CN103984956B - 基于机器视觉图像对电力系统风力发电机叶片表面点蚀故障进行诊断的方法 - Google Patents
基于机器视觉图像对电力系统风力发电机叶片表面点蚀故障进行诊断的方法 Download PDFInfo
- Publication number
- CN103984956B CN103984956B CN201410172548.4A CN201410172548A CN103984956B CN 103984956 B CN103984956 B CN 103984956B CN 201410172548 A CN201410172548 A CN 201410172548A CN 103984956 B CN103984956 B CN 103984956B
- Authority
- CN
- China
- Prior art keywords
- blade
- primitive
- wind
- data
- image
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Landscapes
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了基于机器视觉图像对电力系统风力发电机叶片表面点蚀故障进行诊断的方法,包括步骤一、划分风力发电机叶片,获得叶片基元;步骤二、对风力发电机叶片基元进行拍照,并对背景进行剔除;步骤三、对图像基元进行特征提取;步骤四、提出一种神经网络聚类—LLE流行学习算法对提取的多维图像特征进行降维;步骤五、通过实验获取风力机叶片正常状态图像基元以及表面点蚀故障图像基元;步骤六、使用训练数据库对故障诊断所用的支持向量机进行训练;步骤七、使用步骤六中训练好的支持向量机对风力发电机叶片基元的表面是否存在点蚀故障进行诊断;步骤八、对所有的叶片基元均进行步骤二、三、四、七的操作,直至完成整片叶片的点蚀诊断。
Description
技术领域
本发明涉及风力机故障诊断领域,具体是指基于机器视觉图像对电力系统风力发电机叶片表面点蚀故障进行诊断的方法。
背景技术
叶片作为风力机故障率最高的部件之一,由于其体积庞大、传感器安装困难、监控设备昂贵等原因始终没有一种可以现场应用的故障诊断和故障监督手段。现行风力机叶片的故障诊断主要是通过对风力机传动链的故障信号监督间接诊断风力机叶片故障。对风力机叶片的故障诊断的研究已经引起科研人员的重视并进行了多种尝试性研究。包括对风力机叶片表面安装振动、应力、声发射等传感器的接触式诊断方法和对叶片进行热成像、X光扫描、数字图像相关性分析的非接触故障诊断方法。
对于接触式故障诊断方法,由于是通过对传感器所安装部位信号进行监控来达到对叶片整体进行监控的目的,所以故障定位准确率较低,而且由于所需传感器数量较多会带来成本过高和布置困难等缺点。非接触式故障诊断方法以准确的对故障进行定位但是由于其设备价格昂贵且体积庞大很难在现场安装同样没有进行应用。
发明内容
本发明的目的是提供一种基于机器视觉图像对电力系统风力发电机叶片表面点蚀故障进行诊断的方法。
本发明的上述目的通过如下技术方案来实现的:基于机器视觉图像对电力系统风力发电机叶片表面点蚀故障进行诊断的方法,该方法包括如下步骤:
步骤一、划分风力发电机叶片,获得叶片基元;
