CN109741320A - 一种基于航拍图像的风电叶片故障检测方法 - Google Patents
一种基于航拍图像的风电叶片故障检测方法 Download PDFInfo
- Publication number
- CN109741320A CN109741320A CN201910011205.2A CN201910011205A CN109741320A CN 109741320 A CN109741320 A CN 109741320A CN 201910011205 A CN201910011205 A CN 201910011205A CN 109741320 A CN109741320 A CN 109741320A
- Authority
- CN
- China
- Prior art keywords
- electricity blade
- image
- wind electricity
- wind
- defect
- 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
Landscapes
- Wind Motors (AREA)
Abstract
本发明公开了一种基于航拍图像的风电叶片故障检测方法，以无人机航拍图像为研究对象，包括以下步骤：A、风电叶片航拍图像增强；B、构建风电叶片三维可视化模型；C、风电叶片图像缺陷检测；D、风电叶片图像缺陷区域分类；本发明采用的风电叶片故障检测方法，能节省风电叶故障检测的人力物力开销，显示故障位置，有效提高了风电叶片故障检测的准确率。
Description
技术领域
本发明涉及风电叶片技术领域，具体为一种基于航拍图像的风电叶片故障检测方法。
背景技术
风电叶片是风力发电机的重要组成部分，也是最容易受到损伤的部件之一；高效的风电叶片故障检测方法，既能节省人力物力资源，也能将问题及时排除，使风力发电过程更加安全、顺畅。
目前针对风电叶片故障检测方法，主要有以下局限性：（1）人工叶片现场检测多采用目视法和敲击法，两种方法虽然简单，但是对检测人员有极大依赖性，对于叶片内部缺陷损伤难以进行准确判断；人工检测存在精度、速度和安全性等方面的限制，检测存在效率低下、结果不够可靠、危险性高和成本高等问题；（2）基于各种传感器检测方式不能从多角度识别出风机叶片缺陷的细节缺陷，无法给出实时检测结果且费用昂贵；（3）基于无人机航拍图像的风电叶片缺陷检测研究成果较少，没有高效的解决策略，且没有应用工程实际。
发明内容
本发明的目的在于提供一种基于航拍图像的风电叶片故障检测方法，以解决上述背景技术中提出的问题。
为实现上述目的，本发明提供如下技术方案：一种基于航拍图像的风电叶片故障检测方法，包括以下步骤：
A、无人机采集风电叶片图像；
B、构建风电叶片三维可视化模型；
C、叶片图像缺陷检测；
D、叶片图像缺陷区域分类。
优选的，所述步骤A风电叶片航片图像增强方法如下：
a、输入待增强的风电叶片图像，若所述风电叶片图像为非灰度图像，则将所述风电叶片图像转换为灰度图像；
b、计算所述灰度图像的梯度值、局部信息熵值和对比度，将所述灰度图像进行融合，计算融合后的所述灰度图像局部信息值；
c、计算所述灰度图像的各个像素点阶次；
d、用自适应函数与Tiansi算子中的掩模模板组合，构成微分阶次自适应掩模算子，进而生成分数阶微分模板；
e、使用我们得到的所述分数阶微分模板与所述风电叶片图像进行卷积操作，得到增强的风电叶片图像。
优选的，所述步骤B构建风电叶片三维可视化模型方法如下：
a、将经过图像增强的风电叶片连续图像序列以及无人机搭载的相机内参数和校正参数输入SLAM子系统，SLAM子系统进行局部和全局优化，计算所述相机的位姿，生成关键帧并将所述关键帧存在KeyFrame缓冲池中；
b、所述KeyFrame缓冲池为深度估计模块在对照当前图像帧的情况下提供参考关键帧；
c、深度估计模块从序列中提取待估计帧，依次进行基于局部的深度恢复、随机初始化、空间传播和后处理，完成整体的深度恢复；
d、使用3D三维数据处理开源库，构建一个稠密点云融合模块，使用Surfel面元来表示每个三维点；依据详细位姿将当前深度图结合原始图像颜色信息通过反射投影获得点云，再转换至全局坐标系下，与全局模型进行融合生成优化的三维模型；
e、将风电叶片三维模型进行显示。
优选的，所述步骤C叶片图像缺陷检测方法如下：
a、通过主成分分析法对所述步骤A中增强的风电叶片图像的全局纹理信息进行重构，与不含缺陷信息的风电叶片图像进行缺陷信息的对比；
