CN106841214A - 一种非接触式风电叶片风沙侵蚀程度检测方法 - Google Patents

一种非接触式风电叶片风沙侵蚀程度检测方法 Download PDF

Info

Publication number
CN106841214A
CN106841214A CN201710043360.3A CN201710043360A CN106841214A CN 106841214 A CN106841214 A CN 106841214A CN 201710043360 A CN201710043360 A CN 201710043360A CN 106841214 A CN106841214 A CN 106841214A
Authority
CN
China
Prior art keywords
image
cut
blade
wind electricity
dust storm
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.)
Pending
Application number
CN201710043360.3A
Other languages
English (en)
Inventor
李万润
张建斐
王雪平
王辉
杜永峰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Lanzhou University of Technology
Original Assignee
Lanzhou University of Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Lanzhou University of Technology filed Critical Lanzhou University of Technology
Priority to CN201710043360.3A priority Critical patent/CN106841214A/zh
Publication of CN106841214A publication Critical patent/CN106841214A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G01N2021/8887—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges based on image processing techniques

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Biochemistry (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Signal Processing (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Quality & Reliability (AREA)
  • Theoretical Computer Science (AREA)
  • Image Processing (AREA)

Abstract

本发明提供了一种非接触式风电叶片风沙侵蚀程度检测方法。首先，利用无人机搭载图像采集系统定期获取风电叶片受风沙侵蚀图像；然后由无人机上的全高清数字图像传输系统将采集到的图像实时传输到计算机中，利用自编图像处理软件对采集到的图像数据进行处理，获得风电叶片的划痕特征信息，根据划痕特征信息，对风电叶片受风沙侵蚀程度进行评判并预警。本发明解决了由于风电叶片高度比较高、人工检测难以及人工肉眼判断不准确等问题，并且本发明的图像采集过程更容易实现，其图像处理的结果精度高且易于被工程人员接受，降低了人工检测的工作量。该技术除了可以对叶片损伤进行检测外，还可以用于风电塔筒等表面损伤的检测。

