行训练、测试，获得满足条件的参数模型，输出表面缺损效果图。2.根据权利要求1所述的风力涡轮机表面缺陷检测方法，其特征在于，步骤S1的详细实现步骤如下：S11，采用Labelimg图像标注工具，对表面具有缺损的风力涡轮机图片进行目标标注，将缺陷分为crack、dirt、void、erosion、rust、thunderstrike共六类检测标签；生成与各类缺陷一一对应的xml标签；S12，通过增加图像模糊、HSV增强、旋转、缩放、平移、剪切、透视、翻转对标注后的图片进行增强处理，将增强处理后的图片按8:1:1分为：训练集、验证集和测试集。3.根据权利要求1所述的风力涡轮机表面缺陷检测方法，其特征在于，步骤S2中，构建改进的YOLOv5s模型包括Input输入端、Backbone主干网络、Neck颈部网络和Head输出端，详细实现步骤如下：S21，设定模型的深度和宽度；在Backbone主干网络中，采用轻量化网络架构MobileNetv3中的Bottleneck层结构：第一层卷积块为CBH函数，第二层至第六层卷积块均为Bottleneck网络；S22，在Bottleneck网络引入SE注意力机制；在Neck颈部网络中，BiFPN中每一卷积层都添加ECA通道注意力机制；S23，采用BiFPN加权双向特征金字塔网络，对从Bottleneck层提取出的不同尺度特征图的通道数压缩后，对多尺度特征进行融合。4.根据权利要求3所述的风力涡轮机表面缺陷检测方法，其特征在于，Bottleneck网络...

【专利技术属性】
技术研发人员：杨宇龙，张银胜，蓝天鹤，吉茹，徐文校，吕宗奎，付相为，
申请(专利权)人：无锡学院，
类型：发明
国别省市：