CN107144569A - 基于选择性搜索分割的风机叶片表面缺陷诊断方法 - Google Patents
基于选择性搜索分割的风机叶片表面缺陷诊断方法 Download PDFInfo
- Publication number
- CN107144569A CN107144569A CN201710287756.2A CN201710287756A CN107144569A CN 107144569 A CN107144569 A CN 107144569A CN 201710287756 A CN201710287756 A CN 201710287756A CN 107144569 A CN107144569 A CN 107144569A
- Authority
- CN
- China
- Prior art keywords
- region
- fan blade
- image
- similarity
- layer
- 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
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
- G06T7/0008—Industrial image inspection checking presence/absence
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Biochemistry (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Quality & Reliability (AREA)
- Signal Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明基于选择性搜索分割的风机叶片表面缺陷诊断方法,包括以下步骤:对待拍摄到的风机叶片使用选择性搜索分割获得候选区域;通过ImageNet图像集训练深度卷积神经网络,提取除输出层以外的网络作为图像特征提取器;提取风机叶片训练集的图像特征并训练支持向量机分类器;提取候选区域的图像特征,通过支持向量机分类器,判定待检测风机叶片的状态;本发明有效地减少了计算量,可以通过图片较好的识别风机叶片故障类型,可用于风电厂对于风机叶片的监测。
Description
技术领域
本发明属于风机叶片缺陷诊断技术领域,具体涉及基于选择性搜索的分割技术以及基于图片的风机叶片表面缺陷诊断方法,通过风机叶片图片来判断风机叶片表面缺陷。
背景技术
叶片是风力发电机组关键部件之一,在工作过程中受到强风负荷、沙粒冲刷、大气氧化与潮湿空气腐蚀等因素的影响,不可避免会出现气孔、裂缝、磨损、腐蚀等问题,如不及时进行处理会导致叶片断裂,严重威胁着机组安全运行,因此对风力发电机叶片实施状态检测与故障诊断研究具有重要意义。风机叶片检测可避免叶片在运行过程中可能出现故障,降低由于突发事故产生的不必要损失及停机维护检修带来的发电损失,减少叶片维修维护成本,直接影响着机组的整体可靠稳定与综合效益。
目前风机叶片的故障诊断方法主要采用人工巡检的方式,无法满足实时监测,及时进行故障诊断的需求,而且对于大规模风力发电场,这种巡检方式效率低下。另外也有采用故障信号分析的方法,如时域和频域分析方法,但其具有局部局限性,通常只能宏观的诊断出故障是否发生,无法对表面缺陷的类型。
发明内容
为了解决传统风机叶片故障识别中的一些不足,本发明从图像的角度提出一种基于选择性搜索分割的风机叶片表面缺陷诊断方法,对待拍摄到的风机叶片使用选择性搜索分割获得候选区域;提取候选区域的图像特征,通过支持向量机分类器,判定待检测风机叶片的状态。
为了达到上述目的,本发明采用的技术方案如下:
一种基于选择性搜索分割的风机叶片表面缺陷诊断方法,包括以下步骤:
步骤1:通过选择性搜索分割从现场拍摄的风机叶片故障图像中获得待检测的区域;
(1)通过基于图的图像分割,得到初始化的区域R={r1,…,rn},n为初始化的区域个数,具体步骤如下;
a.将现场拍摄的风机叶片故障图像用加权图表示,加权图由节点集V和边集E组成,表示为G=(V,E),节点集V={v1,…,vm},m为节点个数,边集E={b1,…,bl},l为边的条数;
b.以非递减方式将l条边按照权值排序;
c.每个节点属于一个区域,得到最初的分割区域集合R(0);
