[发明专利]一种用于确定风力发电机叶轮姿态的方法

权利要求书

1.一种用于确定风力发电机叶轮姿态的方法，其特征在于，包括风力发电机结构检测算法和叶轮姿态估计算法，将待检测图像输入风力发电机结构检测算法，得到机舱和叶轮叶尖点的位置坐标，通过叶轮姿态估计算法得到叶轮与塔筒的偏转角度，确定叶轮姿态，具体包括以下步骤：

(1)、风力发电机结构检测算法：

1a、采集风机图片，并对机舱和叶轮叶尖点类别和位置进行标注，方法是，利用无人机采集风力发电机叶片图像数据，并对图像进行旋转、翻转变换方式实现数据的预增强，构建数据集；然后将数据集输入数据标注软件，以矩形框的形式完成标注，标注的信息包括缺陷的类型和缺陷的坐标；将标注后的数据以8:2的比例分为训练数据集和测试数据集；

1b、构建图像检测模型，采用one stage的目标检测算法，将目标边框定位的问题转化为回归问题处理，将标注过的数据输入网络并进行训练，实现对风机结构的检测；方法是，将采集的风机图片缩放到网络的输入大小，并进行归一化，将3-4张采集的风机图片进行随机缩放、随机裁剪和随机排布，并重新拼接，构造卷积神经网络对得到的新图片进行特征提取，经过卷积网络提取特征后输出结果到特征融合网络进行进一步的处理，特征融合网络完成对特征的融合后将结果传递到预测网络，输出对图像的预测结果，包括检测的类别(class n)，检测框的位置坐标(xmin，ymin，xmax，ymax)；

1c、验证训练过后的模型性能，方法是，训练图像检测模型，将步骤1a得到的训练数据集传入图像检测模型，得到输出结果，并对比与人工标注数据集的差别，验证指标包括识别缺陷类别的准确度和缺陷定位的准确度，采用EIOU损失函数，直接对检测框参数的预测结果进行惩罚，多次训练图像检测模型，最终得到训练后的图像检测模型，用步骤1a得到的测试数据集对模型的性能进行测试，保存符合要求的模型文件，当不符合，则返回继续训练图像检测模型，并最终保存符合要求的模型文件；

(2)叶轮姿态估计算法：

2a、将步骤1b得到的缺陷定位坐标(xmin，ymin，xmax，ymax)转化为中心点坐标(x,y)加检测框长宽(w,h)的形式，其中w，h为检测框长、宽；

2b、将得到的叶轮叶尖点记作特征点，记作b(Xb,Yb)、c(Xc,Yc)、d(Xd,Yd)；风力发电机的三个叶轮完全相同，间隔120°呈旋转对称，由机舱位置的坐标与特征点的坐标计算叶轮偏转角度，方法是，

以机舱位置a(Xa,Ya)为原点构建坐标系，利用b(Xb,Yb)，a(Xa,Ya)两组数据求出叶尖点所属叶轮与塔筒的夹角α，计算公式为：

2c、设叶轮长度为s，计算出叶尖最低点相对机舱位置的坐标为(s*sinα，s*cosα)，确定叶轮姿态。

2.根据权利要求1所述的用于确定风力发电机叶轮姿态的方法，其特征在于，所述的数据标注软件为精灵标注助手。

3.根据权利要求1所述的用于确定风力发电机叶轮姿态的方法，其特征在于，所述的构建图像检测模型，包括四部分，具体步骤为：

(1)、输入端

包含一个图像预处理阶段，即将采集的风机图像数据缩放到网络的输入大小，并进行归一化操作，将3-4张图片随机缩放、随机裁剪和随机排布的方式进行拼接而成；

(2)、特征提取网络

图片从输入端进入后，采用邻近下采样的方法进行数据扩增，方法是：在图片中每隔一个像素拿到一个值，这样就拿到了两张图片，两张图片互补，内容相似，信息完整；构造卷积神经网络对得到的新图片进行特征提取，图片经过卷积网络提取特征后输出结果到特征融合网络进行进一步的处理；

(3)、特征融合网络

将特征融合优化为带权特征融合，区分每个权重的重要性，使用快速归一化融合来计算，方法是，

其中，I为输入值，O为输出值，w为参数权重，ε为常数，通过计算使所有的权重值在0和1之间，计算过程为：

其中，Conv代表卷积操作，Resize为上采样或下采样；

(4)、预测网络

特征融合网络完成对特征的融合后将结果传递到预测网络，输出对图像的预测结果，输出结果包括检测的类别(class n)，检测框的位置坐标(xmin，ymin，xmax，ymax)。