步骤一的具体过程如下:首先,采用在风力发电机叶片表面涂上色带的方法对整个叶片进行区域划分,划分成N个子区域,其中N≥1,任意一个子区域均称为叶片基元;
步骤二、在风力机上安装工业摄像设备,定时对风力发电机叶片基元进行拍照,并对背景进行剔除,对叶片基元背景剔除后的结果图 像进行二次划分成图像基元;
步骤二的具体过程如下:首先在风力机上安装工业摄像设备,定时对风力发电机叶片基元进行拍摄,获得叶片基元的原始图像;然后,将原始图像经过灰度处理,由彩色图变为灰度图,得到叶片基元的灰度图像;再通过采用Roberts轮廓提取方法对灰度图像进行叶片基元轮廓提取,得到叶片基元的二值图像,该二值图像中叶片基元为白色前景,其余部分为黑色背景;进一步,对二值图像进行形态学处理,达到初步去噪的效果,获得初步去噪图像;进而,在初步去噪图像中,采用二值图像连通区域标记法,对初步去噪图像执行两次扫描,第一次扫描通过逐行扫描像素,判断像素之间的相邻关系,对属于同一连通区域的像素赋予相同的连通标号;第二次扫描消除重复的标记,合并属于同一连通区域但是具有不同标记号的子区域,通过两步扫描找到区域面积最大的白色8连通区域,该最大的白色8连通区域就是所要获得的风力发电机叶片基元图像区域;进一步地,从原始图像中抠除去风力发电机叶片基元图像区域之外的区域,达到剔除背景的目的,同时能够得到风力发电机的叶片基元结果图像;最后,通过在叶片中做标记点对叶片基元背景剔除后的结果图像进行二次划分成图像基元;
步骤三、对图像基元进行特征提取;
步骤三的具体过程如下:采用数据特征提取算法对图像基元进行处理,得到图像基元的数据特征。
步骤四、采用神经网络聚类—LLE流行学习算法对提取的多维图像特征进行降维。
步骤四的具体过程如下:首先,通过模糊聚类将特征提取结果数据分为n类,进而得到各个类聚类中心和个体模糊隶属度。然后,根据模糊聚类的结果选择最靠近每类中心的样本作为广义神经网络聚类的训练样本。使用训练数据训练广义神经网络。广义神经网络预测模块用训练好的网络预测所有输入样本数据的输出序列。进一步的,按照网络预测输出序列Y把样本数据X分为n类,然后求出每类内所有样本平均值、所有样本X到中心支的距离,从距离矩阵选择距离最小的M个样本作为一组,设定其对应的网络输入为i。这样再次得到了n×m组网络训练数据,其输入数据为原始数据,输出数据为类别特征数据。得到样本类别个数,样本中心和每类样本的个数。最后,由得到的样本类别个数、样本中心、每类样本的个数及特征数据, 用LLE算法对数据进行降维处理,得到数据降维结果。
步骤五、通过实验获取风力机叶片正常状态、表面裂纹、表面污染和表面点蚀等故障图像基元,并对这些图像基元进行步骤三和步骤四的操作,得到降维结果数据作为训练数据库;
步骤六、使用训练数据库对故障诊断所用的支持向量机进行训练;
步骤六的具体过程如下:首先,把训练数据库中的数据作为训练数据;然后,采用训练数据对支持向量机进行训练,获得训练好的支持向量机;该步骤六中支持向量机的训练采用标准支持向量机算法,具体训练步骤如下:
(1)设训练集T={(x1,y1),(x2,y2),…(xl,yl)}∈(X,Y)l
其中xi∈X∈RP,yi∈Y={-1,1},i=1,…l;
xi为图像基元的数据降维结果构成的向量;如果xi对应的图像基元上存在叶片点蚀,则yi为1,否则yi为-1。
(2)求解最优化问题(1.1),得最优解:
αi≥0,i=1,…,l.