d.记第k条边连接的两个节点为vi和vj,记第k次分割的区域集合为R(k-1),如果R(k -1)中vi和vj分别属于两个区域且第k条边的权重w(bk)大于两个区域内间距,则R(k)=R(k-1),k=k+1,反之,合并两个区域,在R(k-1)中去掉这两个区域并加入新合并的区域,变成新的分割集合R(k);
e.重复步骤d,直到k=m,得到初始化的区域R=R(m);
(2)初始化相似度集合 为空集;
(3)计算相邻区域的相似度s(ri,rj),S=S∪s(ri,rj);其中S(ri,rj)=Sg(ri,rj)+St(ri,rj)+Sa(ri,rj)+Sc(ri,rj),Sg(ri,rj)为灰度特征相似度,St(ri,rj)为纹理相似性,Sa(ri,rj)为面积相似性,Sc(ri,rj)为相交相似性;
a.从每个初始区域中得到一个一维的灰度分布直方图,该直方图共有25个区间, 和分别表示第i个和第j个区域第k个区间的灰度分布直方图特征;
b.对每个初始区域,在8个方向上计算方差为1的高斯微分,每个方向用10个区间的纹理直方图来描述, 和分别表示第i个和第j个区域第k个区间的纹理直方图特征;
c.其中size(ri)和size(rj)分别表示第i个和第j个区域的像素数目,size(X)表示拍摄所得图片的像素数目;
d.其中size(Aij)表示第i个和第j个区域最小外包区域的像素数目;
(4)找到相似度最大的两个区域ra,rb,s(ra,rb)=max(S);
(5)合并ra和rb,获得新的区域rt,rt=ra∪rb;
(6)在相似度集合S中去掉和ra相关的相似度,S=S\s(ra,r*),在相似度集合S去掉和rb相关的相似度,S=S\s(rb,r*);
(7)在初始化的区域R中去掉ra和rb,R=R\ra,R=R\rb,加入rt R=R∪rt;
(8)计算区域rt和它的相邻区域的相似度St,S=S∪St;
(9)重复步骤(4)到步骤(8),直到得到待检测的区域rt;
步骤2:通过ImageNet图像集训练深度卷积神经网络,提取除最后两层以外的网络作为图像特征提取网络;
(1)构建一个10层神经网络,前六层分别是卷积层C1、池化层P1、卷积层C2、池化层P2、卷积层C3和池化层P3,第7、8、9层是全连接层FC1、FC2和FC3,输出层是Softmax层;
(2)通过反向传播算法,通过ImageNet图像集训练步骤(1)中的深度卷积神经网络,直到输出层的损失函数J(θ)≤0.001,得到深度卷积神经网络CNN;
(3)提取训练后深度卷积神经网络CNN的前八层,作为图像特征提取网络f(X);
步骤3:提取风机叶片训练的图像特征,放入支持向量机进行训练学习,求解分类超平面,得到支持向量机模型M(d);
步骤4:将步骤1中获得的待检测区域rt,输入步骤2中的到的图像特征提取网络f(X),得到待检测区域的图像特征dt,将图像特征dt输入训练好的支持向量机模型M(d),最终得到风机状态yt。
和现有技术相比较,本发明具备如下优点:
第一,本发明利用选择性分割算法从拍摄的图像中分割出待检测风机叶片的候选区域,大大的减小对所有存在区域进行故障诊断的计算复杂,提高了对于风机叶片故障的识别效率。
第二,本发明利用ImageNet数据集来训练深度卷积神经网络,克服了风机叶片故障图片数量少的困难,避免了人工设计特征,可以很好的提取风机图片的特征,对于风机故障的识别具有较高的准确度。
附图说明
图1是本发明实现的流程图。
图2是拍摄到的风机叶片图片。
图3是选择性搜索分割的区域。
具体实施方式
下面参照图1,结合风机叶片图像表面缺陷诊断为实例对本发明作更详细的说明。
本发明基于选择性搜索分割的风机叶片故障检测方法包括以下4个步骤:
步骤1:通过选择性搜索分割从拍摄图片(如图2)中获得待检测的区域;
(1)通过基于图的图像分割,得到初始化的区域R={r1,…,rn},n为初始化的区域个数,具体步骤如下;
a.将现场拍摄的风机叶片故障图像用加权图表示,加权图有节点集V和边集E组成,表示为G=(V,E),节点集V={v1,…,vm},m为节点个数,边集E={b1,…,bl},l为边的条数;
b.以非递减方式将l条边按照权值排序;
c.每个节点属于一个区域,得到最初的分割区域集合R(0);
d.记第k条边连接的两个节点为vi和vj,记第k次分割的区域集合为R(k-1),如果R(k -1)中vi和vj分别属于两个区域且第k条边的权重w(bk)大于两个区域内间距,则R(k)=R(k-1),k=k+1,反之,合并两个区域,在R(k-1)中去掉这两个区域并加入新合并的区域,变成新的分割集合R(k)。
e.重复步骤d,直到k=m,得到初始化的区域R=R(m)。
(2)初始化相似度集合 为空集;
