CN107153842A - 基于边缘分割的风机叶片保护膜损伤检测方法 - Google Patents
基于边缘分割的风机叶片保护膜损伤检测方法 Download PDFInfo
- Publication number
- CN107153842A CN107153842A CN201710287370.1A CN201710287370A CN107153842A CN 107153842 A CN107153842 A CN 107153842A CN 201710287370 A CN201710287370 A CN 201710287370A CN 107153842 A CN107153842 A CN 107153842A
- Authority
- CN
- China
- Prior art keywords
- edge
- marginal point
- image
- msub
- fan blade
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/12—Edge-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Multimedia (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明基于边缘分割的风机叶片保护膜损伤检测方法,包括以下步骤:对待拍摄到的风机叶片进行灰度处理,使用基于边缘分割的方法从灰度图像中获得候选区域;通过深度卷积神经网络,提取候选区域的图像特征,输入支持向量机分类器,判定待检测风机叶片保护膜的状态;与现有技术相比,本发明有效地减少了计算量,可以实现在复杂场景中风机叶片保护膜故障诊断,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故障识别技术领域,具体涉及基于边缘分割技术和对话风机叶片保护膜损伤检测方法,通过风机叶片图片来判断风机叶片保护膜的状态。
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。通常在叶片前缘或1/3长度的叶尖区域贴保护膜来实现更好的保护,减小意外的发生,同时降低了叶片的维修费用。风机叶片的保护膜在风机运行中会受到损伤,出现气泡、起皱等现象,及时发现保护膜损伤并对其进行修护,可以有效的降低风机叶片损害。
目前主要采用人工巡检的方式发现风机叶片保护膜损伤,无法及时发现保护膜损伤并修护,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,无法对风机叶片保护膜是否损伤做出判断。
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边缘分割的风机叶片保护膜损伤检测方法,对待拍摄到的风机叶片灰度化后,使用基于边缘的分割获得候选区域;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保护膜是否异常。
为了达到上述目的,本发明采用的技术方案如下:
一种基于边缘分割的风机叶片保护膜损伤检测方法,包括以下步骤:
步骤1:对现场拍摄的风机叶片故障图像进行灰度处理,获取灰度图像;
步骤2:通过基于边缘的分割从灰度图像中获得待检测的区域;
(1)利用坎尼边缘检测算法计算边缘响应,得到每个边缘点p的边缘幅值mp和方向θp,获得边缘图像;
(2)标注每个边缘点,构成边缘点集合si:
a.初始化,边缘点标签i=1,边缘点集合待搜寻的边缘点集合 为空集;
b.逐行扫描,将扫描到的第一个无标签的边缘点记为该边缘点为si的第一个边缘点,k=1,将该边缘点并入边缘点集合si,将该边缘点并入待搜寻的边缘点集合W,
c.计算待搜寻的边缘点集合W中边缘点与它的八连通区域内的边缘点梯度方向角差值,dda (j),j∈[1,8],构成集合Dda,梯度方向角差值之和Sda=0。
d.找到最小的边缘点梯度方向角差值,dda (a)=min(Dda);从Dda中除去dda (a),Dda=Dda\dda (a);计算梯度方向角差值之和Sda=Sda+dda (a);
e.如果将该临近边缘点并入集合si,将该临近边缘点并入待搜寻的边缘点集合W;
f.重复步骤(d)和步骤(e),直到即找到了该边缘点的所有临近边缘点,在待搜寻的边缘点集合W除去该边缘点,
g.重复步骤(c)至步骤(f),直到此时获得边缘集合si,i=i+1。
h.重复步骤(b)至步骤(g),直到扫描完所有的边缘点,完成对每个边缘点的标注;
(3)计算边缘点集合之间的相似度a(si,sj):
a(si,sj)=|cos(θi-θij)cos(θj-θij)|γ
其中,θi和θj分别为的边缘点集合si和sj的平均角度,θij为集合θi和θj平均位置的夹角,γ用来调整si和sj之间的相似度,γ=2;如果a(si,sj)<0.05,a(si,sj)=0;
(4)使用长为bh,宽为bw的滑动窗口扫描整张图片,计算每个滑动窗口的得分hb,
