[发明专利]一种基于稀疏测度最大化的风机叶片表面缺陷定位方法

说明书

本发明公开了一种基于稀疏测度最大化的风机叶片表面缺陷定位方法，包括以下步骤，获取到风机叶片表面图像后，使用相关机器学习方法，对灰度图片进行训练，找到叶片区域与背景区域；其次设置二维数字滤波器宽度为n，并令其滤波器初值均为0；随后使用卷积神经网络对滤波器n×n个元素进行优化，以最大化图片稀疏测度为目标，找到滤波器元素最优解；对于待检测的任一测试图像，使用获得的滤波参数进行滤波；若滤波后特征大于预定阈值，则该像素点为缺陷特征。本发明以稀疏测度最大化为优化目标，从二维数字滤波器的优化构建出发，利用卷积神经网络找到其最优解。本发明仅需极少量的数据即可完成滤波器参数的优化，具有一定的实用价值。

技术领域

本发明涉及风电设施表面质量检测技术领域，特别涉及一种基于稀疏测度最大化的风机叶片表面缺陷定位方法。

背景技术

作为风力发电机组的力源和主要承载部件，风机叶片的运行状态对于保证风机工作效率具有重要的作用。然而，风机主要位于自然条件较好的地区，暴风雨、风沙和雷击等都有可能损伤叶片。随着国内风电场运行时间的增加，风机叶片表面缺陷的快速、高效检测变得越来越重要。传统的人工巡检已难以满足要求。

发明内容

本发明的目的在于，一种基于稀疏测度最大化的风机叶片表面缺陷定位方法。本发明仅需极少量的数据即可完成滤波器参数的优化。

本发明的技术方案：一种基于稀疏测度最大化的风机叶片表面缺陷定位方法，包括以下步骤：

S1：获取风机叶片表面图像；

S2：将叶片表面图像转换至灰度图片；

S3：使用机器学习方法，对灰度图片进行训练，找到叶片区域与背景区域；

S4：设置滤波器宽度为n，并令其滤波器初值均为0；

S5：使用卷积神经网络对滤波器n×n个元素进行优化，以最大化图片稀疏测度为目标，找到滤波器元素最优解；

S6：对于待检测的任一测试图像，使用S4步骤中获得的滤波参数进行滤波；

S7：去除滤波后图像特征的低频趋势成分，留下高频特征；

S8：若高频特征大于预定阈值，同时像素点位于S3步骤的叶片区域上，则该像素点为缺陷特征。

上述的基于稀疏测度最大化的风机叶片表面缺陷定位方法，所述的步骤S3中，叶片区域与背景区域的表述方法为：

其中为点的状态信息，当为1时，点为叶片区域，当为0时，点为背景区域，，为分别为图像行列索引号。

前述的基于稀疏测度最大化的风机叶片表面缺陷定位方法，所述的步骤S5中, 卷积神经网络优化目标函数为：

；

其中，表示使目标函数取最大值时的变量值，为计算系数测度的符号，表示卷积运算，为步骤S2中获取到的灰度图像，为滤波器参数。

前述的基于稀疏测度最大化的风机叶片表面缺陷定位方法，所述的步骤S6中,滤波的具体过程为：

其中表示滤波后的图形特征，为待滤波的风机叶片表面图像，表示卷积运算，为滤波器参数。

前述的基于稀疏测度最大化的风机叶片表面缺陷定位方法，所述的步骤S8中,使用的缺陷特征判断算法为：

；

其中，为当前像素点的缺陷判断结果，1表示当前像素点为缺陷位置，0表示当前像素点不含有缺陷信息，，为分别为图像行列索引号，为当前像素点对应的稀疏测度，为预设的稀疏测度阈值，为步骤S3获得的点的状态信息。