[发明专利]一种基于航拍图像的风电叶片故障检测方法

权利要求书

1.一种基于航拍图像的风电叶片故障检测方法，其特征在于：包括以下步骤：

A、风电叶片航片图像增强；

B、构建风电叶片三维可视化模型；

C、风电叶片图像缺陷检测；

D、风电叶片图像缺陷区域分类。

2.根据权利要求1所述的一种风电叶片故障检测方法，其特征在于：所述步骤A风电叶片航拍图像增强的方法如下：

a、输入待增强的风电叶片图像，若所述风电叶片图像为非灰度图像，则将所述风电叶片图像转换为灰度图像；

b、计算所述灰度图像的梯度值、局部信息熵值和对比度，将所述灰度图像进行融合，计算融合后的所述灰度图像局部信息值；

c、计算所述灰度图像的各个像素点阶次；

d、用自适应函数与Tiansi算子中的掩模模板组合，构成微分阶次自适应掩模算子，进而生成分数阶微分模板；

e、使用我们得到的所述分数阶微分模板与所述风电叶片图像进行卷积操作，得到增强的风电叶片图像。

3.根据权利要求1所述的一种风电叶片故障检测方法，其特征在于：所述步骤B构建风电叶片三维可视化模型的方法如下：

a、将经过图像增强的风电叶片连续图像序列以及无人机搭载的相机内参数和校正参数输入SLAM子系统，SLAM子系统进行局部和全局优化，计算所述相机的位姿，生成关键帧并将所述关键帧存在KeyFrame缓冲池中；

b、所述KeyFrame缓冲池为深度估计模块在对照当前图像帧的情况下提供参考关键帧；

c、深度估计模块从序列中提取待估计帧，依次进行基于局部的深度恢复、随机初始化、空间传播和后处理，完成整体的深度恢复；

d、使用3D三维数据处理开源库，构建一个稠密点云融合模块，使用Surfel面元来表示每个三维点；依据详细位姿将当前深度图结合原始图像颜色信息通过反射投影获得点云，再转换至全局坐标系下，与全局模型进行融合生成优化的三维模型；

e、将风电叶片三维模型进行显示。

4.根据权利要求1所述的一种风电叶片故障检测方法，其特征在于：所述步骤C风电叶片图像缺陷检测的方法如下：

a、通过主成分分析法对所述步骤A中增强的风电叶片图像的全局纹理信息进行重构，与不含缺陷信息的风电叶片图像进行缺陷信息的对比；

b、采用差分发法将原有的含缺陷的图像与重构的图像相减得到其主成分的残差信息并进行逆变换；

c、采用统计过程的二值化方法以及形态学的腐蚀与膨胀方法来检测缺陷。

5.根据权利要求1所述的一种风电叶片故障检测方法，其特征在于：所述步骤D风电叶片图像缺陷区域分类的方法如下：

a、构建深度学习网络模型：采用ImageNet训练的AlexNet网络模型来解决风电叶片缺陷等级的分类，根据步骤C处理的有缺陷图像组成数据集，用所述数据集训练AlexNet网络的权重参数，保持前三个卷积层（底层）权重参数不变，微调随后的5层，最后一层替换为可以输出6个类别预测的分类层softmax分类器；

b、对待分类的风电叶片图像数据进行重构；

c、将进行重构的图像数据，按行输入到我们构建的深度学习网络模型中，对缺陷的叶片图像完成剥落、裂纹、沙眼等类别的分类；利用深度网络分级模型，根据缺陷损坏程度划分为不同的缺陷等级。