b、采用差分发法将原有的含缺陷的图像与重构的图像相减得到其主成分的残差信息并进行逆变换；
c、采用统计过程的二值化方法以及形态学的腐蚀与膨胀方法来检测缺陷。
优选的，所述步骤D叶片图像缺陷区域分类方法如下：
a、构建深度学习网络模型：采用ImageNet训练的AlexNet网络模型来解决风电叶片缺陷等级的分类，根据步骤C处理的有缺陷图像组成数据集，用所述数据集训练AlexNet网络的权重参数，保持前三个卷积层（底层）权重参数不变，微调随后的5层，最后一层替换为可以输出6个类别预测的分类层softmax分类器；
b、对待分类的风电叶片图像数据进行重构；
c、将进行重构的图像数据，按行输入到我们构建的深度学习网络模型中，对缺陷的叶片图像完成剥落、裂纹、沙眼等类别的分类；利用深度网络分级模型，根据缺陷损坏程度划分为不同的缺陷等级。
与现有技术相比，本发明的有益效果是：
（1）本发明提出的构建风电叶片三维可视化模型方法，能够为工程师在服务站给出直观的三维数字模型，方便储存和标记叶片检测情况；
（2）本发明所采用的叶片图像缺陷检测方法，能够提高系统的检测效率，降低人工成本，为风电叶片检测领域的发展提供了新的技术思维；
（3）本发明所采用的叶片图像缺陷区域分类方法，能够实现缺陷叶片图像的自动分类分级；针对不同类型、不同等级的缺陷，工程师可以给出不同的解决方案，能够最大限度的降低风电发电机的停机率和事故率。
附图说明
图1为本发明的流程图。
图2为本发明的Tiansi算子归一化掩模模板。
图3为本发明的三维重建流程图。
图4为本发明的改进的AlexNet网络结构图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例；基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
请参阅图1，本发明提供一种技术方案：一种基于航拍图像的风电叶片故障检测方法，包括以下步骤：
A、无人机采集风电叶片图像；
B、构建风电叶片三维可视化模型；
C、叶片图像缺陷检测；
D、叶片图像缺陷区域分类。
如图1所示，本发明中，所述步骤A风电叶片航片图像增强方法如下：
a、输入待增强的风电叶片图像，若所述风电叶片图像为非灰度图像，则将所述风电叶片图像转换为灰度图像；
b、计算所述灰度图像的梯度值、局部信息熵值和对比度，将所述灰度图像进行融合，计算融合后的所述灰度图像局部信息值；
c、计算所述灰度图像的各个像素点阶次；
d、用自适应函数与Tiansi算子中的掩模模板组合，构成微分阶次自适应掩模算子，进而生成分数阶微分模板；
e、使用我们得到的所述分数阶微分模板与所述风电叶片图像进行卷积操作，得到增强的风电叶片图像。
如图3所示，本发明中，所述步骤B构建风电叶片三维可视化模型方法如下：
a、将经过图像增强的风电叶片连续图像序列以及无人机搭载的相机内参数和校正参数输入SLAM子系统，SLAM子系统进行局部和全局优化，计算所述相机的位姿，生成关键帧并将所述关键帧存在KeyFrame缓冲池中；
b、所述KeyFrame缓冲池为深度估计模块在对照当前图像帧的情况下提供参考关键帧；
c、深度估计模块从序列中提取待估计帧，依次进行基于局部的深度恢复、随机初始化、空间传播和后处理，完成整体的深度恢复；
d、使用3D三维数据处理开源库，构建一个稠密点云融合模块，使用Surfel面元来表示每个三维点；依据详细位姿将当前深度图结合原始图像颜色信息通过反射投影获得点云，再转换至全局坐标系下，与全局模型进行融合生成优化的三维模型；
e、将风电叶片三维模型进行显示。
本发明中，所述步骤C叶片图像缺陷检测方法如下：
a、通过主成分分析法对所述步骤A中增强的风电叶片图像的全局纹理信息进行重构，与不含缺陷信息的风电叶片图像进行缺陷信息的对比；
b、采用差分发法将原有的含缺陷的图像与重构的图像相减得到其主成分的残差信息并进行逆变换；
c、采用统计过程的二值化方法以及形态学的腐蚀与膨胀方法来检测缺陷。
本发明中，所述步骤D叶片图像缺陷区域分类方法如下：
a、构建深度学习网络模型：采用ImageNet训练的AlexNet网络模型来解决风电叶片缺陷等级的分类，根据步骤C处理的有缺陷图像组成数据集，用所述数据集训练AlexNet网络的权重参数，保持前三个卷积层（底层）权重参数不变，微调随后的5层，最后一层替换为可以输出6个类别预测的分类层softmax分类器；
b、对待分类的风电叶片图像数据进行重构；
