[发明专利]一种风机叶片缺陷定位方法及系统

说明书

本发明涉及图像处理领域，具体涉及一种风机叶片缺陷定位方法及系统，其方法包括，构建风机叶片数学模型，拍摄风机叶片图片组；对风机叶片图片组进行缺陷识别；在缺陷风机叶片图片中标定出径向弦长参考线，并计算径向弦长参考线的实际长度与像素长度之间的转换系数；基于径向弦长参考线，根据缺陷中心点坐标以及转换系数，在风机叶片数学模型中标注出缺陷中心点的坐标。本发明利用作径向弦长参考线的方法计算出实际长度和像素长度之间的转换系数，且利用转换系数计算出缺陷相对边缘线和叶根的距离比例，从而将缺陷在图片中的位置映射至风机叶片数学模型上实现定风机叶片缺陷的定位，有利于对于风机叶片检查结果进行信息化跟踪管理。

技术领域

本发明涉及图像处理领域，具体涉及一种风机叶片缺陷定位方法及系统。

背景技术

风力发电机的叶片运行进入中期后，在反复的疲劳载荷作用下，很多叶片开始出现局部开裂、分层等的问题，部分严重的就会发生断裂。如果我们能够及时发现这些缺陷，在缺陷没有扩展前进行有效修复，就可以避免大多数叶片断裂事故的发生。

目前无人机已越来越广泛的用于工业巡检领域，成为给能源行业的企业提供安全、高效的检查和数据收集的有效手段。无人机拍摄风机叶片的照片结合人工智能图像识别算法，就可以提高叶片检查的质量和效率，增加了风场运维的安全性。

现有的基于机器视觉对风机叶片缺陷进行图像识别的技术很多，但是很少有对缺陷进行定位。

发明内容

本发明所要解决的技术问题是提供一种风机叶片缺陷定位方法及系统，可以定位出风机叶片中的缺陷。

本发明解决上述技术问题的技术方案如下：一种风机叶片缺陷定位方法，包括以下步骤，

S1，根据风机叶片的已知参数构建风机叶片数学模型；利用搭载有相机的无人机沿着风机叶片的表面在叶根到叶尖之间飞行拍摄一组风机叶片图片，得到风机叶片图片组；

S2，基于MaskR-CNN的深度神经网络对所述风机叶片图片组进行缺陷识别，得到缺陷风机叶片图片以及所述缺陷风机叶片图片中缺陷中心点的图片坐标系坐标；其中，所述缺陷风机叶片图片为所述风机叶片图片组中具有缺陷的风机叶片图片；

S3，在所述缺陷风机叶片图片中标定出径向弦长参考线，并计算出所述径向弦长参考线在所述缺陷风机叶片图片中的像素长度；基于所述风机叶片数学模型，根据所述无人机在拍摄过程中的GPS坐标，计算出所述径向弦长参考线在风机叶片中的实际长度；将所述径向弦长参考线在风机叶片中的实际长度与在所述缺陷风机叶片图片中的像素长度作比例计算，得到实际长度和像素长度之间的转换系数；

S4，基于所述径向弦长参考线，根据缺陷中心点的图片坐标系坐标以及所述转换系数，在所述风机叶片数学模型中标注出所述缺陷风机叶片图片中缺陷中心点的坐标。

基于上述一种风机叶片缺陷定位方法，本发明还提供一种风机叶片缺陷定位系统。

一种风机叶片缺陷定位系统，用于实现上述所述的风机叶片缺陷定位方法，包括如下模块，

模型构建及图片拍摄模块，其用于根据风机叶片的已知参数构建风机叶片数学模型；利用搭载有相机的无人机沿着风机叶片的表面在叶根到叶尖之间飞行拍摄一组风机叶片图片，得到风机叶片图片组；

缺陷识别模块，其用于基于MaskR-CNN的深度神经网络对所述风机叶片图片组进行缺陷识别，得到缺陷风机叶片图片以及所述缺陷风机叶片图片中缺陷中心点的图片坐标系坐标；其中，所述缺陷风机叶片图片为所述风机叶片图片组中具有缺陷的风机叶片图片；