[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

说明书

本发明涉及深度学习在计算机视觉技术领域的应用，具体涉及一种基于双光谱图像的风机叶片缺陷智能检测方法,本发明利用图像分割技术实现对桨叶区域的分割，实现背景的去除，提高识别的效率与准确率，通过图像处理技术将红外图像与可见光图像进行融合，再利用深度学习技术对大量的风机桨叶图像进行缺陷识别。基于大量叶片损伤缺陷数据的积累，通过大数据技术，挖掘大量叶片损伤数据中各类损伤缺陷的发展规律，构建数学模型，最终结合机器自动学习技术实现叶片缺陷及健康状态的预测和评估，融合图像处理技术及双光源成像技术，有效地提高图像信息的利用率、明显突出图像特征信息。

技术领域

本发明涉及深度学习在计算机视觉技术领域的应用，具体涉及一种基于双光谱图像的风机叶片缺陷智能检测方法。

背景技术

随着化石能源弊端的显现，风力和太阳能发电成为了我国重点发展的可再生能源。近些年来，随着国家对风电政策支持力度加大，设备及安装成本降低以及配套产业日渐成熟，风电项目大量投运，风电产业获得了长足的发展。目前我国已经成为世界上最大的风电产业大国，随着大量的风电机组的出保，风电运维管理问题也日益受到业内人士广泛关注。由于风电场运行环境较复杂,风机叶片全天候在高空运行，环境恶劣，长期接受风沙、污染、雷击、盐雾、台风等因素的影响，风力发电机组叶片容易出现缺陷并逐步扩展，如未能及时发现或忽视小问题，极易造成叶片甚至主机严重事故，急剧增加企业运营成本。

叶片是风机发电机组获得动力的核心部件，其长时间运行在恶劣的环境中，风机叶片极易出现雷击、裂纹、风化、浮冰、鼓包等缺陷。由于运行过程叶片的线速度大，惯性大，微小的缺陷受到力的作用，恶化的速度快。如果在缺陷发生初期及时的发现缺陷并对其修补，可延长叶片的寿命，从而提高经济效益。当缺陷发展到一定程度难以修复，甚至叶片在运行过程中因缺陷严重造成叶片直接毁坏造成机组事故。因此对风机叶片进行缺陷检测具有重要意义。

传统的风机叶片缺陷检测为人工巡检，后续逐步发展出了地面设备巡检和无人机巡检的巡检方式。人工巡检是检修人员通过吊索、辅助支撑台架或望远镜，接近到叶片或借助望远镜用肉眼识别叶片上的缺陷的检测的方式，此方式周期长、风险大、受制于环境影响因素多。地面设备巡检指地面架设检测设备或使用遥控检测设备，对风机各部位进行检测。受观测角度、环境因素的制约也比较大。无人机的巡检方式为由无人机搭载高清可见光图像采集设备对叶片表面的图像进行采集，同时将采集的图像实时传输到地面端，可以在三个维度任意方向，随意控制检测设备与被检测风机部件之间的距离和角度，从而提高检测效率，且受环境影响因素较小。地面工作人员通过图像对叶片进行人工检测，从而发现叶片是否有缺陷。整个过程需要高度专业的人员对大量图像反复查验，随着人员的疲劳会导致对图像的检测效率降低、漏检率随之增加，且无人机采集图像的效率较高，单靠人眼检测无法满足对图像检测的需求。此外，可见光图像只能检测风机叶片表面的缺陷，对风机叶片内部的缺陷无能为力，且可见光图像采集过程中易受到太阳光的影响。从而衍生出基于双光谱(可见光+红外光) 图像的风机叶片缺陷智能检测平台自动对无人机拍摄的风机叶片图像进行自动分析，减少人员的负荷，提高工作效率。

随着无人机技术、人工智能及无损检测技术的发展，深度学习技术在图像数据挖掘方面的应用越来越成熟。利用图像分割技术实现对桨叶区域的分割，实现背景的去除，提高识别的效率与准确率，通过图像处理技术将红外图像与可见光图像进行融合，再利用深度学习技术对大量的风机桨叶图像进行缺陷识别。基于大量叶片损伤缺陷数据的积累，通过大数据技术，挖掘大量叶片损伤数据中各类损伤缺陷的发展规律，构建数学模型，最终结合机器自动学习技术实现叶片缺陷及健康状态的预测和评估。将会为整个风电运维行业的健康发展，提供有力的技术保障。

发明内容

针对现有技术的不足，本发明公开了一种基于双光谱图像的风机叶片缺陷智能检测方法，本发明基于大量叶片损伤缺陷数据的积累，通过大数据技术，挖掘大量叶片损伤数据中各类损伤缺陷的发展规律，构建数学模型，最终结合机器自动学习技术实现叶片缺陷及健康状态的预测和评估。

本发明通过以下技术方案予以实现：