其中,bh和bw分别依次设置为灰度图像长和宽的wb(si)是边缘点集合si的权重,当si的平均位置位于滑动窗口外,wb(si)=0;当si完全位于滑动窗口时,wb(si)=1;当si部分位于滑动窗口,平均位置位于滑动窗口内时,T为边缘点集合si位于滑动窗口外的个数,a(tj,tj+1)为tj和tj+1之间的相似度;
(5)选取得分高的前五个滑动窗口,B1,…,B5,对于任意两个窗口Bi和Bj计算重叠区域面积area(Bij),若则删除Bi,若则删除Bj,剩余的窗口即为待检测的候选区域;
步骤3: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8层神经网络,前六层分别是卷积层C1、池化层P1、卷积层C2和池化层P2,第5、6、7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6层,作为图像特征提取网络f(X);
步骤4: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5:将步骤2中获得的待检测区域rt,输入步骤3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),最终得到风机叶片保护膜的状态yt。
和现有技术相比较,本发明具备如下优点:
第一,本发明利用基于边缘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保护膜损伤的识别效率。
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,对于风机保护膜损伤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是基于边缘分割的流程图。
图4是基于边缘分割的区域。
具体实施方式
下面参照图1,结合风机叶片图像故障识别为实例对本发明作更详细的说明。
本发明基于边缘分割的风机叶片故障检测方法包括以下4个步骤:
步骤1:对现场拍摄的风机叶片故障图像进行灰度处理,获取灰度图像(如图2);
步骤2:通过基于边缘的分割从灰度图像中获得待检测的区域;具体步骤如如图2所示。
(1)利用坎尼边缘检测算法计算边缘响应,得到每个边缘点p的边缘幅值mp和方向θp,获得边缘图像;
(2)标注每个边缘点,构成边缘点集合si:
a.初始化,边缘点标签i=1,边缘点集合待搜寻的边缘点集合 为空集;
b.逐行扫描,将扫描到的第一个无标签的边缘点记为该边缘点为si的第一个边缘点,k=1,将该边缘点并入边缘点集合si,将该边缘点并入待搜寻的边缘点集合W,
c.计算待搜寻的边缘点集合W中边缘点与它的八连通区域内的边缘点梯度方向角差值,dda (j),j∈[1,8],构成集合Dda,梯度方向角差值之和Sda=0。
d.找到最小的边缘点梯度方向角差值,dda (a)=min(Dda);从Dda中除去dda (a),Dda=Dda\dda (a);计算梯度方向角差值之和Sda=Sda+dda (a);
e.如果将该临近边缘点并入集合si,将该临近边缘点并入待搜寻的边缘点集合W;
f.重复步骤(d)和步骤(e),直到即找到了该边缘点的所有临近边缘点,在待搜寻的边缘点集合W除去该边缘点,
g.重复步骤(c)至步骤(f),直到此时获得边缘集合si,i=i+1。
h.重复步骤(b)至步骤(g),直到扫描完所有的边缘点,完成对每个边缘点的标注。
(3)计算边缘点集合之间的相似度a(si,sj):
a(si,sj)=|cos(θi-θij)cos(θj-θij)|γ
其中,θi和θj分别为的边缘点集合si和sj的平均角度,θij为集合θi和θj平均位置的夹角,γ用来调整si和sj之间的相似度,γ=2;如果γ<0.05,a(si,sj)=0;
(4)使用长为bh,宽为bw的滑动窗口扫描整张图片,计算每个滑动窗口的得分hb,
其中,bh和bw分别依次设置为灰度图像长和宽的wb(si)是边缘点集合si的权重,当si的平均位置位于滑动窗口外,wb(si)=0;当si完全位于滑动窗口时,wb(si)=1;当si部分位于滑动窗口,平均位置位于滑动窗口内时,T为边缘点集合si位于滑动窗口外的个数,a(tj,tj+1)为tj和tj+1之间的相似度;
(5)选取得分高的前五个滑动窗口,B1,…,B5,对于任意两个窗口Bi和Bj计算重叠区域面积area(Bij),若则删除Bi,若则删除Bj,剩余的窗口即为待检测的候选区域。图4即为待检测的候选区域。
步骤3: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8层神经网络,前六层分别是卷积层C1、池化层P1、卷积层C2和池化层P2,第5、6、7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6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4: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5:将步骤2中获得的待检测区域rt,输入步骤3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),最终得到风机叶片保护膜的状态yt,为起包破损。