c、将进行重构的图像数据，按行输入到我们构建的深度学习网络模型中，对缺陷的叶片图像完成剥落、裂纹、沙眼等类别的分类；利用深度网络分级模型，根据缺陷损坏程度划分为不同的缺陷等级。
本发明采用的深度学习方法能有效将风电叶片图像缺陷信息进行分类，在不具备过多专业知识的情况下，利用建立的深度学习分类器，将经过预处理的风电叶片图像输入到分类器，就能将风电叶片的图像进行缺陷分类。
本发明建立的三维立体模型，将待处理的风电叶片图像与风电叶片的空间位置相对应，能将风电叶片的缺陷位置能及时反映出来。
综上所述，本发明采用的基于航拍图像的风电叶片故障检测方法，能节省风电叶故障检测开销、人力物力资源，显示故障位置，有效提高了风电叶片故障检测的准确率。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。
Claims (5)
1.一种基于航拍图像的风电叶片故障检测方法，其特征在于：包括以下步骤：
A、风电叶片航片图像增强；
B、构建风电叶片三维可视化模型；
C、风电叶片图像缺陷检测；
D、风电叶片图像缺陷区域分类。
2.根据权利要求1所述的一种风电叶片故障检测方法，其特征在于：所述步骤A风电叶片航拍图像增强的方法如下：
a、输入待增强的风电叶片图像，若所述风电叶片图像为非灰度图像，则将所述风电叶片图像转换为灰度图像；
b、计算所述灰度图像的梯度值、局部信息熵值和对比度，将所述灰度图像进行融合，计算融合后的所述灰度图像局部信息值；
c、计算所述灰度图像的各个像素点阶次；
d、用自适应函数与Tiansi算子中的掩模模板组合，构成微分阶次自适应掩模算子，进而生成分数阶微分模板；
e、使用我们得到的所述分数阶微分模板与所述风电叶片图像进行卷积操作，得到增强的风电叶片图像。
3.根据权利要求1所述的一种风电叶片故障检测方法，其特征在于：所述步骤B构建风电叶片三维可视化模型的方法如下：
a、将经过图像增强的风电叶片连续图像序列以及无人机搭载的相机内参数和校正参数输入SLAM子系统，SLAM子系统进行局部和全局优化，计算所述相机的位姿，生成关键帧并将所述关键帧存在KeyFrame缓冲池中；
b、所述KeyFrame缓冲池为深度估计模块在对照当前图像帧的情况下提供参考关键帧；
c、深度估计模块从序列中提取待估计帧，依次进行基于局部的深度恢复、随机初始化、空间传播和后处理，完成整体的深度恢复；
d、使用3D三维数据处理开源库，构建一个稠密点云融合模块，使用Surfel面元来表示每个三维点；依据详细位姿将当前深度图结合原始图像颜色信息通过反射投影获得点云，再转换至全局坐标系下，与全局模型进行融合生成优化的三维模型；
e、将风电叶片三维模型进行显示。
4.根据权利要求1所述的一种风电叶片故障检测方法，其特征在于：所述步骤C风电叶片图像缺陷检测的方法如下：
a、通过主成分分析法对所述步骤A中增强的风电叶片图像的全局纹理信息进行重构，与不含缺陷信息的风电叶片图像进行缺陷信息的对比；
b、采用差分发法将原有的含缺陷的图像与重构的图像相减得到其主成分的残差信息并进行逆变换；
c、采用统计过程的二值化方法以及形态学的腐蚀与膨胀方法来检测缺陷。
5.根据权利要求1所述的一种风电叶片故障检测方法，其特征在于：所述步骤D风电叶片图像缺陷区域分类的方法如下：
a、构建深度学习网络模型：采用ImageNet训练的AlexNet网络模型来解决风电叶片缺陷等级的分类，根据步骤C处理的有缺陷图像组成数据集，用所述数据集训练AlexNet网络的权重参数，保持前三个卷积层（底层）权重参数不变，微调随后的5层，最后一层替换为可以输出6个类别预测的分类层softmax分类器；
b、对待分类的风电叶片图像数据进行重构；
c、将进行重构的图像数据，按行输入到我们构建的深度学习网络模型中，对缺陷的叶片图像完成剥落、裂纹、沙眼等类别的分类；利用深度网络分级模型，根据缺陷损坏程度划分为不同的缺陷等级。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910011205.2A CN109741320A (zh) | 2019-01-07 | 2019-01-07 | 一种基于航拍图像的风电叶片故障检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910011205.2A CN109741320A (zh) | 2019-01-07 | 2019-01-07 | 一种基于航拍图像的风电叶片故障检测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109741320A true CN109741320A (zh) | 2019-05-10 |
