[发明专利]一种风力发电机叶片缺陷分类方法及其分类系统

说明书

本发明公开了一种风力发电机叶片缺陷分类方法及其分类系统，分类方法包括以下步骤：利用在风力发电机叶片图像样本数据集上进行过训练的ResNet提取叶片的缺陷特征；利用ResNet提取的所述叶片的缺陷特征来获得频繁程度高的叶片缺陷类别信息；将提取的频繁程度高的叶片缺陷类别信息用于决策树的构建，重复迭代直至收敛后得到缺陷分类模型，并利用基于高频取样CatBoost方法对其缺陷特征进行分类；该方法能够对叶片缺陷进行准确的检测及分类，有利于风力发电的发展。

技术领域

本发明涉及计算机视觉技术领域，尤其涉及一种风力发电机叶片缺陷分类方法及其分类系统。

背景技术

风力发电机的叶片是捕获风能的关键部件，其在工作过程中，由于环境恶劣、工况复杂等因素，叶片表面可能会产生斑点(Spot)、擦痕(Scratch)、砂眼(Blister)、裂纹(Crack)、剥皮(Peeling)、开裂(Cracking)、蒙皮(Skinning)、结冰(Icing)和油污(GreasyDirt)等多种常见缺陷,其缺陷会严重影响风力发电的效率与安全。由于近几年风力发电机已渐出质保期，所以其叶片缺陷频发。长期以来叶片的缺陷检测依赖人工完成，由于检测的精度、速度和安全性等方面的限制，检测存在效率低下、结果不可靠和成本高等问题，因此检测手段急需改善。在此背景下，基于计算机视觉的缺陷检测技术就显得尤为重要，尤其是近年来，基于深度卷积神经网络提取缺陷特征被证明有效，然而，提取之后的缺陷特征仍具有较大的维度和冗余度，且当前分类器对于此类数据的性能较差，以至于不能快速有效的进行缺陷的分类，仍需人工进行下一步的指认缺陷类别。

发明内容

本发明提供了一种风力发电机叶片缺陷分类方法，以解决现有技术中难以对风力发电机叶片缺陷进行快速有效分类的问题。

一种风力发电机叶片缺陷分类方法，包括以下步骤：

S101，利用在风力发电机叶片图像样本数据集上进行过训练的ResNet(残差网络)提取叶片的缺陷特征；

S102，利用ResNet提取的所述叶片的缺陷特征来获得频繁程度高的叶片缺陷类别信息；

S103，将提取的频繁程度高的叶片缺陷类别信息用于决策树的构建，重复迭代直至收敛得到缺陷分类模型，并利用基于高频取样CatBoost方法对缺陷特征进行分类。

一种风力发电机叶片缺陷分类系统，其特征在于，包括：叶片缺陷提取模块，叶片缺陷提取模块利用在风力发电机叶片图像样本数据集上进行过训练的ResNet(残差网络)提取叶片的缺陷特征；叶片缺陷类别信息获取模块，叶片缺陷类别信息获取模块利用ResNet提取的所述叶片的缺陷特征来获得频繁程度高的叶片缺陷类别信息；模型生成模块，模型生成模块将提取的频繁程度高的叶片缺陷类别信息用于决策树的构建，重复迭代直至收敛得到缺陷分类模型；分类模块，分类模块则利用该缺陷分类模型，并基于高频取样CatBoost方法对其缺陷特征进行分类。

与现有技术相比，本发明具有以下优点：

本发明公开了一种风力发电机叶片缺陷分类方法及其分类系统，方法包括：利用在风力发电机叶片图像样本数据集上进行过训练的ResNet提取叶片的缺陷特征；利用ResNet提取的所述叶片的缺陷特征来获得频繁程度高的叶片缺陷类别信息；将提取的频繁程度高的叶片缺陷类别信息用于决策树的构建，重复迭代直至收敛得到缺陷分类模型，并利用基于高频取样CatBoost方法对其缺陷特征进行分类；该方法能够对叶片缺陷进行准确的检测及分类，有利于风力发电的发展。

附图说明

通过结合下面附图对其实施例进行描述，本发明的上述特征和技术优点将会变得更加清楚和容易理解。

图1为本发明实施例所提出的风力发电机叶片缺陷分类方法的流程示意图；

图2为本发明实施例所提出的风力发电机叶片缺陷分类方法训练与测试阶段算法框架流程图；