(3)计算相邻区域的相似度s(ri,rj),S=S∪s(ri,rj);其中S(ri,rj)=Sg(ri,rj)+St(ri,rj)+Sa(ri,rj)+Sc(ri,rj),表示Sg(ri,rj)灰度特征相似度,St(ri,rj)为纹理相似性,Sa(ri,rj)为面积相似性,Sc(ri,rj)为相交相似性。
a.从每个初始区域中得到一个一维的灰度分布直方图,该直方图共有25个区间, 和分别表示第i个和第j个区域第k个区间的灰度分布直方图特征;
b.对每个初始区域,在8个方向上计算方差为1的高斯微分,每个方向用10个区间的纹理直方图来描述, 和分别表示第i个和第j个区域第k个区间的纹理直方图特征;
c.其中size(ri)和size(rj)分别表示第i个和第j个区域的像素数目,size(X)表示拍摄所得图片的像素数目;
d.其中size(Aij)表示第i个和第j个区域最小外包区域的像素数目。
(4)找到相似度最大的两个区域ra,rb,s(ra,rb)=max(S);
(5)合并ra和rb,获得新的区域rt,rt=ra∪rb;
(6)在集合S去掉和ra相关的相似度,S=S\s(ra,r*),在集合S去掉和rb相关的相似度,S=S\s(rb,r*);
(7)在集合R去掉ra和rb,R=R\ra,R=R\rb,加入rt R=R∪rt;
(8)计算区域rt和它的相邻区域的相似度St,S=S∪St;
(9)重复步骤(4)到步骤(8),直到得到待检测的区域rt,如图3。
步骤2:通过ImageNet图像集训练深度卷积神经网络,提取除最后两层以外的网络作为图像特征提取网络;
(1)构建一个10层神经网络,前六层分别是卷积层C1、池化层P1、卷积层C2、池化层P2、卷积层C3和池化层P3,第7、8、9层是全连接层FC1、FC2和FC3,输出层是个Softmax层;
(2)通过反向传播算法,通过ImageNet图像集训练步骤(1)中建立的深度卷积神经网络,直到输出层的损失函数J(θ)≤0.001,得到深度卷积神经网络CNN;
(3)提取训练后深度卷积神经网络CNN的前八层,作为图像特征提取网络f(X),得到图像的4096维的深度特征。
步骤3:提取风机叶片训练的图像深度特征,放入支持向量机进行训练学习,求解分类超平面,得到支持向量机模型M(d);
步骤4:将步骤1中获得的待检测区域,rt,输入步骤2中的到的图像特征提取网络f(X),得到待检测区域的图像特征,dt,将图像特征输入训练好的支持向量机模型中M(d),最终得到风机状态,yt。图3检测到风机故障类型为风机叶片的雷击损伤。
Claims (1)
1.一种基于选择性搜索分割的风机叶片表面缺陷诊断方法,其特征在于:包括以下步骤:
步骤1:通过选择性搜索分割从现场拍摄的风机叶片故障图像中获得待检测的区域;
(1)通过基于图的图像分割,得到初始化的区域R={r1,…,rn},n为初始化的区域个数,具体步骤如下;
a.将现场拍摄的风机叶片故障图像用加权图表示,加权图由节点集V和边集E组成,表示为G=(V,E),节点集V={v1,…,vm},m为节点个数,边集E={b1,…,bl},l为边的条数;
b.以非递减方式将l条边按照权值排序;
c.每个节点属于一个区域,得到最初的分割区域集合R(0);
d.记第k条边连接的两个节点为vi和vj,记第k次分割的区域集合为R(k-1),如果R(k-1)中vi和vj分别属于两个区域且第k条边的权重w(bk)大于两个区域内间距,则R(k)=R(k-1),k=k+1,反之,合并两个区域,在R(k-1)中去掉这两个区域并加入新合并的区域,变成新的分割集合R(k);
e.重复步骤d,直到k=m,得到初始化的区域R=R(m);
(2)初始化相似度集合 为空集;
(3)计算相邻区域的相似度s(ri,rj),S=S∪s(ri,rj);其中S(ri,rj)=Sg(ri,rj)+St(ri,rj)+Sa(ri,rj)+Sc(ri,rj),Sg(ri,rj)为灰度特征相似度,St(ri,rj)为纹理相似性,Sa(ri,rj)为面积相似性,Sc(ri,rj)为相交相似性;
a.从每个初始区域中得到一个一维的灰度分布直方图,该直方图共有25个区间, 和分别表示第i个和第j个区域第k个区间的灰度分布直方图特征;
b.对每个初始区域,在8个方向上计算方差为1的高斯微分,每个方向用10个区间的纹理直方图来描述, 和分别表示第i个和第j个区域第k个区间的纹理直方图特征;
c.其中size(ri)和size(rj)分别表示第i个和第j个区域的像素数目,size(X)表示拍摄所得图片的像素数目;
d.其中size(Aij)表示第i个和第j个区域最小外包区域的像素数目;
