本发明专利技术公开了一种风电叶片缺陷检测方法，构建用于缺陷类型检测的SN‑CA‑SSD模型，将原有的SSD模型中的主干网络替换为shufflenetv2特征提取网络；所述shufflenetv2特征提取网络中嵌入多个注意力机制模块，利用EIOU损失函数代替SSD中原有的定位损失；将获取的特征图的通道维度和定位信息作为加权模块，输入到训练好的SN‑CA‑SSD模型中对待检测的风电叶片图像数据进行预测，输出边界框的预测值和类别信息；根据真实框的形状、尺寸信息，通过引入的EIOU损失函数，计算真实框与检测框之间的交并比；根据交并比，调整定位信息的权重，输出缺陷的位置信息。该方法可以自适应地调整通道的重要性，增强了特征的表达能力，进一步提升了检测小目标缺陷时的准确性。
1、随着工业和经济的快速发展，能源消耗日益增加，环境污染也越来越严重。对清洁、可持续能源进行研究和探索势在必行。风力发电目前是重点研究和发展的可再生能源技术。风电叶片是风力涡轮机非常重要的部件，往往工作于恶劣的高温、高速、强腐蚀环境中，容易发生疲劳损伤甚至发生断裂，从而引发各种事故。因此，研究准确度高、效率高、和易于实现的新型叶片缺陷检测算法具有重要的理论意义和广泛的应用前景。
2、目前，现有的叶片缺陷的无损检测技术主要有传统的检测方法和深度学习检测方法。针对风电叶片的缺陷检测，传统的检测方法主要依赖于检测人员的主观分析，实现起来较为简单但检测效率很低；深度学习运用自身网络架构提取缺陷图像信息，进行自学习特征信息而无需人工设计特征提取，并且运用自身内部的分类器进行缺陷种类的划分，具有极大的普适性和鲁棒性。目前，虽然基于深度学习的风电叶片缺陷检测方法提高了风电叶片缺陷识别和分类的准确性，但无法兼顾识别效率和准确率、以及对小目标的识别效果，进而对风力涡轮机的整体性能有所影响。
1、针对上述领域中存在的问题，本专利技术提出一种风电叶片缺陷检测方法，解决了无法兼顾识别效率和准确率、以及对小目标的识别效果的技术问题，在保持高效性和高精度之间达到了一种平衡，并且提升了检测小目标缺陷的准确性，为提升风力涡轮机的整体性能提供技术保障。
>2、为解决上述技术问题，本专利技术公开了一种风电叶片缺陷检测方法，包括以下步骤：3、获取待检测的风电叶片图像数据；
4、构建用于缺陷类型检测的sn-ca-ssd模型；所述sn-ca-ssd模型为：将原有的ssd模型中的主干网络替换为shufflenetv2特征提取网络；所述shufflenetv2特征提取网络中嵌入多个注意力机制模块，利用eiou损失函数代替ssd中原有的定位损失；
5、通过shufflenetv2特征提取网络对待检测的风电叶片图像数据进行特征提取，生成检测框和缺陷类别的特征图；
6、通过多个注意力机制模块对生成的特征图进行加权处理，学习通道之间的相互关系，获取sn-ca-ssd模型中每个注意力机制模块的特征图的通道维度和定位信息；
7、将获取的特征图的通道维度和定位信息作为加权模块，输入到训练好的sn-ca-ssd模型中对待检测的风电叶片图像数据进行预测，输出边界框的预测值和类别信息；
8、根据真实框的形状、尺寸信息，通过引入的eiou损失函数，计算真实框与检测框之间的交并比；根据交并比，调整定位信息的权重，输出缺陷的位置信息。
9、优选地，所述获取待检测的风电叶片图像数据为用于风力发电领域的图像公共数据集，该数据集由数千张风电叶片的图像组成，每个图像代表一个叶片样本，这些图像涵盖了不同类型的缺陷，包括孔洞，断裂，生锈，掉皮，缺块，灼烧，数据集还包括正常叶片的图像。
10、优选地，所述将原有的ssd模型中的主干网络替换为shufflenetv2特征提取网络包括使用shufflenetv2替换vgg-16中的卷积层，具体的替换方式为：
11、vgg16的前两个卷积层，即conv1_1和conv1_2，用shufflenetv2中的第一阶段代替，包含3个shufflenet单元，每个shufflenet单元包含1×1卷积、3×3的深度分离卷积dwconv和1×1卷积；
12、vgg16的中间的4个卷积层，即conv2_1、conv2_2、conv3_1和conv3_2，这些层是vgg16中的主要特征提取网络，用shufflenetv2中的第二阶段代替，包含7个shufflenet单元；
13、vgg16的最后的3个卷积层，即conv4_1、conv4_2和conv4_3，被shufflenetv2中的第三阶段代替，包含3个shufflenet单元；
14、vgg16中的池化层被舍弃，用shufflenetv2中采用步长为2的卷积层代替池化层。
15、优选地，所述shufflenetv2特征提取网络中嵌入多个注意力机制模块，具体嵌入的五个注意力机制模块，分别在主干网络的输出以及extral feature layers的四个模块的输出部分。
16、优选地，所述生成检测框和缺陷类别的特征图包括每个单元设置不同尺寸和不同长宽比的先验框，预测生成的检测框是基于这些先验框，以获得其对应的坐标偏移值和属于不同类别的分值；按照不同尺寸的特征图所对应的单元数，设置不同数量的先验框。
17、优选地，所述获取sn-ca-ssd模型中每个注意力机制模块的特征图的通道维度和定位信息包括以下步骤：
18、将注意力机制分为两个部分，坐标信息嵌入和坐标注意力生成；