Description

一种非接触式风电叶片风沙侵蚀程度检测方法
技术领域
本发明涉及结构健康检测技术领域，具体涉及一种非接触式风电叶片风沙侵蚀程度检测方法。
背景技术
西北地区由于风中含有较大的沙粒会对叶片产生较大的侵蚀作用进而直接影响风电发电效率与结构整体的安全性。现在传统的叶片检测手段是望远镜观察和绳索垂降人工检测。传统叶片检测有以下缺点：(1)检测效率低，工人劳动强度大；(2)高空作业，检测成本高；(3)检测时间长，停机发电量损失大。机器视觉系统以其优异的检测水平已在大型精密仪器受侵蚀程度方面得到了验证，因此该技术受到广泛关注。现有的研究主要围绕着风电塔筒的涂层以及风力机叶片涂层材料的选择、受力性能等方面展开，而在利用图像处理技术对侵蚀叶片进行图像采集、图像处理、叶片划痕的识别与提取以及叶片受侵蚀程度评判方面则几乎空白。风沙对风力机叶片的侵蚀程度在风电发电效率和整体稳定性方面起着至关重要的作用，已有理论模型不能真实评定叶片受侵蚀程度。因此，基于机器视觉系统检测叶片并给出侵蚀程度后划痕直观图及相应的评判依据,具有重要的实际意义。
发明内容
为了解决现有技术中存在的问题，本发明提供了一种非接触式风电叶片风沙侵蚀程度检测方法。
本发明的技术方案如下：
首先利用无人机搭载的图像采集系统定期获取风电叶片受风沙侵蚀过程中的图像；运用图像传输系统实现图像的远距离传输到安装有图像采集卡的处理器当中；然后对图像进行图像处理并计算划痕长度、宽度以及划痕面积损伤率等相关参数，获得风电叶片的划痕特征信息；最后根据划痕特征信息与各个划痕的参数值得出最终的检测结果，具体包括以下步骤：
S1：搭建图像采集系统，图像采集部分根据检测环境和相机采集精度将高倍自动对焦镜头、CMOS工业相机以及全高清数字图像传输系统组成的图像采集和传输单元安装到无人机上，然后根据相机的视场，将叶片划分为N份；根据相机的物距，计算无人机与待测叶片间的垂直距离并在无人机上设置识别距离；地面部分将全高清数字图像传输系统地面接收器和安装有图像采集卡的处理设备连接；
S2：图像采集，利用所述步骤S1搭建的图像采集系统，启动处理设备和相机，待无线传输信号稳定后启动无人机升高到待测叶片处，根据无人机内自带的卫星定位模块相对高度识别功能，对待测叶片的各个子部分依次进行图像采集，并由无人机上的全高清数字图像传输系统将采集到的图像传输回地面上的全高清数字图像传输系统地面接收器，再从地面接收器传输到安装有图像采集卡的处理设备当中；
S3：图像处理，利用所述步骤S2中获取的风电叶片各个子部分的划痕图像，对划痕图像依次进行图像预处理、边缘检测、图像分割、划痕信息计算后获得图像划痕特征信息，最后通过图像拼接技术获取整个风电叶片的划痕特征信息；
S4：风电叶片侵蚀程度评价，根据所述步骤S3中风电叶片的划痕特征信息，为叶片受风沙侵蚀程度的评判提供划痕直观图像，所述划痕直观图像包括划痕长度、宽度、划痕面积、划痕面积占有率的实际图像和相应数据参数。
上述步骤S2中获取风电叶片划痕图像时，将风电叶片上每个部位的图像均采集到，经过处理设备处理后，再通过图像拼接技术得到叶片整体受损图，以供后续进行评判。
上述步骤S2中获取风电叶片划痕图像时，若出现因天气状况不佳，如下雨和阴天而导致采集到的叶片图像不清晰，使得后续图像识别误差太大的情况，可选取天气晴朗的时段进行采集，将相应的风电叶片置于颜色有差异的背景中。
上述步骤S2中卫星定位模块为GPS\GLONASS双模。
为保证图像既有图像目标和背景灰度值的明显差异，又要保证在整个被监测区域内有足够的整体亮度。可在无人机上安装LED点光源，照明系统选择前向照明，即光源位于待测试件与相机之间,CMOS相机和光源系统同轴组成视觉拍摄系统，这样可以为后续图像处理及识别精度方面提供便利。
上述步骤S3中，风电叶片划痕特征提取包括划痕图像增强、划痕中心点定位、确定划痕特征区域和特征提取；其中先将采集到的划痕图灰度化处理，得到灰度图像的阈值；根据阈值对图像进行图像增强处理，得到清晰的划痕灰度图；然后对其划痕灰度图进行三次样条插值得到边界平滑的划痕图像，最后将划痕区域的像素矩阵函数与高斯差分函数进行卷积运算，得到SIFT特征点，将前述二值化累积得到的特征图像进行八方向的Gabor滤波，得到最终高精度的划痕区域图像，最后用边界属性得到划痕的长径、短径、面积及周长等特征值。
本发明相对于现有技术具有以下优点：
