[发明专利]一种基于双光谱图像的风机叶片缺陷智能检测方法

权利要求书

1.一种基于双光谱图像的风机叶片缺陷智能检测方法，其特征在于，所述方法包括以下步骤：

S1标注风机叶片可见光图像叶片区域，并以此构建深度学习图像分割网络模型；

S2对待检测的风机叶片可见光图像进行分割，实现桨叶区域的分割；

S3处理红外温度数据，合成对比性高的温度数据伪彩色图像；

S4利用可见光图像与红外图像的对应关系对红外图像分割；

S5将分割后的可见光图像与红外图像均随机划分为测试集和训练集；

S6利用已标注的风机叶片缺陷图像训练集对可见光图像与红外图像分别通过CNN网络进行特征提取；

S7通过融合关系对红外图像和可见光图像进行特征融合；

S8构建深度学习缺陷识别网络模型；

S9将S7中特征融合后的图像输入S8的缺陷识别网络模型，提取缺陷区域，并进一步输入深度学习回归网络模型，统计风机叶片的故障面积和类型。

2.根据权利要求1所述的基于双光谱图像的风机叶片缺陷智能检测方法，其特征在于，所述S1中，利用已标注的风机叶片可见光图像叶片区域构建深度学习图像分割网络模型的步骤如下：

S1a对可见光图像数据库通过标注工具对标注文件进行解析，提取叶片边缘信息转化为可供网络训练的单通道mask图，生成标注文件；

S1b构建数据增广方法，其将可见光原图进行亮度、旋转、噪声、裁剪等操作进行数据增广，通过同样的变换关系对mask图进行亮度、旋转、噪声、裁剪等操作进行变换实现对样本图像进行增广；

S1c确定分割网络包含的卷积层与池化层的个数，得到分割图像的mask图，构建用于风机叶片分割的图像分割网络；

S1d将增广后的图像样本送入到训练风机叶片分割模型中进行训练；对得到的模型进行测试及评价，优化后得到最优模型。

3.根据权利要求1所述的基于双光谱图像的风机叶片缺陷智能检测方法，其特征在于，所述S3中，对红外温度数据进行处理，合成对比性高的温度数据伪彩色图像的处理步骤为：

S3a对温度数据进行统计，得出最大温度值和最低温度值；

S3b对温度进行分区，根据三原色原理，把颜色分为四个区间，分别为：

蓝色到青色的温度范围为

青色到绿色的温度范围为

绿色到黄色的温度范围为

黄色到红色的温度范围为

其中：

S3c对每一个像素的温度值进行处理，对处于不同区间内的温度进行不同的处理，公式如下：

式中r表示图像的红色波段的值，g表示绿色波段的值，b表示蓝色波段的值；

T′(V_current)公式如下，该公式中，V_min表示当前区间的最小值，V_max表示当前区间的最大值；

S3d将S3c中计算得出的红绿蓝三个波段的值进行彩色图像合成，

生成可对比性高的温度数据伪彩色图像；

4.根据权利要求1所述的基于双光谱图像的风机叶片缺陷智能检测方法，其特征在于，所述S4中，依据可见光图像与红外图像的对应关系实现红外图像的分割的步骤分为：

S4a通过标准的红外图像与可见光图像解析红外图像与可见光图像的对应关系，可将光成像平面与红外成像平面图像的对应特征点的像素满足单应性关系：p₁＝Hp₂其中p₁为红外图像上的一点，p₂为可见光图像上的对应点；

S4b将可见光数据库与红外图像数据库进行匹配，并对红外图像进行滤波增强；

S4c通过对应的单应性关系对可见光分割mask图进行转换为红外图像分割mask图；

S4d通过红外图像分割mask图对红外图像进行分割。