[发明专利]基于卷积神经网络的风力涡轮机叶片缺陷检查

权利要求书

1.一种用于对风力涡轮机的叶片缺陷进行计算机实现的确定的方法，包括以下步骤：

Si）通过接口（IF）来接收风力涡轮机的图像（OI），所述图像（OI）包含风力涡轮机的一个或多个叶片的至少一部分，所述图像（OI）在高度和宽度上具有给定原始像素数量（h,w）；

S2a）由处理单元（PU）分析所述图像（OI）以确定所述图像中的叶片的轮廓；

S2b）由处理单元从仅包含叶片的图像信息的所分析的图像（OI）中创建经修改的图像（AI）；以及

S3）由处理单元（PU）分析经修改的图像（AI），以确定叶片的叶片缺陷（BD）和/或叶片缺陷类型（BDT）。

2.根据权利要求1所述的方法，其中使用卷积神经网络（CNN）来执行步骤S2a）和S2b）和/或S3），所述卷积神经网络（CNN）是利用风力涡轮机的手动注释的图像的训练数据来训练的。

3.根据权利要求2所述的方法，其中所述CNN实施用于全局图像分割的全局模型（GM）、以及用于对来自全局模型（GM）的分割进行局部化完善的局部模型（LM）。

4.根据权利要求3所述的方法，其中在全局模型（GM）和局部模型（LM）中，将多个预定义对象类别（OCi）指派给带注释的图像（ARI，UAI）中的像素或像素块，其中所述多个对象类别（OCi）涉及对于确定待评估的叶片的轮廓所必需或不必需的相关和不相关的图像信息。

5.根据权利要求3或4所述的方法，其中在全局模型（GM）中，在进行到步骤S2a）之前，将接收到的图像（OI）调整尺寸为经调整尺寸的图像（RI），经调整尺寸的图像（RI）在高度和宽度上具有比经调整尺寸的图像（OI）更小的第二像素数量（rh,rw）。

6.根据权利要求3至5中的一项所述的方法，其中作为要在步骤S2b）中处理的全局模型（GM）的输出，利用预定义对象类别来注释经调整尺寸的图像（RI），并且将其上扩到原始像素数量（h,w）。

7.根据权利要求3至6中的一项所述的方法，其中在局部模型（LM）中，利用预定义对象类别（OCi）来注释接收到的图像（OI）、以及被上扩且带注释的经调整尺寸的图像（UARI），其中该处理的结果构成经修改的图像（AI）。

8.根据前述权利要求中的一项所述的方法，其中在步骤S3）中，执行另一个神经网络，所述另一个神经网络是利用经修改的图像（AI）的手动注释的片块的训练数据来训练的。

9.根据前述权利要求中的一项所述的方法，其中在步骤S3）中，在利用预定义的缺陷类别进行注释之前，将经修改的图像（AI）调整尺寸为经调整尺寸的经修改的图像，所述经调整尺寸的经修改的图像在高度和宽度上具有比经修改的图像更小的第二像素数量（rh,rw）。

10.根据权利要求8或9所述的方法，其中作为输出，将经调整尺寸且带注释的经修改的图像上扩到原始像素数量（h,w）。

11.一种可直接加载到数字计算机的内部存储器中的计算机程序产品，包括当所述产品在计算机上运行时用于执行前述权利要求中的一项的步骤的软件代码部分。

12.一种用于对风力涡轮机的叶片缺陷进行计算机实现的确定的系统，包括：

- 接口（IF），用于接收风力涡轮机的图像（OI），所述图像（OI）包含风力涡轮机的一个或多个叶片的至少一部分，所述图像在高度和宽度上具有给定的原始像素数量（h,w）；

- 处理单元（PU），其被适配成：

= 分析所述图像（OI）以确定所述图像（OI）中的叶片的轮廓；

= 从仅包含叶片的图像信息的所分析的图像（OI）中创建经修改的图像（AI）；以及

= 分析经修改的图像（AI）以确定叶片的叶片缺陷（BD）和/或叶片缺陷类型（BDT）。