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
‑
RCNN网络检测时间通常较长，不适用于实时目标检测。Qiu等人结合YOLO与CNN模型，将逆卷积神经网络应用于特征金字塔的高级特征，利用CNN的中间层丰富小目标的特征表达，将提取的多尺度卷积特征在分类模型中训练。综上算法难以对目标特征进行有效的提取，网络模型对多尺度目标特征融合能力尚有不足，目标检测的精度有待提高。

技术实现思路

[0004]专利技术目的：本专利技术的目的是提供一种能够准确获取风力涡轮机表面初期缺损图像，避免缺损面积增加，提高风力发电的效率的风力涡轮机表面缺陷检测方法。
[0005]技术方案：本专利技术的风力涡轮机表面缺陷检测方法，包括以下步骤：
[0006]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；
[0007]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；
[0008]S3，采用αIoU损失函数进行bbox回归；
[0009]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。
[0010]进一步，步骤S1的详细实现步骤如下：
[0011]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；
[0012]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。
[0013]进一步，步骤S2中，构建改进的YOLOv5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：
[0014]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；
[0015]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；
[0016]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。
[0017]进一步，Bottleneck网络主干部分的第一层Bottleneck通过DW卷积提取特征，引入h
‑
swish激活函数与SENet注意力机制结合，再使用1
×
1卷积层实现降维；
[0018]第二层至第五层Bottleneck先使用1
×
1卷积实现升维，再通过DW卷积提取特征，再引入SE注意力机制并与h
‑
swish激活函数结合，最后使用1
×
1卷积层实现降维。
[0019]进一步，步骤S3中，CIoU Loss作为损失函数，表达式如下：
[0020][0021][0022][0023][0024]其中P为B和B
gt
之间的欧式距离，c为B和B
gt
之间最小外接长方形对角线的长度，v为B和B
gt
之间长宽比的相似性；w
gt
、h
gt
表示真实检测框的宽和高，w和h表示预测检测框的宽和高；β是一种权重系数α为power IoU Loss；A代表真实框，B代表预测框。
[0025]进一步，步骤S4中，将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的具体实现步骤如下：
[0026]S41，将数据集的80％作为训练集和10％作为验证集输入到改进的YOLOv5s模型中，同时设定训练参数Batch
‑
size、Learning
‑
rate、Epochs，使用YOLOv5权重文件进行训练，获得最佳参数模型；
[0027]S42，将数据集的10％作为测试集输入到步骤S41得到的参数模型中进行测试，输出预测效果图；
[0028]S43，将步骤S42中的测试效果图与标签图进行比较，得到改进的YOLOv5s比较输出结果。
[0029]本专利技术与现有技术相比，其显著效果如下：
[0030]1、本专利技术通过在现有YOLOv5s模型的基础上融入轻量化网络结构替代了原有的骨干网络，添加高效通道注意力机制、添加多尺度特征融合、改进原有损失函数的方法，能够准确地捕捉数据集中缺陷目标的特征信息，有效提高了YOLOv5s模型识别的准确率和召回率；与目前主流的检测模型YOLOv4和YOLOv5s相比,其精确率分别提高了5.19％和5.44％,检测时间分别降低了37.23FPS和12.27FPS；
[0031]2、本专利技术在主干特征提取网络引入改进的MobileNetv3网络，用于协调并平衡模型的轻量化和精确度关系；其次采用BiFPN式的融合方式，增强神经网络的多尺度适应能力，提高融合速度和效率；最后为轻量化的自适应调节特征权重，运用ECAnet通道注意力机制，进一步提高神经网络的特征提取能力；在损失函数方面，将边框回归的损失函数修改为αIoU Loss，进一步提升了bbox回归精度；有效防止缺损面积增大，减少了经济损失，具有一定的研究价值和应用前景。
附图说明
[0032]图1为专利技术的总流程图；
[0033]图2为本专利技术改进后的本文档来自技高网...

【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：