[发明专利]一种基于航拍视觉的风电机组状态获取方法

说明书

本发明于计算机视觉和机器学习领域，涉及一种基于航拍视觉的风电机组状态获取方法，采用无人机航拍对处于风力发电厂中工作的风电机组进行图像采集，对风电机组图像进行目标对象增强以及降噪处理，将数据集制作成带有目标标签的数据集，基于改进的SSD网络模型进行本地化训练，然后对航拍视频进行识别定位跟踪检测，获得带标签的目标边界框，并截取边界框以内的图像内容，识别并拟合桨叶、立柱的边缘直线，通过检测桨叶与立柱重合时刻计算风电机组运行速度，使用帧差法以及关键参考点位置关系，判定风电机组相对无人机的6种位置关系。本发明提供的方法可以基于航拍视频自动识别风电机组的缺损情况、转速信息、朝向信息等运行状态。

技术领域

本发明属于计算机视觉和机器学习领域，具体涉及一种基于航拍视觉的风电机组状态获取方法。

背景技术

风力发电是国家获取清洁能源的一个重要途径。风电发电机组运行过程中，对风电机组进行常规性检测能够解决风电机组寿命周期内存在的运行隐患,保证风电场的长期稳定效益。传统的人工检测方法，存在高空作业危险系数高、工作效率低、停机检测影响发电效率等缺点。随着无人机技术发展显著，稳定的飞行控制以及搭载视觉传感器，在应对室外复杂背景环境，目标空间占比大以及背景融合度高等问题具有一定的技术优势。因此，如何基于无人机航拍视觉获取风电机组运行状况，实现对风电机组的日常巡检，成为亟需解决的技术问题。

发明内容

有鉴于此，本发明的目的在于提供一种基于航拍视觉的风电机组姿态获取方法，可以基于航拍视频自动识别风电机组的缺损情况、转速信息、朝向信息等运行状态。

本发明提供了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°，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。

优选的，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。

优选的，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：