1、本发明的风电叶片侵蚀程度检测方法，其整套检测设备容易携带、检测平台易快速搭建，整个检测过程均由地面的工程人员远程操作实现，与传统意义上的人员高空检测叶片损伤程度相比，该方法难度低，安全性高、判断精准，能够数倍的节约劳动力，从而能更容易实现且易于被工程人员接受。
2、本发明基于机器视觉技术的非接触式检测方法，可以实现对叶片侵蚀过程的定期检测，结合图像处理软件得到的划痕直观图像和划痕长度、宽度及划痕面积占有率等参数值，能够较为真实的反映叶片受风沙侵蚀程度的大小，同时也为工程人员对更加精确地判断叶片损伤程度提供了直观图像和参数依据。
3、本发明的检测过程是非接触，地面操作人员只需两人即可完成整个图像采集，且图像采集过程不受当地气候条件和场地太大的限制，采集图像快速高效，可做到随测随走，从而大大提高了工程人员的效率。
4、本发明能够弥补使用高倍望远镜观测所达不到的精细化程度，从而可以更全面、更直观、更权威地检测和得出风电叶片侵蚀程度，为工程人员快速评判提供一种有效手段。
附图说明
图1为本发明叶片图像采集系统示意图；
图2为本发明的划痕识别算法流程图；
图3为原始叶片划痕图像；
图4为叶片划痕处理后的图像；
图中：1，采集区域；2，风电叶片；3，无人机；4，高倍自动对焦镜头；5，CMOS工业相机；6，无人机控制台；7，处理设备。
具体实施方式
以下结合附图，对本发明的一种风电叶片风沙侵蚀程度检测方法做进一步的详细说明。
如图1所示，本发明的一种非接触式风电叶片风沙侵蚀程度检测方法，首先利用无人机3搭载的图像采集系统定期获取风电叶片在不同风况条件下的侵蚀图像，然后利用MATLAB预先编制的图像处理程序对图像信息进行提取，获得风电叶片的划痕特征信息；最后根据划痕特征信息如：划痕的长度、宽度以及划痕面积在采集叶片图像中的划痕面积占有率等参数得出最终检测结果。具体包括以下步骤：
S1：搭建图像采集系统，在无人机上安装相机镜头和相机，根据检测环境和图像采集精度，确定相机镜头与风电叶片之间的物距和相机图像采集的视场大小，然后在无人机上将障碍物感知距离设置为相机采集的物距参数；根据视场的大小将待测叶片分为N等份，然后将无人机搭载的图像采集平台与安装有图像采集卡的计算机相连；完成图像采集系统的平台搭建；
S2：图像采集，利用步骤S1搭建的图像采集系统，启动无人机及安装在无人机上的相机，飞控人员通过遥控无人机到叶片采集的指定位置，待相机稳定后，启动安装在计算机上的相机采集界面，利用鼠标点击来控制相机进行图像采集，待采集完之后，通过无人机内部的卫星定位模块来识别自身的飞行状态和相对位移，其中定位模块为GPS\GLONASS双模，让他到达下一个叶片待测区进行依次采集，直到叶片上面N等份图像采集完，遥控无人机返回地面，图像采集结束；
S3：图像处理，利用步骤S2中获取的风电叶片在不同风沙侵蚀条件下所一一对应的风电叶片划痕图像，经过图像预处理、边缘检测、图像分割、图像拼接之后对其图像信息进行提取，获取风电叶片的划痕特征信息；
S4：风电叶片侵蚀程度评价，根据步骤S3中风电叶片的划痕特征信息，为工程人员对叶片受风沙侵蚀程度的评判提供划痕直观图像和划痕长度、宽度及划痕面积占有率的参数。
其中，如图2所示，步骤S3中风电叶片划痕特征提取流程包括：包括划痕图像增强、划痕中心点定位、确定划痕特征区域和特征提取；其中先将采集到的划痕图灰度化处理，得到灰度图像的阈值；根据阈值对图像进行图像增强处理，得到清晰的划痕灰度图；然后对其划痕灰度图进行三次样条插值得到边界平滑的划痕图像，最后将划痕区域的像素矩阵函数与高斯差分函数进行卷积运算，得到SIFT特征点，将前述二值化累积得到的特征图像进行八方向的Gabor滤波，得到最终高精度的划痕区域图像，最后用边界属性得到划痕的长径、短径、面积及周长等特征值。
本发明在对风电叶片受侵蚀程度检测的基础上，将叶片整体划痕面积占有率作为评判叶片的发电率的对象，创建了典型的叶片整体式侵蚀程度模型；结合长度、宽度和面积最大的侵蚀部位作为评判叶片安全性和整体稳定性的对象。首先解决了风电叶片受风沙侵蚀程度的实用检测基础。采用机器视觉技术与图像处理方法开发了与之相适应的应用软、硬件系统，实现了真正意义上非接触风电叶片侵蚀程度的直接检测。
风电叶片风沙侵蚀程度检测方法和评判标准：在风电叶片整体侵蚀检测中，将风电塔上叶片整体划痕面积占有率作为评判该风电塔发电效率高低的对象，同时将采集到具有显著风沙侵蚀的叶片子部分作为受侵蚀程度分析的对象，结合该部分的图像经MATLAB处理过后得到的划痕长度、宽度和面积参数值来评判叶片的安全性和整体稳定性，从而创建了典型的叶片侵蚀程度模型。
