[发明专利]基于改进YOLOv3的风机叶片缺陷识别方法

说明书

基于改进YOLOv3的风机叶片缺陷识别方法，训练YOLOv3模型，得到最优权重；将BN层的参数γ作为剪枝因子，选取合适的参数a，得到稀疏后的模型；根据预先设置的裁剪的阈值s，裁剪掉较小的参数γ对应的通道以及对应的参数，完成剪枝操作；剪枝后模型进行训练微调；将剪枝后模型卷积层的通道数调整到得到规整的网络模型；在规整的网络模型上减少相同的残差结构单元，从而减少密集链接，得到改进后的轻量化网络模型；使用改进后的轻量化网络模型训练风机叶片缺陷数据集，得到最优权重，从而实现风机叶片缺陷识别。本发明提方法通过改进的YOLOv3模型用于风机叶片的缺陷识别；大大提高了识别效率，解放劳动力，对电站运维具有重大的意义。

技术领域

本发明涉及风机叶片检测技术领域，具体涉及一种基于改进YOLOv3的风机叶片缺陷识别方法。

背景技术

随着国家对新能源的大力发展，风力发电规模越来越大，风机叶片的维护成为整个风电场运行的重要环节，目前风机叶片缺陷识别与检测主要靠可见光采集，人工去判别缺陷的类型，效率较低且耗时较长，另一种是通过计算机对比有缺陷图像和正常图像，得出分析结果，处理时间长且准确率较低。

目前基于深度学习的目标识检测算法主要通过卷积神经网络来提取图像特征，主要分为两大类，一类是基于two-stage方式，如文献[1]Girshick R,Donahue J,Darrell T,et al. Rich Feature Hierarchies for Accurate Object Detection and SemanticSegmentation[C]IEEE Conference on Computer VisionPattern Recognition.2014记载的R-CNN算法；文献[2] Girshick R.Fast R-CNN[C]//IEEE International Conferenceon Computer Vision and Pattern Recognition,2015:1440-1448.记载的Fast R-CNN算法；文献[3]Ren S,He K,Girshick R B, et al.Faster R-CNN:towards real-timeobject detection with region proposal networks[J].IEEE Transactions onPattern Analysis and Machine Intelligence,2017,39(6):1137-1149.记载的 FasterR-CNN算法等。

一类是one-stage方式，如文献[4]Redmon J,Divvala S,Girshick R,et al.YouOnly Look Once:Unified,Real-Time Object Detection[J].2015.记载的YOLO算法；文献[5]Liu W, Anguelov D,Erhan D,et al.SSD:Single Shot MultiBox Detector[C]//European Conference on Computer Vision.Springer International Publishing,2016.记载的SSD算法。深层的网络模型可以提高图像目标的识别准确率，实现智能化识别。

基于回归的YOLO算法是现在较为流行的目标检测算法，它将候选区域的提取和目标识别两个阶段融合成起来，通过一个完整的网络结构获取目标的类别和位置信息，兼备准确率与速度。

现有技术中风机叶片缺陷识别与检测存在以下缺陷：

1)目前一些风机叶片的缺陷检测还是通过照片依靠人工观察，数据量较大且效率较低，费时费力；

2)通过计算机处理对比采集的缺陷图像和已有正常图像，得出分析结果，处理时间长且准确率较低。

3)YOLOv3在识别准确率上有所提高，但其模型较为复杂，规模较大，在做卷积运算时需要上百万个参数，对硬件设备的内存要求较高，一些资源受限的设备无法运行网络模型。