[发明专利]一种基于风力机表面模糊图像的裂纹智能检测方法

说明书

本发明公开了一种基于风力机表面模糊图像的裂纹智能检测方法，该方法包括以下步骤：采用搭载视觉传感器的四旋翼对风力机叶片表面进行图像采集，将叶片模糊图像输入到生成网络中得到清晰重建图像，进行包括背景去除、灰度转换、中值滤波、阈值分割、区域标记以及特征提取在内的预处理，以图像区域特征参数作为神经网络输入，判断风力机叶片表面是否存在裂纹以及裂纹程度。本发明采用搭载视觉传感器的四旋翼对风力机表面进行检测，同时在图像处理过程中考虑云雾以及四旋翼晃动引起的图像模糊，进行风力机表面裂纹的智能检测。

技术领域

本发明涉及风力机叶片检测技术领域，特别是涉及一种基于风力机表面模糊图像的裂纹智能检测方法。

背景技术

随着世界能源危机的日益严峻，风能作为一种清洁的可再生能源越来越受到重视，风电技术在展现出优化资源配置、升级电力结构和改善环境的独特优势同时也面临一些挑战。作为风力发电机作为风能转化的主要部件，叶片的状态监测以及寿命预测对提高风力机安全性能和发电效能具有重要意义。风力发电机通常安装在无人值守的偏远地区，面对工作环境的恶劣性与工况的复杂多变性，叶片会出现不同程度的损伤，引起动力学特性的变化。为避免由裂纹损伤引发的经济损失和安全事故，研究风力发电机叶片的裂纹检测技术十分必要。

目前国内风力发电机叶片检测主要以人工方式为主，除了地面敲击辨音、高倍望远镜观测，还有通过升降机运送检测人员到叶片位置近距离目视检测，这些方法易受人为因素影响，存在灵活性差、盲区大、检测效率低下、检测精度不高的缺陷。通常为了保证检测人员的安全，风力发电机须以停机为代价，对风电厂来说存在人工、财物和时间的损失。此外，还有以应变、声发射传感器为核心的侵入式检测技术，通过将传感器预嵌入叶片结构中，检测叶片的工作状态和损伤情况。侵入式检测的弊端在于传感器及其测试系统本身有寿命和可靠性限制，发生故障难以维修替换，而且侵入式的检测系统复杂、成本较高。

发明内容

本发明提供一种基于风力机表面模糊图像的裂纹智能检测方法，能够实现对晃动及雾天情况下拍摄的风力机叶片模糊图像是否存在裂纹进行有效的检测及分类。

为了达到上述目的，本发明采用的技术方案为：

本发明提供一种基于风力机表面模糊图像的裂纹智能检测方法，包括：

将采集的风力机叶片模糊图像输入预先训练的生成网络中，得到清晰重建图像；

对清晰重建图像进行预处理，分割成域并提取各域特征参数；

以各域特征参数为输入，通过预先训练的BP神经网络，输出风力机叶片裂纹检测结果和裂纹开裂程度。

进一步的，采用四旋翼搭载视觉传感器沿塔杆起飞实时捕捉风力机叶片模糊图像。

进一步的，所述生成网络包括：浅层特征提取块，深层特征提取块和重建块；

所述浅层特征提取块用于，将风力机叶片模糊图像按照步长与权重矩阵做卷积操作，得到模糊图像浅层特征；所述权重矩阵为特征提取因子；所述步长和特征提取因子根据模糊图像大小选取；

所述深层特征提取块用于，将浅层特征进行多层卷积操作，池化和激活处理，得到深层特征；

所述重建块用于，将深层特征进行反卷积操作，上采样、池化和激活处理，得到清晰重建图像。

进一步的，预先训练生成网络，包括：

将风力机表面模糊图像输入生成网络得到模糊图像的清晰重建图像；

将生成网络的输出与原始风力机表面模糊图像共同输入至判别网络，不断优化生成网络，直到输出图像与输入图像的相似度达到预设阈值。

进一步的，采用梯度下降法对生成网络中的浅层特征提取块，深层特征提取块和重建块的参数进行优化。