[发明专利]一种基于航拍视觉的风电机组状态获取方法

权利要求书

1.一种基于航拍视觉的风电机组状态获取方法，所述风电机组包括立柱和三个桨叶，所述桨叶的各个直边之间的夹角为120°，其特征在于，包括以下步骤：

S1.分别从无人机航拍视频和网络检索图片中获取完整的风电机组图像，构建风机机组图像数据集，在所述图像数据集中手动添加带标签目标边界框，得到训练数据集，其中，所述带标签目标边界框包括桨叶目标边界框和立柱目标边界框；

S2.修改SSD卷积神经网络全连接层右侧输出参数，将所述SSD卷积神经网络的分类减少为3个分类，然后用步骤S1得到的训练数据集进行训练；

S3.使用步骤S2训练完成的SSD卷积神经网络对于巡检航拍视频进行检测，获得具有带标签目标边界框的巡检航拍视频；

S4.根据步骤S3获得的具有带标签目标边界框的巡检航拍视频，根据形成连通域的带标签目标边界框是否包含桨叶目标边界框判断所述风电机组的缺损状况，若不包含桨叶目标边界框则判定风电机组存在重大机械部件损坏；

S5.在步骤S3获得具有带标签目标边界框的巡检航拍视频中，对形成连通域的带标签目标边界框内的图像使用canny边缘检测算法获得风电机组边缘的离散轮廓线，再使用霍夫变换将所述离散轮廓线拟合成直线；

S6.对步骤S5拟合得到的直线进行分析，确定立柱和与所述立柱匹配的桨叶，根据桨叶与立柱的位置关系推算风电机组转速；

S7.以用于航拍所述巡检航拍视频的无人机为参照对象，确定桨叶的位姿信息；

S8.输出所述风电机组的状态，所述状态包括缺损状况、桨叶转速以及桨叶位姿信息。

2.根据权利要求1所述的基于航拍视觉的风电机组状态获取方法，其特征在于，步骤S2中所述修改SSD卷积神经网络全连接层右侧输出参数，将所述SSD卷积神经网络的分类减少为3个分类具体为：

S21.将所述SSD卷积神经网络中各个全连接层的连接方式改为稀疏连接；

S22.将所述SSD卷积神经网络中的最后一个全连接层右侧输出参数由1000个减少到3个，并连接softmax分类层。

3.根据权利要求1所述的基于航拍视觉的风电机组状态获取方法，其特征在于，步骤S6中所述对步骤S5拟合得到的直线进行分析，确定立柱和与所述立柱匹配的桨叶具体为：

S61.对步骤S5拟合得到的直线进行分析，计算各个立柱目标边界框和各个桨叶目标边界框内各条直线的斜率；

S62.在各个立柱目标边界框内选择斜率最接近90°的一条直线视为立柱直线；

S63.根据步骤S61计算得到的各个桨叶目标边界框内各条直线的斜率，将各个所述桨叶目标边界框内的直线采用投票机制进行两两比较，根据投票结果确定桨叶直线；

其中，所述投票机制为：夹角为120°的两条直线都获得一个投票，最终取获得投票次数最多的三条直线视为桨叶直线。

4.根据权利要求1所述的基于航拍视觉的风电机组状态获取方法，其特征在于，步骤S6中所述根据桨叶与立柱的位置关系推算风电机组转速的计算公式为：

其中，v表示风电机组的转速；Δt表示所述桨叶直线与所述立柱直线连续两次重合的间隔时间。

5.根据权利要求1所述的基于航拍视觉的风电机组状态获取方法，其特征在于，所述步骤S7具体为：

S71.根据步骤S3获得的具有带标签目标边界框的巡检航拍视频，采用帧差法获取桨叶旋转方式，所述桨叶旋转方式为顺时针方式或逆时针方式；

S72.对桨叶直线进行角点检测，确定轮毂中心点和所述轮毂中心点的像素坐标，所述轮毂中心点为所述桨叶直线的交点；

S73.根据所述轮毂中心点的像素坐标在所述立柱直线上确定立柱对比点，所述立柱对比点的纵坐标的值与所述轮毂中心点纵坐标的值相同；

S74.根据所述桨叶旋转方式、无人机的位置和所述轮毂中心点与所述立柱对比点的相对位置关系，确定所述风电机组的位姿状态。

6.根据权利要求1所述的基于航拍视觉的风电机组状态获取方法，其特征在于，所述步骤S8还包括：根据所述桨叶的位姿信息判断所述桨叶平面是否处于可获取最大风能的方向。