(4)找到相似度最大的两个区域ra,rb,s(ra,rb)=max(S);
(5)合并ra和rb,获得新的区域rt,rt=ra∪rb;
(6)在相似度集合S中去掉和ra相关的相似度,S=S\s(ra,r*),在相似度集合S去掉和rb相关的相似度,S=S\s(rb,r*);
(7)在初始化的区域R中去掉ra和rb,R=R\ra,R=R\rb,加入rt R=R∪rt;
(8)计算区域rt和它的相邻区域的相似度St,S=S∪St;
(9)重复步骤(4)到步骤(8),直到得到待检测的区域rt;
步骤2:通过ImageNet图像集训练深度卷积神经网络,提取除最后两层以外的网络作为图像特征提取网络;
(1)构建一个10层神经网络,前六层分别是卷积层C1、池化层P1、卷积层C2、池化层P2、卷积层C3和池化层P3,第7、8、9层是全连接层FC1、FC2和FC3,输出层是Softmax层;
(2)通过反向传播算法,在ImageNet图像集训练步骤(1)中的深度卷积神经网络,直到输出层的损失函数J(θ)≤0.001,得到深度卷积神经网络CNN;
(3)提取训练后深度卷积神经网络CNN的前八层,作为图像特征提取网络f(X);
步骤3:提取风机叶片训练的图像特征,放入支持向量机进行训练学习,求解分类超平面,得到支持向量机模型M(d);
步骤4:将步骤1中获得的待检测区域rt,输入步骤2中的到的图像特征提取网络f(X),得到待检测区域的图像特征dt,将图像特征dt输入训练好的支持向量机模型M(d),最终得到风机状态yt。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710287756.2A CN107144569A (zh) | 2017-04-27 | 2017-04-27 | 基于选择性搜索分割的风机叶片表面缺陷诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710287756.2A CN107144569A (zh) | 2017-04-27 | 2017-04-27 | 基于选择性搜索分割的风机叶片表面缺陷诊断方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107144569A true CN107144569A (zh) | 2017-09-08 |
Family
ID=59775433
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710287756.2A Pending CN107144569A (zh) | 2017-04-27 | 2017-04-27 | 基于选择性搜索分割的风机叶片表面缺陷诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107144569A (zh) |
Cited By (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107153842A (zh) * | 2017-04-27 | 2017-09-12 | 西安交通大学 | 基于边缘分割的风机叶片保护膜损伤检测方法 |
CN108038853A (zh) * | 2017-12-18 | 2018-05-15 | 浙江工业大学 | 一种基于卷积神经网络和主动学习的瓷砖表面缺陷识别方法 |
CN108459585A (zh) * | 2018-04-09 | 2018-08-28 | 东南大学 | 基于稀疏局部嵌入深度卷积网络的电站风机故障诊断方法 |
CN108510001A (zh) * | 2018-04-04 | 2018-09-07 | 北京交通大学 | 一种风力发电机叶片缺陷分类方法及其分类系统 |
CN109086793A (zh) * | 2018-06-27 | 2018-12-25 | 东北大学 | 一种风力发电机的异常识别方法 |
CN109658396A (zh) * | 2018-12-06 | 2019-04-19 | 华中科技大学 | 一种基于选择性搜索与cnn的铸件x光图像缺陷识别方法 |
CN109826818A (zh) * | 2019-02-26 | 2019-05-31 | 北京工业大学 | 一种矿用风机的故障诊断方法 |
CN109900713A (zh) * | 2019-04-17 | 2019-06-18 | 中国人民解放军国防科技大学 | 摄像引导的无人机风电叶片缺陷动态检测系统及其方法 |