用无人机搭载工业相机拍照的方法定期采集叶片划痕最严重的典型单元体受风沙侵蚀过程的图像，利用视觉技术的丰富功能定期采集叶片裂缝截面尺寸的变化，寻找最大划痕位置，检测最大裂缝长度和宽度变化；信息捕捉指的是图像获得。图像测量的硬件主要包括：CMOS相机、工业镜头、图像采集卡。图像的采集板块由“高倍自动对焦镜头+CMOS工业相机+图像采集卡”组成的图像采集系统获取到计算机当中，图像的处理板块过程由Matlab编制的软件系统进行控制和操作。
图像采集部分，其中图像的采集包括高倍自动对焦镜头、CMOS相机、安装有图像采集卡的计算机。
为获得高品质、高对比度的图像，将被测物体与背景尽量明显分别，获取风电叶片划痕图像时，若出现因天气状况不佳(下雨和阴天)而导致采集到的叶片图像不清晰，使得后续图像识别误差太大的情况。可在无人机上安装LED点光源，照明系统选择前向照明，即光源位于待测试件与相机之间,CMOS相机和光源系统同轴组成视觉拍摄系统，这样可以为后续图像处理及识别精度方面提供便利。以上方法在对后续图像分割提供极大的便利，有助于提高图像识别当中的精确度。
由于原始图像的质量远达不到评判标准的要求，需要对图像进行预处理，目的是改善原始图像的效果，平衡图像空间的像素值均匀度，得到清晰的划痕边缘图像，它主要采用包括预先编制好的Matlab程序对视觉系统采集到的原图像进行灰度化处理、去噪、增强和边缘平滑。
边缘检测：之后采用双三次样条插值将图像划痕的边缘平滑，得到清晰的划痕边缘图像。
图像分割：经过预处理后的图像由于在整体图像质量上依然达不到评判标准的要求，故运用编制好的Matlab程序对图像侵蚀程度不太明显的图像部分进行分割，保留清晰图像部分。
图像拼接：经过上一过程将原图N等份的清晰图像经由像素对像素的方式进行拼接，形成一张叶片在受风沙侵蚀作用下受侵蚀的各个部位清晰的二值化划痕图像。
本发明相机搭载平台采用了深圳市大疆创新科技有限公司生产的智能航拍无人机；拍照设备中镜头采用高倍自动对焦镜头；相机采用了黑白面阵CMOS相机，500万像素，分辨率为(2048×2560)。图像采集设备采用了大恒(中国)图像公司的图像采集卡，其图像采集速率和向主机传输图像速率均高达1GB/s。图像处理设备选用戴尔笔记本电脑，即可对图像采集卡采集到的图像进行快速分析。
此次试验中对大量的侵蚀叶片试件进行检测，为求得最真实数据，随机抽取18个叶片试件，对其划痕的面积A、伸长度T、短/长径之比L2/L1及划痕面积占有率ε等主要形状特征的统计结果如表1所示：
表1划痕主要形状特征的统计结果
Tablel Statistical results of feature parameters of scratches
从表1中的数据可以看出，伸长度的值在划痕中表现的非常大，表明叶片表面缺陷主要是细长的划痕而非圆形划痕；短/长径之比的值表现的非常小，则表明该叶片区域越接近于细长形，存在划痕的可能性也就越大；划痕面积的占有率ε值越大表明该区域里叶片受损伤程度越严重。运用这些参数特性，即可对图像中所有标记区域进行检测。
同时从表1的结果比较列中我们看到：存在人工检测和机器检测不一致的现象。人工检测认为叶片表面没有划痕，但实际情况并非如此。机器检测能检测到人工观察不到的划痕。这说明采用机器检测方法可以检测出人工无法检测到的细小划痕，使检测准确度大大提高。
本发明风电叶片侵蚀程度检测法，当对风电叶片进行侵蚀程度检测时，图像划痕精度要求控制在1mm，通过换算后该镜头采集图像的试场实际是叶片最大尺寸(1000mm*1000mm)上叶片受风沙侵蚀下裂缝宽度变化范围和侵蚀面积比，最后通过将整个叶片图像采集并分析完之后通过图像拼接完成整个叶片的侵蚀图像，评判叶片的侵蚀程度及安全性。
现代视觉和图像处理技术的结合为实现这种测量方法提供了有效的保证。本发明采用视觉技术和图像处理分析方法建立了适用于叶片风沙侵蚀程度大小的检测系统，完成对叶片的图像捕捉和图像分析处理，得到真实有效的叶片侵蚀程度的评判标准。
测试系统的硬件设计主要包括图像的获得，通过视觉系统定期检测叶片试样在整个侵蚀过程采集到图像，为计算裂缝宽度的变化范围做准备。图像测量的硬件主要包括：无人机搭载平台、工业镜头、CMOS相机、图像采集卡和计算机。
系统软件采用了Matlab作为其后期图像处理分析平台，系统硬件中的图像采集卡采集到的图像信息传输到Matlab中，利用Matlab强大的数据处理能力进行处理实现。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (6)