Family
ID=66363558
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910011205.2A Pending CN109741320A (zh) | 2019-01-07 | 2019-01-07 | 一种基于航拍图像的风电叶片故障检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109741320A (zh) |
Cited By (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110207970A (zh) * | 2019-06-25 | 2019-09-06 | 西北工业大学 | 一种基于视觉信息处理的叶片故障诊断试验装置 |
| CN110792563A (zh) * | 2019-11-04 | 2020-02-14 | 北京天泽智云科技有限公司 | 基于卷积生成对抗网络的风电机组叶片故障音频监测方法 |
| CN110849627A (zh) * | 2019-11-27 | 2020-02-28 | 哈尔滨理工大学 | 一种宽度迁移学习网络及基于宽度迁移学习网络的滚动轴承故障诊断方法 |
| 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 |
| CN111858553A (zh) * | 2020-07-10 | 2020-10-30 | 天津智惠未来科技有限责任公司 | 一种风电叶片巡检数据库管理系统构建方法 |
| 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 |
| CN112132787A (zh) * | 2020-08-27 | 2020-12-25 | 上海扩博智能技术有限公司 | 计算风机停机状态参数的方法、系统、设备和介质 |
| CN112666791A (zh) * | 2019-09-27 | 2021-04-16 | 台湾积体电路制造股份有限公司 | 缺陷检验的方法 |
| CN113012091A (zh) * | 2019-12-20 | 2021-06-22 | 中国科学院沈阳计算技术研究所有限公司 | 一种基于多维单目深度估计的叶轮质量检测方法及装置 |
| CN113107787A (zh) * | 2021-05-26 | 2021-07-13 | 北京汇力智能科技有限公司 | 风电叶片内部检查机器人系统及其内部状态模型构建方法 |
| CN113820393A (zh) * | 2021-08-27 | 2021-12-21 | 明阳智慧能源集团股份公司 | 一种风力发电机组综合性安全检测系统及方法 |
| 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 |
| CN115824957A (zh) * | 2021-11-16 | 2023-03-21 | 戈昱科技(上海)有限公司 | 一种基于图像实现风电叶片缺陷自动检测的方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102063722A (zh) * | 2011-01-18 | 2011-05-18 | 上海交通大学 | 基于主成份广义逆变换的图像变化检测方法 |
| CN103345632A (zh) * | 2013-06-25 | 2013-10-09 | 宁波成电泰克电子信息技术发展有限公司 | 一种电池尾端表面划痕缺陷检测方法 |
| CN207600967U (zh) * | 2017-11-29 | 2018-07-10 | 华北电力大学（保定） | 一种用于风电场扇叶表面缺陷检测的装置 |
| CN108459027A (zh) * | 2018-03-21 | 2018-08-28 | 华北电力大学 | 一种基于图像处理的风力发电机叶片表面缺陷检测方法 |
-
2019
- 2019-01-07 CN CN201910011205.2A patent/CN109741320A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102063722A (zh) * | 2011-01-18 | 2011-05-18 | 上海交通大学 | 基于主成份广义逆变换的图像变化检测方法 |