CN110111328A (zh) * | 2019-05-16 | 2019-08-09 | 上海中认尚科新能源技术有限公司 | 一种基于卷积神经网络的风力发电机叶片裂纹检测方法 |
EP3605453A1 (en) * | 2018-08-03 | 2020-02-05 | Siemens Gamesa Renewable Energy GmbH & Co. KG | Convolutional neural network based inspection of blade-defects of a wind turbine |
CN111413404A (zh) * | 2020-03-27 | 2020-07-14 | 天津大学 | 基于叶尖定时和支持向量机原理的叶片裂纹在线测量方法 |
CN111708380A (zh) * | 2020-06-29 | 2020-09-25 | 北京御航智能科技有限公司 | 风电机组外观缺陷的检测方法、平台、无人机以及系统 |
CN111852792A (zh) * | 2020-09-10 | 2020-10-30 | 东华理工大学 | 一种基于机器视觉的风机叶片缺陷自诊断定位方法 |
CN112070102A (zh) * | 2019-06-11 | 2020-12-11 | 上海电机学院 | 一种风机叶片状态监测方法及系统 |
CN112233091A (zh) * | 2020-10-15 | 2021-01-15 | 青岛理工大学 | 一种风力机叶片图像损伤检测和定位方法 |
CN112733600A (zh) * | 2020-12-03 | 2021-04-30 | 西安交通大学 | 一种无转速参考信号的叶片故障诊断方法 |
CN113159984A (zh) * | 2021-03-19 | 2021-07-23 | 云南电网有限责任公司西双版纳供电局 | 一种变电站工作人员工作路径追踪方法 |
US11514567B2 (en) | 2019-06-24 | 2022-11-29 | Inner Mongolia University Of Technology | On-line real-time diagnosis system and method for wind turbine blade (WTB) damage |
CN116486091A (zh) * | 2023-06-26 | 2023-07-25 | 尚宁智感(北京)科技有限公司 | 基于人工智能的风机叶片缺陷区域快速分割方法及系统 |
CN117351062A (zh) * | 2023-12-04 | 2024-01-05 | 尚特杰电力科技有限公司 | 风机扇叶缺陷诊断方法、装置、系统及电子设备 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104915448A (zh) * | 2015-06-30 | 2015-09-16 | 中国科学院自动化研究所 | 一种基于层次卷积网络的实体与段落链接方法 |
CN105868774A (zh) * | 2016-03-24 | 2016-08-17 | 西安电子科技大学 | 基于选择性搜索和卷积神经网络的车标识别方法 |
-
2017
- 2017-04-27 CN CN201710287756.2A patent/CN107144569A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104915448A (zh) * | 2015-06-30 | 2015-09-16 | 中国科学院自动化研究所 | 一种基于层次卷积网络的实体与段落链接方法 |
CN105868774A (zh) * | 2016-03-24 | 2016-08-17 | 西安电子科技大学 | 基于选择性搜索和卷积神经网络的车标识别方法 |
Non-Patent Citations (2)
Title |
---|
J.R.R. UIJLINGS等: "Selective Search for Object Recognition", 《INTERNATIONAL JOURNAL OF COMPUTER VISION 》 * |
彭博,臧笛: "基于深度学习的车标识别方法研究", 《计算机科学》 * |
Cited By (29)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107153842A (zh) * | 2017-04-27 | 2017-09-12 | 西安交通大学 | 基于边缘分割的风机叶片保护膜损伤检测方法 |