1.一种非接触式风电叶片风沙侵蚀程度检测方法，其特征在于，首先利用无人机搭载由高倍自动对焦镜头和CMOS工业相机所组成得图像采集系统获取受风沙侵蚀下风电叶片的图像；然后通过无人机上安装的图像传输系统将采集到的图像传输到安装有图像采集卡的处理设备中；再利用图像处理技术对图像信息进行提取，获得风电叶片的划痕特征信息；最后根据划痕特征信息得出最终检测结果；所述划痕特征信息包括划痕的长度、宽度以及划痕总面积在整个采集叶片图像中的划痕面积占有率。
2.如权利要求1所述的一种非接触式风电叶片风沙侵蚀程度检测方法，其特征在于，具体包括以下步骤：
S1：搭建图像采集系统，图像采集部分根据检测环境和相机采集精度将高倍自动对焦镜头、CMOS工业相机以及全高清数字图像传输系统组成的图像采集和传输单元安装到无人机上，然后根据相机的视场，将叶片划分为N份；根据相机的物距，计算无人机与待测叶片间的垂直距离并在无人机上设置识别距离；地面部分将全高清数字图像传输系统地面接收器和安装有图像采集卡的处理设备连接；
S2：图像采集，利用所述步骤S1搭建的图像采集系统，启动处理设备和相机，待无线传输信号稳定后启动无人机升高到待测叶片处，根据无人机内自带的卫星定位模块到达待测高度，并对待测叶片的各个子部分依次进行图像采集，然后由无人机上的全高清数字图像传输系统将采集到的图像传输回地面上的全高清数字图像传输系统地面接收器中，再从地面接收器传输到安装有图像采集卡的处理设备当中；
S3：图像处理，利用所述步骤S2中获取的风电叶片各个子部分的划痕图像，对划痕图像依次进行图像预处理、边缘检测、图像分割、划痕信息计算后获得图像划痕特征信息，最后通过图像拼接技术获取整个风电叶片的划痕特征信息；
S4：风电叶片侵蚀程度评价，根据所述步骤S3中风电叶片的划痕特征信息，为叶片受风沙侵蚀程度的评判提供划痕直观图像，所述划痕直观图像包括划痕长度、宽度、划痕面积、划痕面积占有率的实际图像和相应数据参数。
3.如权利要求2所述的一种非接触式风电叶片风沙侵蚀程度检测方法，其特征在于，所述步骤S2中获取风电叶片划痕图像时，将风电叶片上每个部位的图像均采集到，经过处理设备处理后，再通过图像拼接技术得到叶片整体受损图，以供后续进行评判。
4.如权利要求2所述的一种非接触式风电叶片风沙侵蚀程度检测方法，其特征在于，所述步骤S2中获取风电叶片划痕图像时，选取天气晴朗的时段进行采集，将相应的风电叶片置于颜色有差异的背景中，便于后续处理。
5.如权利要求2所述的一种非接触式风电叶片风沙侵蚀程度检测方法，其特征在于，所述步骤S2中卫星定位模块为GPS\GLONASS双模。
6.如权利要求2所述的一种非接触式风电叶片风沙侵蚀程度检测方法，其特征在于，所述步骤S3中，风电叶片划痕特征提取包括划痕图像增强、划痕中心点定位、确定划痕特征区域和特征提取；其中先将采集到的划痕图灰度化处理，得到灰度图像的阈值；根据阈值对图像进行图像增强处理，得到清晰的划痕灰度图；然后对其划痕灰度图进行三次样条插值得到边界平滑的划痕图像，最后将划痕区域的像素矩阵函数与高斯差分函数进行卷积运算，得SIFT特征点，将前述二值化累积得到的特征图像进行八方向的Gabor滤波，得到最终高精度的划痕区域图像，最后用边界属性得到划痕的长径、短径、面积及周长等特征值。
CN201710043360.3A 2017-01-21 2017-01-21 一种非接触式风电叶片风沙侵蚀程度检测方法 Pending CN106841214A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710043360.3A CN106841214A (zh) 2017-01-21 2017-01-21 一种非接触式风电叶片风沙侵蚀程度检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710043360.3A CN106841214A (zh) 2017-01-21 2017-01-21 一种非接触式风电叶片风沙侵蚀程度检测方法