19、池化层沿水平和垂直两个方向的坐标对输入图像x进行通道编码，得到对两个坐标方向感知的特征图；在高为h的第c个通道的输出为：
20、
21、宽为w的第c个通道的输出为：
22、
23、坐标信息嵌入模块是全局池化，将全局空间信息压缩到通道描述符号中，沿一个空间方向捕捉空间路径的依赖关系，沿另一个空间方向保留位置信息；
24、注意力机制对水平维度的输出进行转置，将两个特征映射后进行级联，经过1×1的卷积函数，得到中间特征映射后使用batch norm和非线性对垂直和水平方向的空间信息进行编码；
25、沿着空间维度将特征分割成两个独立的张量，其中，水平维度的输出维度被转置。
26、优选地，所述中间特征为f，表示为：
27、f＝δ(f1([zh,zω]))
28、其中，[.,.]表示沿空间维度的连接操作，f1为1×1卷积变换函数，δ为非线性激活函数；
29、沿着空间维度将f∈rc/r×(h+w)分解为两个独立的张量fw∈rc/r×w，fh∈rc/r×h，其中，r是用于控制区块大小的缩减比；
30、分别在水平坐标和垂直坐标上对两个张量进行卷积，并使用sigmoid激活函数得到两个注意权重gw和gh分别表示为：
31、gh＝σ(fh(fh))
32、gw＝σ(fw(fw))
33、其中，σ是sigmoid激活函数，fw和fh是另外两个1×1卷积变换函数，输出gw和gh展开作为注意权重；
34、得到坐标注意块的输出y为：
35、
36、在经过ca注意力机制模块后，输出特征图为：
37、
38、其中，q表示模型的第几阶段。
39、输出特征图经过coordinate attention注意力模块进行加权处理后，分别传递给下一个阶段的卷积层和模型的检测模块部分，进行进一步的特征本文档来自技高网...
【技术保护点】
1.一种风电叶片缺陷检测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种风电叶片缺陷检测方法，其特征在于，所述获取待检测的风电叶片图像数据为用于风力发电领域的图像公共数据集，该数据集包括数千张风电叶片的图像，每个图像代表一个叶片样本，这些图像涵盖了不同类型的缺陷，包括孔洞，断裂，生锈，掉皮，缺块，灼烧，数据集还包括正常叶片的图像。
3.根据权利要求2所述的一种风电叶片缺陷检测方法，其特征在于，所述将原有的SSD模型中的主干网络替换为shufflenetv2特征提取网络包括使用shuffleNetv2替换VGG-16中的卷积层，具体的替换方式为：
4.根据权利要求3所述的一种风电叶片缺陷检测方法，其特征在于，所述shufflenetv2特征提取网络中嵌入多个注意力机制模块，具体嵌入的五个注意力机制模块，分别在主干网络的输出以及Extral Feature Layers的四个模块的输出部分。
5.根据权利要求4所述的一种风电叶片缺陷检测方法，其特征在于，所述生成检测框和缺陷类别的特征图包括每个单元设置不同尺寸和不同长宽比的先验框，预测生成的检测框是基于这些先验框，以获得其对应的坐标偏移值和属于不同类别的分值；按照不同尺寸的特征图所对应的单元数，设置不同数量的先验框。
6.根据权利要求5所述的一种风电叶片缺陷检测方法，其特征在于，所述获取SN-CA-SSD模型中每个注意力机制模块的特征图的通道维度和定位信息包括以下步骤：
7.根据权利要求6所述的一种风电叶片缺陷检测方法，其特征在于，所述中间特征为f，表示为：
8.根据权利要求7所述的一种风电叶片缺陷检测方法，通过一系列的卷积和注意力机制输出得到的最终特征图Foutput，在预测模块生成一系列先验框，这些先验框覆盖了不同尺度和长宽比的目标，最终预测结果与实际标签进行比较。
9.根据权利要求8所述的一种风电叶片缺陷检测方法，其特征在于，还包括通过计算对SN-CA-SSD模型的准确率进行对比，SN-CA-SSD模型的准确率计算包括精确度对比，包括以下步骤：
...
【技术特征摘要】
1.一种风电叶片缺陷检测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种风电叶片缺陷检测方法，其特征在于，所述获取待检测的风电叶片图像数据为用于风力发电领域的图像公共数据集，该数据集包括数千张风电叶片的图像，每个图像代表一个叶片样本，这些图像涵盖了不同类型的缺陷，包括孔洞，断裂，生锈，掉皮，缺块，灼烧，数据集还包括正常叶片的图像。
3.根据权利要求2所述的一种风电叶片缺陷检测方法，其特征在于，所述将原有的ssd模型中的主干网络替换为shufflenetv2特征提取网络包括使用shufflenetv2替换vgg-16中的卷积层，具体的替换方式为：
4.根据权利要求3所述的一种风电叶片缺陷检测方法，其特征在于，所述shufflenetv2特征提取网络中嵌入多个注意力机制模块，具体嵌入的五个注意力机制模块，分别在主干网络的输出以及extral feature layers的四个模块的输出部分。
5.根据权利要求4所述的一种风电叶片缺陷检测方法，其特征...
【专利技术属性】
技术研发人员：赵慧敏，高永顺，李伟含，邓武，
申请(专利权)人：中国民航大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。