CN108038853A (zh) * | 2017-12-18 | 2018-05-15 | 浙江工业大学 | 一种基于卷积神经网络和主动学习的瓷砖表面缺陷识别方法 |
CN108038853B (zh) * | 2017-12-18 | 2020-05-26 | 浙江工业大学 | 一种基于卷积神经网络和主动学习的瓷砖表面缺陷识别方法 |
CN108510001A (zh) * | 2018-04-04 | 2018-09-07 | 北京交通大学 | 一种风力发电机叶片缺陷分类方法及其分类系统 |
CN108459585A (zh) * | 2018-04-09 | 2018-08-28 | 东南大学 | 基于稀疏局部嵌入深度卷积网络的电站风机故障诊断方法 |
CN109086793A (zh) * | 2018-06-27 | 2018-12-25 | 东北大学 | 一种风力发电机的异常识别方法 |
CN109086793B (zh) * | 2018-06-27 | 2021-11-16 | 东北大学 | 一种风力发电机的异常识别方法 |
EP3605453A1 (en) * | 2018-08-03 | 2020-02-05 | Siemens Gamesa Renewable Energy GmbH & Co. KG | Convolutional neural network based inspection of blade-defects of a wind turbine |
WO2020025392A1 (en) * | 2018-08-03 | 2020-02-06 | Siemens Gamesa Renewable Energy Gmbh & Co. Kg | Convolutional neural network based inspection of blade-defects of a wind turbine |
CN109658396A (zh) * | 2018-12-06 | 2019-04-19 | 华中科技大学 | 一种基于选择性搜索与cnn的铸件x光图像缺陷识别方法 |
CN109826818B (zh) * | 2019-02-26 | 2021-06-25 | 北京工业大学 | 一种矿用风机的故障诊断方法 |
CN109826818A (zh) * | 2019-02-26 | 2019-05-31 | 北京工业大学 | 一种矿用风机的故障诊断方法 |
CN109900713A (zh) * | 2019-04-17 | 2019-06-18 | 中国人民解放军国防科技大学 | 摄像引导的无人机风电叶片缺陷动态检测系统及其方法 |
CN110111328A (zh) * | 2019-05-16 | 2019-08-09 | 上海中认尚科新能源技术有限公司 | 一种基于卷积神经网络的风力发电机叶片裂纹检测方法 |
CN112070102A (zh) * | 2019-06-11 | 2020-12-11 | 上海电机学院 | 一种风机叶片状态监测方法及系统 |
US11514567B2 (en) | 2019-06-24 | 2022-11-29 | Inner Mongolia University Of Technology | On-line real-time diagnosis system and method for wind turbine blade (WTB) damage |
CN111413404A (zh) * | 2020-03-27 | 2020-07-14 | 天津大学 | 基于叶尖定时和支持向量机原理的叶片裂纹在线测量方法 |
CN111708380A (zh) * | 2020-06-29 | 2020-09-25 | 北京御航智能科技有限公司 | 风电机组外观缺陷的检测方法、平台、无人机以及系统 |
CN111708380B (zh) * | 2020-06-29 | 2023-11-10 | 北京御航智能科技有限公司 | 风电机组外观缺陷的检测方法、平台、无人机以及系统 |
CN111852792A (zh) * | 2020-09-10 | 2020-10-30 | 东华理工大学 | 一种基于机器视觉的风机叶片缺陷自诊断定位方法 |
CN112233091A (zh) * | 2020-10-15 | 2021-01-15 | 青岛理工大学 | 一种风力机叶片图像损伤检测和定位方法 |