Claims (1)
1.一种基于边缘分割的风机叶片保护膜损伤检测方法,其特征在于:包括以下步骤:
步骤1:对现场拍摄的风机叶片故障图像进行灰度处理,获取灰度图像;
步骤2:通过基于边缘的分割从灰度图像中获得待检测的区域;
(1)利用坎尼边缘检测算法计算边缘响应,得到每个边缘点p的边缘幅值mp和方向θp,获得边缘图像;
(2)标注每个边缘点,构成边缘点集合si:
a.初始化,边缘点标签i=1,边缘点集合待搜寻的边缘点集合 为空集;
b.逐行扫描,将扫描到的第一个无标签的边缘点记为该边缘点为si的第一个边缘点,k=1,将该边缘点并入边缘点集合si,将该边缘点并入待搜寻的边缘点集合W,
c.计算待搜寻的边缘点集合W中边缘点与它的八连通区域内的边缘点梯度方向角差值dda (j),j∈[1,8],构成集合Dda,梯度方向角差值之和Sda=0;
d.找到最小的边缘点梯度方向角差值dda (a)=min(Dda);从Dda中除去dda (a),Dda=Dda\dda (a);计算梯度方向角差值之和Sda=Sda+dda (a);
e.如果将该临近边缘点并入集合si,将该临近边缘点并入待搜寻的边缘点集合W;
f.重复步骤(d)和步骤(e),直到即找到了该边缘点的所有临近边缘点,在待搜寻的边缘点集合W除去该边缘点,
g.重复步骤(c)至步骤(f),直到此时获得边缘集合si,i=i+1;
h.重复步骤(b)至步骤(g),直到扫描完所有的边缘点,完成对每个边缘点的标注;
(3)计算边缘点集合之间的相似度a(si,sj):
a(si,sj)=|cos(θi-θij)cos(θj-θij)|γ
其中,θi和θj分别为的边缘点集合si和sj的平均角度,θij为集合θi和θj平均位置的夹角,γ用来调整si和sj之间的相似度,γ=2;如果a(si,sj)<0.05,a(si,sj)=0;
(4)使用长为bh,宽为bw的滑动窗口扫描整张图片,计算每个滑动窗口的得分hb,
<mrow>
<msub>
<mi>h</mi>
<mi>b</mi>
</msub>
<mo>=</mo>
<mfrac>
<mrow>
<munder>
<mo>&Sigma;</mo>
<mi>i</mi>
</munder>
<msub>
<mi>w</mi>
<mi>b</mi>
</msub>
<mrow>
<mo>(</mo>
<msub>
<mi>s</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
<msub>
<mi>m</mi>
<mi>i</mi>
</msub>
</mrow>
<mrow>
<mn>2</mn>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mi>b</mi>
<mi>w</mi>
</msub>
<mo>+</mo>
<msub>
<mi>b</mi>
<mi>h</mi>
</msub>
<mo>)</mo>
</mrow>
<mn>1.5</mn>
</msup>
</mrow>
</mfrac>
<mo>,</mo>
</mrow>
其中,bh和bw分别依次设置为灰度图像长和宽的wb(si)是边缘点集合si的权重,当si的平均位置位于滑动窗口外,wb(si)=0;当si完全位于滑动窗口时,wb(si)=1;当si部分位于滑动窗口,平均位置位于滑动窗口内时,T为边缘点集合si位于滑动窗口外的个数,a(tj,tj+1)为tj和tj+1之间的相似度;
(5)选取得分高的前五个滑动窗口,B1,…,B5,对于任意两个窗口Bi和Bj计算重叠区域面积area(Bij),若则删除Bi,若则删除Bj,剩余的窗口即为待检测的候选区域;
步骤3: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8层神经网络,前六层分别是卷积层C1、池化层P1、卷积层C2和池化层P2,第5、6、7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6层,作为图像特征提取网络f(X);