其中α…为引入的中间变量,为与每个训练数据对应的乘子。
(3)选择α*的正分量,计算
其中b*为引入的中间变量,是分类阈值。
(4)构造线性最优分类超平面,得出决策函数:
步骤七、使用步骤六中训练好的支持向量机对风力发电机叶片基元的表面是否存在点蚀故障进行诊断。步骤七的具体过程如下:把风力发电机叶片基元经步骤二、三、四获得的图像基元数据降维结果作依次为变量x代入步骤四获得的决策函数,由决策函数的值来判断该 发电机叶片基元是否存在表面点蚀故障,若决策函数的值为1则表示存在叶片点蚀,若决策函数的值为-1则表示不存在叶片点蚀;
步骤八、对所有的叶片基元均进行步骤二、三、四、七的操作,直至完成整片叶片的表面点蚀故障诊断。
上述公式均引用:张学工.关于统计学习理论与支持向量机[J].自动化学报.2000(01)中的公式,为现有技术。
本发明中,所述步骤三中,对图像基元进行数据特征处理是采用基于双树复小波分析的图片特征提取法。
综上所述,本专利提供了一种基于计算机视觉的风力发电机叶片表面故障诊断方法;首先,划分风力发电机叶片,获得叶片基元。然后,在风力机上安装工业摄像设备,定时对风力发电机叶片基元进行拍照,并对背景进行剔除,对叶片基元背景剔除后的结果图像进行二次划分成图像基元。进而,对图像基元进行特征提取。进一步的,采用神经网络聚类—LLE流行学习算法对提取的多维图像特征进行降维。进一步的,通过实验获取风力机叶片正常状态、表面裂纹、表面污染和表面点蚀等故障图像基元,并对这些图像基元进行步骤三和步骤四的操作,得到降维结果数据作为训练数据库,并采用训练数据库中的数据对支持向量机进行训练。最后,使用训练好的支持向量机来对整个风力机叶片是否存在表面点蚀故障进行判断,并监督其故障的发展。
与现有技术相比,本专利利用图像提取装置对风力机叶片故障进行监督和诊断。针对叶片故障监督过程中的叶片背景复杂、叶片故障定位困难、叶片故障种类分类困难提出了解决方案。通过对叶片背景剔除流程、叶片故障定位流程和叶片分类流程进行了设计。本专利可以有效地剔除叶片复杂的背景,去除复杂背景对叶片图像识别所产生的影响。采用色带和定位点对风力机叶片故障进行定位可以有效地监督故障的生长。
附图说明
下面结合附图和具体实施方式对本发明做进一步的详细说明。
图1是本发明诊断方法的整体流程示意图;
图2是本发明诊断方法中叶片图像背景剔除流程;
图3是本发明诊断方法中图像基元提取流程。
具体实施方式
下面结合附图和实施例对本发明进行详细说明。
本发明提供了一种基于机器视觉图像对电力系统风力发电机叶片表面点蚀故障进行诊断的方法,该方法包括如下步骤:
步骤一、划分风力发电机叶片,获得叶片基元;
在本发明实施例中,运用在风力机叶片表面涂上色带的方法对叶片区域进行划分,以便于对监控区域的提取。这是由于大型风力机单片叶片长度近百米,故单次取像不可能完成对整个叶片的图像采集。通过色带划分,把叶片整体进行区域划分成20个子区域,任意一个子区域均称为叶片基元,然后调节摄像角度使得叶片照相区域的绝大部分为某一区域,通过变换摄像角度便可达到对整个叶片扫描的效果。也可以根据实际需要将叶片整体进行区域划分成N个子区域,其中N≥1。
步骤二、在风力机上安装工业摄像设备,定时对风力发电机叶片基元进行拍照,并对背景进行剔除,对叶片基元背景剔除后的结果图像进行二次划分成图像基元;
在本发明实施例中,首先选取适当的拍摄角度和光照强度对风力机叶片进行拍摄。其中,适当的拍摄角度和光照强度由实验获得。拍摄角度与法线夹角在0~75°,光照强度在90~1300LUX时所获得的图像能够基本保留图像的信息,不会产生由于光照变化所产生的故障区域退化或生长,可以确保故障图像易于识别和提取。
进一步的,将原始图像转换成灰度图,再通过采用Roberts轮廓提取方法和形态学处理方法得到图像的二值图。Roberts轮廓提取方法通过图像像素灰度的梯度来求取图像边缘变化,进而检测到叶片的轮廓。形态学处理方法包括膨胀、腐蚀以及其联合使用的开运算和闭运算,能有效的抑制图像的噪声,同时保证风力机图像的轮廓保持不变。
进而对二值图像进行形态学处理后得到图像的二值去噪图像,找到图像中区域最大的部分即为叶片所在部分,然后取出其他部分即得到叶片的二值图像,最后找到原始图像中对应叶片二值图像中为白色的部分即可提取出整个叶片基元的图像,达到剔除背景的目的,得到叶片基元结果图像。