| CN103345632A (zh) * | 2013-06-25 | 2013-10-09 | 宁波成电泰克电子信息技术发展有限公司 | 一种电池尾端表面划痕缺陷检测方法 |
| CN207600967U (zh) * | 2017-11-29 | 2018-07-10 | 华北电力大学（保定） | 一种用于风电场扇叶表面缺陷检测的装置 |
| CN108459027A (zh) * | 2018-03-21 | 2018-08-28 | 华北电力大学 | 一种基于图像处理的风力发电机叶片表面缺陷检测方法 |
Non-Patent Citations (4)
| Title |
|---|
| 刘峰瑞: "基于自适应分数阶阶次的图像增强和图像匹配", 《中国优秀硕士学位论文全文数据库》 * |
| 刘洋: "基于路面点云的不规则三角网格建模算法研究", 《中国优秀硕士学位论文全文数据库》 * |
| 张建斐: "基于机器视觉的风力发电基于机器视觉的风力发电机叶片表面缺陷检测研究 机叶片表面缺陷检测研究", 《中国优秀硕士学位论文全文数据库》 * |
| 郑剑华: "单目实时深度估计与三维重建", 《中国优秀硕士学位论文全文数据库》 * |
Cited By (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN110207970A (zh) * | 2019-06-25 | 2019-09-06 | 西北工业大学 | 一种基于视觉信息处理的叶片故障诊断试验装置 |
| CN112666791A (zh) * | 2019-09-27 | 2021-04-16 | 台湾积体电路制造股份有限公司 | 缺陷检验的方法 |
| CN110792563A (zh) * | 2019-11-04 | 2020-02-14 | 北京天泽智云科技有限公司 | 基于卷积生成对抗网络的风电机组叶片故障音频监测方法 |
| CN110792563B (zh) * | 2019-11-04 | 2020-09-15 | 北京天泽智云科技有限公司 | 基于卷积生成对抗网络的风电机组叶片故障音频监测方法 |
| CN110849627A (zh) * | 2019-11-27 | 2020-02-28 | 哈尔滨理工大学 | 一种宽度迁移学习网络及基于宽度迁移学习网络的滚动轴承故障诊断方法 |
| CN113012091A (zh) * | 2019-12-20 | 2021-06-22 | 中国科学院沈阳计算技术研究所有限公司 | 一种基于多维单目深度估计的叶轮质量检测方法及装置 |
| CN111858553A (zh) * | 2020-07-10 | 2020-10-30 | 天津智惠未来科技有限责任公司 | 一种风电叶片巡检数据库管理系统构建方法 |
| 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 |
| CN112132787A (zh) * | 2020-08-27 | 2020-12-25 | 上海扩博智能技术有限公司 | 计算风机停机状态参数的方法、系统、设备和介质 |
| CN113107787A (zh) * | 2021-05-26 | 2021-07-13 | 北京汇力智能科技有限公司 | 风电叶片内部检查机器人系统及其内部状态模型构建方法 |
| CN113107787B (zh) * | 2021-05-26 | 2023-01-03 | 北京汇力智能科技有限公司 | 风电叶片内部检查机器人系统及其内部状态模型构建方法 |
| CN113820393A (zh) * | 2021-08-27 | 2021-12-21 | 明阳智慧能源集团股份公司 | 一种风力发电机组综合性安全检测系统及方法 |
| CN115824957A (zh) * | 2021-11-16 | 2023-03-21 | 戈昱科技(上海)有限公司 | 一种基于图像实现风电叶片缺陷自动检测的方法 |
| CN115824957B (zh) * | 2021-11-16 | 2023-12-01 | 戈昱科技(上海)有限公司 | 一种基于图像实现风电叶片缺陷自动检测的方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109741320A (zh) | 一种基于航拍图像的风电叶片故障检测方法 | |