步骤4: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5:将步骤2中获得的待检测区域rt,输入步骤3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),最终得到风机叶片保护膜的状态yt。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710287370.1A CN107153842A (zh) | 2017-04-27 | 2017-04-27 | 基于边缘分割的风机叶片保护膜损伤检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710287370.1A CN107153842A (zh) | 2017-04-27 | 2017-04-27 | 基于边缘分割的风机叶片保护膜损伤检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107153842A true CN107153842A (zh) | 2017-09-12 |
Family
ID=59792745
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710287370.1A Pending CN107153842A (zh) | 2017-04-27 | 2017-04-27 | 基于边缘分割的风机叶片保护膜损伤检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107153842A (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107886511A (zh) * | 2017-11-28 | 2018-04-06 | 中国空气动力研究与发展中心计算空气动力研究所 | 一种风力机叶片表面损伤检测方法 |
CN108956655A (zh) * | 2018-07-06 | 2018-12-07 | 西安交通大学 | 一种模型未知的燃气轮机高温叶片数字射线检测分区方法 |
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 |
CN109100648A (zh) * | 2018-05-16 | 2018-12-28 | 上海海事大学 | 基于CNN-ARMA-Softmax的海流发电机叶轮缠绕故障融合诊断方法 |
CN110163798A (zh) * | 2019-04-18 | 2019-08-23 | 中国农业大学 | 渔场围网破损检测方法及系统 |
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 |
CN112116596A (zh) * | 2019-06-19 | 2020-12-22 | 深圳Tcl新技术有限公司 | 图像分割模型的训练方法、图像分割方法、介质及终端 |
CN114412729A (zh) * | 2022-01-30 | 2022-04-29 | 西安翔迅科技有限责任公司 | 一种风机叶片损伤监测装置及其监测方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105930803A (zh) * | 2016-04-22 | 2016-09-07 | 北京智芯原动科技有限公司 | 一种基于Edge Boxes的前车检测方法及装置 |
CN106290388A (zh) * | 2016-08-03 | 2017-01-04 | 国网山东省电力公司电力科学研究院 | 一种绝缘子故障自动检测方法 |
CN107144569A (zh) * | 2017-04-27 | 2017-09-08 | 西安交通大学 | 基于选择性搜索分割的风机叶片表面缺陷诊断方法 |
-
2017
- 2017-04-27 CN CN201710287370.1A patent/CN107153842A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105930803A (zh) * | 2016-04-22 | 2016-09-07 | 北京智芯原动科技有限公司 | 一种基于Edge Boxes的前车检测方法及装置 |
CN106290388A (zh) * | 2016-08-03 | 2017-01-04 | 国网山东省电力公司电力科学研究院 | 一种绝缘子故障自动检测方法 |
CN107144569A (zh) * | 2017-04-27 | 2017-09-08 | 西安交通大学 | 基于选择性搜索分割的风机叶片表面缺陷诊断方法 |
Non-Patent Citations (2)
Title |
---|
ZHENBING ZHAO ETC: "Multi-patch Deep Features for Power Line Insulator Status Classification from Aerial Images", 《INTERNATIONAL JOINT CONFERENCE ON NEURAL NETWORKS》 * |
张磊: "基于计算机视觉的风力机叶片缺陷诊断研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 * |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107886511A (zh) * | 2017-11-28 | 2018-04-06 | 中国空气动力研究与发展中心计算空气动力研究所 | 一种风力机叶片表面损伤检测方法 |