最后,对叶片基元结果图像进行二次划分成图像基元。由于大型叶片表面会产生弧度,在本发明实施例中,在叶片基元结果图像中再 人为的做出标记点,通过标记点和区域的四个角点可以将区域二次划分,这些网格内部可以近似认为在同一平面上。利用标记点对叶片区域进行分割,将叶片区域分割成多个平行四边形网格,进而根据网格把风力机叶片图像划分成图像基元,以达到细化监控区域的目的,并可对故障部位进行定位。
首先,原始图片经过灰度处理,由彩色图变为灰度图;然后,运用Roberts算子对风力机基元图像进行轮廓提取,得到风力机图片的二值图,风力机叶片为白色前景,其余部分为黑色背景;进一步的,对二值图进行形态学处理,可以达到初步去噪的效果;进而,在初步去噪的图像中,找到区域面积最大的白色8连通区域,就是所得的风力机叶片基元区域;进一步的,从原图中抠除去风力机叶片基元之外的区域,就可以得到完整的风力机叶片基元结果图像。最后,通过在叶片中做标记点对叶片基元结果图像进行二次划分成图像基元。找到区域面积最大的白色8连通区域也为现有技术。
其中,找到区域面积最大的白色8连通区域采用二值图像连通区域标记法,两步法,即对初步去噪图像执行两次扫描:第一次扫描通过逐行扫描像素,判断像素之间的相邻关系,对属于同一连通区域的像素赋予相同的连通标号。第二次扫描消除重复的标记,合并属于同一连通区域但是具有不同标记号的子区域。
步骤三、对图像基元进行特征提取;
在本发明实施例中,对图像基元库采用基于双树复小波分析的图片特征算法提取对图像基元进行特征提取,得到数据特征提取结果。
具体而言,基于双树复小波分析的图片特征提取算法的步骤如下:
首先,采用双树复小波对图像进行二维分解;然后,选用能量、熵、惯性矩、相关的均值和标准差作为8维特征,对图像的纹理特征进行提取,作为图像特征的标准。
双树复小波是指采用两个小波树进行分析处理使得算法具有近似平移不变性和分解系数对应性以及方向各异性。双树复小波图像分解的结果相对于离散小波分析能够更加保留原始信号的细节,减少了局部的畸变。
步骤四、提出一种神经网络聚类—LLE流行学习算法对提取的多维图像特征进行降维。
首先,通过模糊聚类将特征提取结果数据分为n类,进而得到各 个类聚类中心和个体模糊隶属度。
然后,根据模糊聚类的结果选择最靠近每类中心的样本作为广义神经网络聚类的训练样本。使用训练数据训练广义神经网络。广义神经网络预测模块用训练好的网络预测所有输入样本数据的输出序列。
进一步的,按照网络预测输出序列Y把样本数据X分为n类,然后求出每类内所有样本平均值meani(i=1,2,…,n),求出所有样本X到中心支的距离ecenti(i=1,2,…,n),从距离矩阵选择距离最小的M个样本作为一组,设定其对应的网络输入为i。这样再次得到了n×m组网络训练数据,其输入数据为原始数据,输出数据为类别特征数据。得到样本类别个数,样本中心和每类样本的个数。
最后,由得到的样本类别个数、样本中心、每类样本的个数及特征数据,LLE算法对数据进行降维处理,得到数据降维结果。
流形学习是指从高维欧氏空间采样的数据中恢复出低维流形结构,同时求出相应的嵌入映射,以实现数据的约简、降维或可视化。本发明实施例中选取流行学习方法中的LLE方法作为数据处理方法。
LLE算法可以归结为三步:(1)在高维数据样本中寻找每个点的k个近邻点;(2)由每个样本点的近邻点计算出该样本点的局部重建权值矩阵;(3)由该样本点的局部重建权值矩阵和其近邻点计算出该样本点的输出值。
步骤五、通过实验获取风力机叶片正常状态、表面裂纹、表面污染和表面点蚀等故障图像基元,并对这些图像基元进行步骤三和步骤四的操作,得到降维结果数据作为训练数据库。
在本发明实施例中,故障图像基元是通过在风力发电机叶片上人为的制作出多个表面裂纹、表面污染和表面点蚀等故障获得的。
步骤六、使用训练数据库对故障诊断所用的支持向量机进行训练;
首先,把训练数据库中的数据作为训练数据;然后,采用训练数据对支持向量机。
支持向量机是基于有限样本下研究及其学习规律的统计学理论。其目的是寻找一个高维超平面对样本数据进行分类,并希望能够使两类样本间隔最大的超平面为平面构建原则。
在本发明实施例中,采用标准支持向量机算法,其训练步骤如下:
(1)设训练集T={(x1,y1),(x2,y2),…(xl,yl)}∈(X,Y)l
其中xi∈X∈RP,yi∈Y={-1,1},i=1,…l;
xi为图像基元的数据降维结果构成的向量;如果xi对应的图像基元上存在叶片点蚀,则yi为1,否则yi为-1。
(2)求解最优化问题(1.1),得最优解:
αi≥0,i=1,…,l.