| CN113538391B (zh) | 一种基于Yolov4和热红外图像的光伏缺陷检测方法 | |
| CN107742093B (zh) | 一种红外图像电力设备部件实时检测方法、服务器及系统 | |
| CN109376606B (zh) | 一种电力巡检图像杆塔基础故障检测方法 | |
| CN111444939B (zh) | 电力领域开放场景下基于弱监督协同学习的小尺度设备部件检测方法 | |
| CN114973032B (zh) | 一种基于深度卷积神经网络的光伏板热斑检测方法及装置 | |
| CN106981063A (zh) | 一种基于深度学习的电网设备状态监测装置 | |
| CN113205039B (zh) | 基于多dcnn网络的电力设备故障图像识别勘灾系统及方法 | |
| CN113837994B (zh) | 一种基于边缘检测卷积神经网络的光伏板缺陷诊断方法 | |
| CN111832398A (zh) | 一种无人机影像的配电线路杆塔导地线断股图像检测方法 | |
| CN114596278A (zh) | 一种用于光伏电站的光伏面板热斑缺陷检测方法及装置 | |
| CN113052103A (zh) | 一种基于神经网络的电气设备缺陷检测方法及装置 | |
| Liu et al. | An improved faster R-CNN for UAV-based catenary support device inspection | |
| Zou et al. | Automatic segmentation, inpainting, and classification of defective patterns on ancient architecture using multiple deep learning algorithms | |
| CN115082798A (zh) | 一种基于动态感受野的输电线路销钉缺陷检测方法 | |
| CN115482473A (zh) | 提取航拍图像特征的图卷积网络模型及检测异常的方法 | |
| Yang et al. | Fast simulation modeling and multiple-PS fault diagnosis of the PV array based on I–V curve conversion | |
| Özer et al. | An approach based on deep learning methods to detect the condition of solar panels in solar power plants | |
| CN114022764A (zh) | 一种基于特征增强卷积网络的遥感影像输电杆塔检测方法 | |
| Xuan et al. | Intelligent identification method of insulator defects based on CenterMask | |
| CN117058396A (zh) | 基于人工智能的风机叶片缺陷区域快速分割方法及系统 | |
| CN116485802A (zh) | 一种绝缘子闪络缺陷检测方法、装置、设备及存储介质 | |
| Wang et al. | Image recognition of wind turbines blade surface defects based on mask-RCNN | |
| CN116311006A (zh) | 一种地下电缆管道场景异物识别和分类方法 | |
| Tang et al. | Deep learning based model for Defect Detection of Mono-Crystalline-Si Solar PV Module Cells in Electroluminescence Images Using Data Augmentation |
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 |
Application publication date: 20190510 |
|
| WD01 | Invention patent application deemed withdrawn after publication |