Publications (1)

Publication Number Publication Date
CN106841214A true CN106841214A (zh) 2017-06-13

Family

ID=59119456

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710043360.3A Pending CN106841214A (zh) 2017-01-21 2017-01-21 一种非接触式风电叶片风沙侵蚀程度检测方法

Country Status (1)

Country Link
CN (1) CN106841214A (zh)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108107051A (zh) * 2017-12-19 2018-06-01 无锡先导智能装备股份有限公司 基于机器视觉的锂电池缺陷检测系统及方法
CN108540738A (zh) * 2018-03-19 2018-09-14 王英华 云计算定位系统
CN109060826A (zh) * 2018-08-16 2018-12-21 大连维德集成电路有限公司 一种不停机的风电叶片检测装置
CN110501344A (zh) * 2019-08-30 2019-11-26 无锡先导智能装备股份有限公司 电池物料在线检测方法
CN110823742A (zh) * 2019-11-07 2020-02-21 常州合欣达旭新能源科技发展有限公司 一种风电叶片雨蚀测试系统
CN111833336A (zh) * 2020-07-17 2020-10-27 吉林大学 一种基于高光谱的风电叶片表面砂眼故障的检测系统及方法
CN113205514A (zh) * 2021-05-27 2021-08-03 上海扩博智能技术有限公司 获取风机叶片腐蚀信息的方法、系统、设备和存储介质
CN113960068A (zh) * 2021-11-23 2022-01-21 北京华能新锐控制技术有限公司 风电叶片损伤检测方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20120262708A1 (en) * 2009-11-25 2012-10-18 Cyberhawk Innovations Limited Unmanned aerial vehicle
CN203299134U (zh) * 2013-05-06 2013-11-20 中国计量学院 基于四轴飞行器的风力发电机叶片表面裂纹检测装置
CN104215640A (zh) * 2014-08-18 2014-12-17 南京航空航天大学 基于无人直升机的风电叶片缺陷损伤检查方法及检查系统
CN205607881U (zh) * 2016-03-01 2016-09-28 西安热工研究院有限公司 一种基于无人机的风力机叶片巡检装置

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20120262708A1 (en) * 2009-11-25 2012-10-18 Cyberhawk Innovations Limited Unmanned aerial vehicle
CN203299134U (zh) * 2013-05-06 2013-11-20 中国计量学院 基于四轴飞行器的风力发电机叶片表面裂纹检测装置
CN104215640A (zh) * 2014-08-18 2014-12-17 南京航空航天大学 基于无人直升机的风电叶片缺陷损伤检查方法及检查系统
CN205607881U (zh) * 2016-03-01 2016-09-28 西安热工研究院有限公司 一种基于无人机的风力机叶片巡检装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
徐灵鑫: "风力发电机叶片表面缺陷检测的研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 *