其中αi为引入的中间变量,为与每个训练数据对应的乘子。
(3)选择α*的正分量,计算
其中b*为引入的中间变量,是分类阈值。
(4)构造线性最优分类超平面,得出决策函数:
步骤七、使用步骤六中训练好的支持向量机对风力发电机叶片基元的表面是否存在点蚀故障进行诊断。
具体诊断方法如下:
把风力发电机叶片基元经步骤三获得的图像基元数据降维结果作依次为x代入支持向量机中决策函数,由决策函数的值判断该发电机叶片基元是否存在表面点蚀故障。决策函数的值为1或-1,其中1为存在叶片点蚀,-1为不存在。进而由哪个图像基元的对应的决策函数的值为1,可以进一步判断表面点蚀的位置。
对于判别的故障可划分故障等级,并将故障判断结果存储如数据库的故障数据表内。由风力机故障处置模块对数据库进行监测,如果故障数据表产生更新会根据不同的故障等级对硬件进行操作,包括报警、连锁停机等,并对做出的操作进行历史记录。
步骤八、对所有的叶片基元均进行步骤二、三、四、七的操作,直至完成整片叶片的表面故障诊断。
首先,划分风力发电机叶片,获得叶片基元。然后,在风力机上安装工业摄像设备,定时对风力发电机叶片基元进行拍照,并对背景 进行剔除,对叶片基元背景剔除后的结果图像进行二次划分成图像基元。进而,对图像基元进行特征提取。进一步的,采用神经网络聚类—LLE流行学习算法对提取的多维图像特征进行降维。进一步的,通过实验获取风力机叶片正常状态、表面裂纹、表面污染和表面点蚀等故障图像基元,并对这些图像基元进行步骤三和步骤四的操作,得到降维结果数据作为训练数据库,并采用训练数据库中的数据对支持向量机进行训练。最后,使用训练好的支持向量机来对整个风力机叶片是否存在表面点蚀故障进行判断,并监督其故障的发展。
综上所述,本专利提供了一种基于计算机视觉的风力发电机叶片表面故障诊断方法;首先,划分风力发电机叶片,获得叶片基元。然后,在风力机上安装工业摄像设备,定时对风力发电机叶片基元进行拍照,并对背景进行剔除,对叶片基元背景剔除后的结果图像进行二次划分成图像基元。进而,对图像基元进行特征提取。进一步的,采用神经网络聚类—LLE流行学习算法对提取的多维图像特征进行降维。进一步的,通过实验获取风力机叶片正常状态、表面裂纹、表面污染和表面点蚀等故障图像基元,并对这些图像基元进行步骤三和步骤四的操作,得到降维结果数据作为训练数据库,并采用训练数据库中的数据对支持向量机进行训练。最后,使用训练好的支持向量机来对整个风力机叶片是否存在表面点蚀故障进行判断,并监督其故障的发展。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制,以上实施例的说明只是用于帮助理解本发明的技术方案;对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上的改变之处,均应包含在本发明的保护范围之内。
Claims (1)
1.基于机器视觉图像对电力系统风力发电机叶片表面点蚀故障进行诊断的方法,包括如下步骤:
步骤一、划分风力发电机叶片,获得叶片基元;
步骤一的具体过程如下:首先,采用在风力发电机叶片表面涂上色带的方法对整个叶片进行区域划分,划分成N个子区域,其中N≥1,任意一个子区域均称为叶片基元;
步骤二、在风力机上安装工业摄像设备,定时对风力发电机叶片基元进行拍照,并对背景进行剔除,对叶片基元背景剔除后的结果图像进行二次划分成图像基元;
步骤二的具体过程如下:首先在风力机上安装工业摄像设备,定时对风力发电机叶片基元进行拍摄,获得叶片基元的原始图像;然后,将原始图像经过灰度处理,由彩色图变为灰度图,得到叶片基元的灰度图像;再通过采用Roberts轮廓提取方法对灰度图像进行叶片基元轮廓提取,得到叶片基元的二值图像,该二值图像中叶片基元为白色前景,其余部分为黑色背景;进一步,对二值图像进行形态学处理,达到初步去噪的效果,获得初步去噪图像;进而,在初步去噪图像中,采用二值图像连通区域标记法,对初步去噪图像执行两次扫描,第一次扫描通过逐行扫描像素,判断像素之间的相邻关系,对属于同一连通区域的像素赋予相同的连通标号;第二次扫描消除重复的标记,合并属于同一连通区域但是具有不同标记号的子区域,通过两步扫描找到区域面积最大的白色8连通区域,该最大的白色8连通区域就是所要获得的风力发电机叶片基元图像区域;进一步地,从原始图像中抠除去风力发电机叶片基元图像区域之外的区域,达到剔除背景的目的,同时能够得到风力发电机的叶片基元结果图像;最后,通过在叶片中做标记点对叶片基元背景剔除后的结果图像进行二次划分成图像基元;