CN112233091B (zh) * | 2020-10-15 | 2021-05-18 | 青岛理工大学 | 一种风力机叶片图像损伤检测和定位方法 |
WO2022077605A1 (zh) * | 2020-10-15 | 2022-04-21 | 青岛理工大学 | 一种风力机叶片图像损伤检测和定位方法 |
CN112733600A (zh) * | 2020-12-03 | 2021-04-30 | 西安交通大学 | 一种无转速参考信号的叶片故障诊断方法 |
CN113159984A (zh) * | 2021-03-19 | 2021-07-23 | 云南电网有限责任公司西双版纳供电局 | 一种变电站工作人员工作路径追踪方法 |
CN116486091A (zh) * | 2023-06-26 | 2023-07-25 | 尚宁智感(北京)科技有限公司 | 基于人工智能的风机叶片缺陷区域快速分割方法及系统 |
CN116486091B (zh) * | 2023-06-26 | 2023-09-26 | 尚宁智感(北京)科技有限公司 | 基于人工智能的风机叶片缺陷区域快速分割方法及系统 |
CN117351062A (zh) * | 2023-12-04 | 2024-01-05 | 尚特杰电力科技有限公司 | 风机扇叶缺陷诊断方法、装置、系统及电子设备 |
CN117351062B (zh) * | 2023-12-04 | 2024-02-23 | 尚特杰电力科技有限公司 | 风机扇叶缺陷诊断方法、装置、系统及电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107144569A (zh) | 基于选择性搜索分割的风机叶片表面缺陷诊断方法 | |
CN109272500B (zh) | 基于自适应卷积神经网络的织物分类方法 | |
CN110111328A (zh) | 一种基于卷积神经网络的风力发电机叶片裂纹检测方法 | |
CN108898077B (zh) | 电力设备红外热图的识别方法和电力设备红外识别系统 | |
CN110261394A (zh) | 在线风机叶片损伤实时诊断系统和方法 | |
CN107153842A (zh) | 基于边缘分割的风机叶片保护膜损伤检测方法 | |
CN106874883A (zh) | 一种基于深度学习的实时人脸检测方法及系统 | |
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 | |
CN108108736A (zh) | 一种太阳能光伏板光斑识别方法 | |
CN103324939B (zh) | 基于最小二乘支持向量机技术的偏向性分类及参数寻优方法 | |
CN109034035A (zh) | 基于显著性检测和特征融合的行人重识别方法 | |
CN103955922A (zh) | 基于Gabor滤波器的印花织物疵点检测方法 | |
Yu et al. | Image-based damage recognition of wind turbine blades | |
CN110827260A (zh) | 一种基于lbp特征与卷积神经网络的布匹缺陷分类方法 | |
CN109100648A (zh) | 基于CNN-ARMA-Softmax的海流发电机叶轮缠绕故障融合诊断方法 | |
CN109389146A (zh) | 基于神经网络图像分类算法的设备状态反馈方法及系统 | |
CN114997745B (zh) | 一种基于深度特征提取的光伏故障诊断溯源方法 | |
CN111461120A (zh) | 一种基于区域的卷积神经网络物体表面缺陷检测方法 | |
CN107092935A (zh) | 一种资产变更检测方法 | |
CN115620084A (zh) | 一种基于无人机智能巡检诊断光伏组件故障的方法 | |
CN109325553B (zh) | 一种风电齿轮箱故障检测方法、系统、设备及介质 | |
CN114092478A (zh) | 一种异常检测方法 | |
CN110618129A (zh) | 一种电网线夹自动检测与缺陷识别方法及装置 | |
CN112418334B (zh) | 一种铁路动车裙板格栅变形故障识别方法 | |
CN111597939B (zh) | 一种基于深度学习的高铁线路鸟窝缺陷检测方法 |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20170908 |