CN109100648B (zh) * | 2018-05-16 | 2020-07-24 | 上海海事大学 | 基于CNN-ARMA-Softmax的海流发电机叶轮缠绕故障融合诊断方法 |
CN109100648A (zh) * | 2018-05-16 | 2018-12-28 | 上海海事大学 | 基于CNN-ARMA-Softmax的海流发电机叶轮缠绕故障融合诊断方法 |
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 |
CN108956655A (zh) * | 2018-07-06 | 2018-12-07 | 西安交通大学 | 一种模型未知的燃气轮机高温叶片数字射线检测分区方法 |
CN108956655B (zh) * | 2018-07-06 | 2019-12-20 | 西安交通大学 | 一种模型未知的燃气轮机高温叶片数字射线检测分区方法 |
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 |
CN110163798B (zh) * | 2019-04-18 | 2020-12-04 | 中国农业大学 | 渔场围网破损检测方法及系统 |
CN110163798A (zh) * | 2019-04-18 | 2019-08-23 | 中国农业大学 | 渔场围网破损检测方法及系统 |
CN112116596A (zh) * | 2019-06-19 | 2020-12-22 | 深圳Tcl新技术有限公司 | 图像分割模型的训练方法、图像分割方法、介质及终端 |
CN114412729A (zh) * | 2022-01-30 | 2022-04-29 | 西安翔迅科技有限责任公司 | 一种风机叶片损伤监测装置及其监测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107153842A (zh) | 基于边缘分割的风机叶片保护膜损伤检测方法 | |
CN110175982B (zh) | 一种基于目标检测的缺陷检测方法 | |
CN110543837B (zh) | 一种基于潜在目标点的可见光机场飞机检测方法 | |
CN107144569A (zh) | 基于选择性搜索分割的风机叶片表面缺陷诊断方法 | |
CN106960195B (zh) | 一种基于深度学习的人群计数方法及装置 | |
CN108334881B (zh) | 一种基于深度学习的车牌识别方法 | |
CN109145872B (zh) | 一种基于CFAR与Fast-RCNN融合的SAR图像舰船目标检测方法 | |
WO2020062433A1 (zh) | 一种神经网络模型训练及通用接地线的检测方法 | |
CN107480730A (zh) | 电力设备识别模型构建方法和系统、电力设备的识别方法 | |
CN107657249A (zh) | 多尺度特征行人重识别的方法、装置、存储介质及处理器 | |
CN106570511A (zh) | 基于计算机视觉的键盘字符缺陷在线检测系统和方法 | |
CN109961398B (zh) | 风机叶片图像分割与网格优化拼接方法 | |
CN107451965A (zh) | 畸变人脸图像校正方法、装置、计算机设备和存储介质 | |
CN101430763B (zh) | 遥感图像中水上桥梁目标检测方法 | |
CN108614994A (zh) | 一种基于深度学习的人头部图像提取方法和装置 | |
CN103886589A (zh) | 面向目标的自动化高精度边缘提取方法 | |
CN110210433B (zh) | 一种基于深度学习的集装箱箱号检测与识别方法 | |
CN112381870B (zh) | 一种基于双目视觉的船舶识别与航速测量系统及方法 | |
WO2015131468A1 (en) | Method and system for estimating fingerprint pose | |
CN109034035A (zh) | 基于显著性检测和特征融合的行人重识别方法 | |
CN105160303A (zh) | 基于混合匹配的指纹识别方法 | |
CN107480585A (zh) | 基于dpm算法的目标检测方法 | |
CN112330592A (zh) | 风机叶片缺陷检测方法和装置、存储介质 | |
CN112417931A (zh) | 一种基于视觉显著性的水面物体检测和分类的方法 | |
CN107622237A (zh) | 一种电梯中目标的检测方法 |
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: 20170912 |