步骤三、对图像基元进行特征提取;
步骤三的具体过程如下:对图像基元库采用基于双树复小波分析的图片特征算法提取对图像基元进行特征提取,得到图像基元的数据特征;
步骤四、采用神经网络聚类—LLE流行学习算法对提取的多维图像特征进行降维;
步骤四的具体过程如下:首先,通过模糊聚类将特征提取结果数据分为n类,进而得到各个类聚类中心和个体模糊隶属度;然后,根据模糊聚类的结果选择最靠近每类中心的样本作为广义神经网络聚类的训练样本;使用训练数据训练广义神经网络;广义神经网络预测模块用训练好的网络预测所有输入样本数据的输出序列;进一步的,按照网络预测输出序列Y把样本数据X分为n类,然后求出每类内所有样本平均值、所有样本X到中心支的距离,从距离矩阵选择距离最小的M个样本作为一组,设定其对应的网络输入为i;这样再次得到了n×m组网络训练数据,其输入数据为原始数据,输出数据为类别特征数据;得到样本类别个数,样本中心和每类样本的个数;最后,由得到的样本类别个数、样本中心、每类样本的个数及特征数据,用LLE算法对数据进行降维处理,得到数据降维结果;
步骤五、通过实验获取风力机叶片正常状态图像基元以及表面点蚀故障图像基元,并对这些图像基元进行步骤三和步骤四的操作,得到降维结果数据作为训练数据库;
步骤六、使用训练数据库对故障诊断所用的支持向量机进行训练;
步骤六的具体过程如下:首先,把训练数据库中的数据作为训练数据;然后,采用训练数据对支持向量机进行训练,获得训练好的支持向量机;该步骤六中支持向量机的训练采用标准支持向量机算法,具体训练步骤如下:
(1)设训练集T={(x1,y1),(x2,y2),…(xl,yl)}∈(X,Y)l
其中xi∈X∈RP,yi∈Y={-1,1},i=1,…l;
xi为图像基元的数据降维结果构成的向量;如果xi对应的图像基元上存在叶片点蚀,则yi为1,否则yi为-1;
(2)求解最优化问题(1.1),得最优解:
其中αi为引入的中间变量,为与每个训练数据对应的乘子;
(3)选择α*的正分量,计算
其中b*为引入的中间变量,是分类阈值;
(4)构造线性最优分类超平面,得出决策函数:
步骤七、使用步骤六中训练好的支持向量机对风力发电机叶片基元的表面是否存在点蚀故障进行诊断;
步骤七的具体过程如下:把风力发电机叶片基元经步骤二、三、四获得的图像基元数据降维结果作依次为变量x代入步骤四获得的决策函数,由决策函数的值来判断该发电机叶片基元是否存在表面点蚀故障,若决策函数的值为1则表示存在叶片点蚀,若决策函数的值为-1则表示不存在叶片点蚀;
步骤八、对所有的叶片基元均进行步骤二、三、四、七的操作,直至完成整片叶片的表面点蚀故障诊断。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410172548.4A CN103984956B (zh) | 2014-04-25 | 2014-04-25 | 基于机器视觉图像对电力系统风力发电机叶片表面点蚀故障进行诊断的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410172548.4A CN103984956B (zh) | 2014-04-25 | 2014-04-25 | 基于机器视觉图像对电力系统风力发电机叶片表面点蚀故障进行诊断的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103984956A CN103984956A (zh) | 2014-08-13 |
CN103984956B true CN103984956B (zh) | 2017-07-18 |
Family
ID=51276918
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410172548.4A Active CN103984956B (zh) | 2014-04-25 | 2014-04-25 | 基于机器视觉图像对电力系统风力发电机叶片表面点蚀故障进行诊断的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103984956B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104865269A (zh) * | 2015-04-13 | 2015-08-26 | 华北理工大学 | 风力机叶片故障诊断方法 |
