[发明专利]一种风力发电设备图像的去模糊方法

说明书

本发明涉及风力发电设备巡检技术领域，公开了一种风力发电设备图像的去模糊方法，包括：将待处理的风力发电设备模糊图像输入训练好的去模糊模型，得到复原的风力发电设备图像；其中，所述去模糊模型为基于DeblurGANv2模型的改进得到的，所述DeblurGANv2模型包括生成器和判别器，所述基于DeblurGANv2模型的改进包括，将DeblurGANv2模型的生成器的骨干网络替换为精简的GhostNet网络。本发明能够提高对图像去模糊操作的实时性，从而提高风力发电设备巡检工作的效率。

技术领域

本发明涉及风力发电设备巡检技术领域，特别涉及一种风力发电设备图像的去模糊方法。

背景技术

风能作为一种清洁的可再生能源，在地球上蕴量巨大，作为人类所需能源的可持续开发的重点方向之一，已经得到普遍推广应用。由于风力发电设备通常在高空、全天候条件下工作，承受载荷较大，运行环境恶劣，时刻受各种介质侵蚀或影响，风力发电设备，特别是叶片，容易出现裂纹、脱皮等损伤，需要定期进行巡检，及时发现风力发电设备的损伤并修补，保证风力发电设备正常工作。

为了降低人力巡检成本，现有技术提出了基于飞行器图像采集的风力发电设备巡检方式，即在飞行器上挂载摄像机等设备抵近风力发电设备采集图像，对采集的图像进行分析，找出设备的损伤。但在实际应用中，由于叶片可能正处于旋转状态，而飞行器受风的影响，可能会忽快忽慢、或突然旋转，从而使采集的图像产生运动模糊，影响后继对图像分析结果的准确性，因此，现有技术通常需要先对采集的图像进行去模糊操作，然后才会分析图像中的风力发电设备是否存在损伤。而现有的图像去模糊方法通常为基于深度学习的去模糊方法，为了能够达到较好的去模糊效果，通常会设置较为复杂的网络结构，因而参数量和计算量较大，实时性较差，影响巡检工作的效率；此外，对于同一片叶片，由于叶片不同长度位置旋转的线速度不同，因而即使在同一张图像中，同一个叶片的模糊程度也是不同的，而现有的去模糊方法中尚未有有效的解决方法。

发明内容

针对上述情况，本发明的目的是提供一种风力发电设备图像的去模糊方法，该方法能够有效提高对图像去模糊操作的实时性，从而提高风力发电设备巡检工作的效率。

为了实现上述目的，本发明通过以下技术方案实现的：

一种风力发电设备图像的去模糊方法，包括：

将待处理的风力发电设备模糊图像输入训练好的去模糊模型，得到复原的风力发电设备图像；

其中，所述去模糊模型为基于DeblurGANv2模型的改进得到的，所述DeblurGANv2模型包括生成器和判别器，所述基于DeblurGANv2模型的改进包括，将DeblurGANv2模型的生成器的骨干网络替换为精简的GhostNet网络。

本发明提供的去模糊方法，基于DeblurGANv2模型进行改进，使用参数量较小的精简的GhostNet网络替换DeblurGANv2模型的生成器的原有骨干网络，利用DeblurGANv2模型较快的推理速度，使用精简的GhostNet网络进一步加快对模糊图像特征提取的速度，从而提高对图像去模糊操作的实时性，提高风力发电设备巡检工作的效率。

优选的，所述精简的GhostNet网络为9层网络结构，其中，第1层为普通卷积层，第2～9层为Ghost bottleneck层。

优选的，所述精简的GhostNet网络的第4层和第5层之间设有3层通道注意力模块，所述精简的GhostNet网络的第7层和第8层之间设有3层通道注意力模块，所述精简的GhostNet网络的第8层和第9层之间设有1层通道注意力模块；所述通道注意力模块用于加强对模糊图像的特征的提取。

优选的，在去模糊模型的生成器的特征金字塔结构中，使用双线性插值对特征图进行上采样处理，用于获得平滑的上采样特征图。