[发明专利]基于卷积神经网络的风力涡轮机叶片缺陷检查

说明书

一种用于确定叶片缺陷的计算机实现的方法由计算系统（CS）来自动执行。在步骤S1）中，通过计算机系统（CS）的接口（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。所述图像在高度和宽度上具有给定的原始像素数量。步骤S2）基本上由两个连续的步骤S2a）和S2b）组成，这两个步骤由计算机系统（CS）的处理单元（PU）来执行。在步骤S2a）中，分析所述图像（IO）以确定所述图像中的叶片的轮廓。在步骤S2b）中，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）。最后，步骤S3）由如下操作组成：由处理单元（PU）来分析经修改的图像（AI），以确定叶片的叶片缺陷（BD）和/或叶片缺陷类型（BDT）。作为结果，由处理单元（PU）来输出叶片缺陷（BD）和/或叶片缺陷类型（BDT）。

技术领域

本发明涉及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和系统以及计算机程序产品。特别地，本发明涉及对风力涡轮机的叶片的视觉检查。

背景技术

在使用的时段内，会发生对风力涡轮机的转子叶片（简称：叶片）的损坏，诸如腐蚀。为了找到这种叶片缺陷，例如由无人机来拍摄大量高分辨率图像。到目前为止，已经由注释者来手动地完成这些图像中的叶片缺陷分类和定位，该注释者逐个地在视觉上分析这些图像。注释者标识并且标记图像中的缺陷的位置。这样收集的信息被存储在数据库中。

手动检查多个图像的主要缺点是检测准确度有时较差。另外，视觉检查所需的时间非常长。这可能花费多达一小时来评估图像。作为结果，这种分析不具有成本效益。

因此，需要一种更简单的方法来确定风力涡轮机的叶片缺陷。

因此，本发明的目的是提供一种允许可靠且容易地确定风力涡轮机的叶片缺陷的方法。本发明的另一个目的是提供一种允许可靠且容易地确定风力涡轮机的叶片缺陷的系统。

这些目的通过根据权利要求1的特征的方法、根据权利要求11的计算机程序产品以及根据权利要求12的系统来解决。从属权利要求中阐述了优选实施例。

发明内容

根据本发明，提出了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。该方法包括以下步骤：S1）通过接口来接收风力涡轮机的图像，该图像包含风力涡轮机的一个或多个叶片的至少一部分，该图像在高度和宽度上具有给定的原始像素数量；S2a）由处理单元来分析该图像以确定该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中创建经修改的图像；以及S3）由处理单元分析经修改的图像以确定叶片的叶片缺陷和/或叶片缺陷类型。

本发明基于如下考虑：即通过应用深度学习模型，使得能够实现对风力涡轮机的叶片缺陷进行计算机实现的并且因此是自动化的确定。因此，叶片检查花费更少的时间，并且更加具有成本效益。另外，它不需要熟练的图像注释者。

该方法使用经训练的深度学习模型，该模型可以在大量图像数据上自动运行。随着深度学习模型的进一步开发，可以实质上降低注释的成本，并且增加图像注释的质量。

所描述的方法的主要优点在于：可以在像素级别上进行叶片缺陷确定，这提供了高准确度。

该方法基本上由如下两个步骤组成：检测图像中的叶片的轮廓；以及创建经修改的图像，该经修改的图像去除了除叶片之外的任何不相关的信息。换句话说，第一步骤的结果是经修改的图像，该经修改的图像随着该图像的背景信息被去除而具有简化/减少的信息。该经简化的图像（被称为经修改的图像）形成了用于在第二步骤中确定叶片缺陷的基础。该第二步骤允许收集关于缺陷的位置以及所标识的缺陷的类型（也被称为类别）的进一步信息。