CN106778723B (zh) * | 2016-11-28 | 2017-09-26 | 华中科技大学 | 一种复杂背景环境中的风力机叶片表面图像提取方法 |
CN108416294B (zh) * | 2018-03-08 | 2022-04-01 | 上海天数智芯半导体有限公司 | 一种基于深度学习的风机叶片故障智能识别方法 |
CN114740895A (zh) * | 2022-05-18 | 2022-07-12 | 福建海电运维科技有限责任公司 | 一种基于无人机的风力发电机组叶片巡检路径规划方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2011064565A2 (en) * | 2009-11-25 | 2011-06-03 | Cyberhawk Innovations Limited | Unmanned aerial vehicle |
CN102692429A (zh) * | 2011-03-24 | 2012-09-26 | 中国科学院沈阳自动化研究所 | 一种复合材料内部缺陷类型自动识别检测方法 |
CN102706885A (zh) * | 2012-05-15 | 2012-10-03 | 广东电网公司电力科学研究院 | 一种风力发电机组叶片损伤在线检测系统 |
-
2014
- 2014-04-25 CN CN201410172548.4A patent/CN103984956B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2011064565A2 (en) * | 2009-11-25 | 2011-06-03 | Cyberhawk Innovations Limited | Unmanned aerial vehicle |
CN102692429A (zh) * | 2011-03-24 | 2012-09-26 | 中国科学院沈阳自动化研究所 | 一种复合材料内部缺陷类型自动识别检测方法 |
CN102706885A (zh) * | 2012-05-15 | 2012-10-03 | 广东电网公司电力科学研究院 | 一种风力发电机组叶片损伤在线检测系统 |
Non-Patent Citations (2)
Title |
---|
《Research on Wind Turbine Blade Surface Damage Fault on-line Monitoring and Diagnosis System》;Feng Yongxin;《Proceedings of the ASME 2013 Power Conference》;20130801;全文 * |
《基于模糊聚类广义回归神经网络的网络入侵研究》;王博;《基于模糊聚类广义回归神经网络的网络入侵研究》;20120531;第36卷(第3期);第289-291页 * |
Also Published As
Publication number | Publication date |
---|---|
CN103984956A (zh) | 2014-08-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103982378B (zh) | 基于机器视觉图像对电力系统风力发电机叶片表面结冰故障进行诊断的方法 | |
CN103984952B (zh) | 基于机器视觉图像对电力系统风力发电机叶片表面裂纹故障进行诊断的方法 | |
Kurukuru et al. | Fault classification for photovoltaic modules using thermography and image processing | |
Espinosa et al. | Failure signature classification in solar photovoltaic plants using RGB images and convolutional neural networks | |