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108107051A (zh) * 2017-12-19 2018-06-01 无锡先导智能装备股份有限公司 基于机器视觉的锂电池缺陷检测系统及方法
CN108540738A (zh) * 2018-03-19 2018-09-14 王英华 云计算定位系统
CN108540738B (zh) * 2018-03-19 2019-02-15 深圳耀德数据服务有限公司 云计算定位系统
CN109060826A (zh) * 2018-08-16 2018-12-21 大连维德集成电路有限公司 一种不停机的风电叶片检测装置
CN109060826B (zh) * 2018-08-16 2021-07-09 大连维德集成电路有限公司 一种不停机的风电叶片检测装置
CN110501344A (zh) * 2019-08-30 2019-11-26 无锡先导智能装备股份有限公司 电池物料在线检测方法
CN110823742A (zh) * 2019-11-07 2020-02-21 常州合欣达旭新能源科技发展有限公司 一种风电叶片雨蚀测试系统
CN110823742B (zh) * 2019-11-07 2022-07-26 常州合欣达旭新能源科技发展有限公司 一种风电叶片雨蚀测试系统
CN111833336A (zh) * 2020-07-17 2020-10-27 吉林大学 一种基于高光谱的风电叶片表面砂眼故障的检测系统及方法
CN111833336B (zh) * 2020-07-17 2023-11-17 吉林大学 一种基于高光谱的风电叶片表面砂眼故障的检测系统及方法
CN113205514A (zh) * 2021-05-27 2021-08-03 上海扩博智能技术有限公司 获取风机叶片腐蚀信息的方法、系统、设备和存储介质
CN113960068A (zh) * 2021-11-23 2022-01-21 北京华能新锐控制技术有限公司 风电叶片损伤检测方法

Similar Documents

Publication Publication Date Title
CN106841214A (zh) 一种非接触式风电叶片风沙侵蚀程度检测方法
CN101957178B (zh) 一种隧道衬砌裂缝测量方法及其测量装置
CN108230344B (zh) 一种隧道渗漏水病害自动识别方法
CN110378879A (zh) 一种桥梁裂缝检测方法
CN102346013A (zh) 一种隧道衬砌裂缝宽度的测量方法及装置
CN106290388A (zh) 一种绝缘子故障自动检测方法
CN112528979B (zh) 变电站巡检机器人障碍物判别方法及系统
CN109886396A (zh) 一种输电线路舞动在线预测系统及方法
CN104034733A (zh) 基于双目视觉监测与表面裂纹图像识别的寿命预测方法
CN103454285A (zh) 基于机器视觉的传动链条质量检测系统
CN104700395A (zh) 一种构造物外观裂缝检测方法及系统
CN102509102A (zh) 基于图像学习的能见度测量方法
CN109374043A (zh) 一种基于bim的运营桥梁多源检测系统及检测方法
CN112766155A (zh) 一种基于深度学习的海水养殖区提取方法
CN110046584B (zh) 一种基于无人机巡检的道路裂纹检测装置及检测方法
CN105547602A (zh) 一种地铁隧道管片渗漏水的远距离测量方法
CN106156758B (zh) 一种sar海岸图像中海岸线提取方法
CN115993096A (zh) 一种高层建筑变形测量方法
CN101710081A (zh) 基于图像纹理与分形维数的机械零件表面缺陷检测方法
CN108981924B (zh) 一种在役大型风力机叶片早期损伤现场检测系统
CN115661032A (zh) 一种适用于复杂背景的路面病害智能检测方法
CN111667473A (zh) 基于改进Canny算法的绝缘子憎水性等级判断方法
CN104573662A (zh) 一种云判方法和系统
CN105787955A (zh) 一种带钢缺陷的稀疏分割方法及其分割装置
CN109272039B (zh) 一种基于无人机的水坝周边异常监测方法与装置

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication

Application publication date: 20170613

RJ01 Rejection of invention patent application after publication