Çelik et al. | Development of a machine vision system: real-time fabric defect detection and classification with neural networks | |
CN112233073A (zh) | 一种变电设备红外热成像异常实时检测方法 | |
CN103984956B (zh) | 基于机器视觉图像对电力系统风力发电机叶片表面点蚀故障进行诊断的方法 | |
CN109359697A (zh) | 一种电力设备巡检中使用的图形图像识别方法及巡查系统 | |
CN104865269A (zh) | 风力机叶片故障诊断方法 | |
Haidari et al. | Deep learning-based model for fault classification in solar modules using infrared images | |
CN111080691A (zh) | 一种光伏组件红外热斑检测方法、装置 | |
Yu et al. | Image-based damage recognition of wind turbine blades | |
CN107749058A (zh) | 一种锅炉管道表面缺陷的机器视觉检测方法及系统 | |
Niazi et al. | Binary classification of defective solar PV modules using thermography | |
CN112258490A (zh) | 基于光学和红外图像融合的低发射率涂层智能探损方法 | |
CN111402249B (zh) | 基于深度学习的图像演化分析方法 | |
Zhao et al. | The cold rolling strip surface defect on-line inspection system based on machine vision | |
CN115908354A (zh) | 一种基于双尺度策略和改进的yolov5网络的光伏面板缺陷检测方法 | |
CN116310274A (zh) | 一种输变电设备的状态评估方法 | |
CN114841957A (zh) | 一种基于深度学习的钢板表面缺陷检测方法 | |
CN110009601A (zh) | 基于hog的大型装备不规则外形表面缺陷检测方法 | |
Zhang et al. | Fabric defect detection based on visual saliency map and SVM | |
Oni et al. | Patterned fabric defect detection and classification (fddc) techniques: A review | |
CN113674225A (zh) | 一种基于卷积神经网络的电力设备故障检测方法 | |
CN107545565B (zh) | 一种太阳能网版检测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CP03 | Change of name, title or address | ||
CP03 | Change of name, title or address |
Address after: 510080 water Donggang 8, Dongfeng East Road, Yuexiu District, Guangzhou, Guangdong. Co-patentee after: Huazhong University of Science and Technology Patentee after: ELECTRIC POWER RESEARCH INSTITUTE, GUANGDONG POWER GRID CO., LTD. Address before: 510080 dongdongdong Road, dongdongdong Road, Guangzhou, Guangdong Province, No. 8 Co-patentee before: Huazhong University of Science and Technology Patentee before: Electrical Power Research Institute of Guangdong Power Grid Corporation |