CN111062229B - 用于风力发电机组外转子识别的方法及装置 - Google Patents

Abstract

本发明提供了一种用于风力发电机组外转子识别的方法及装置，所述方法包括以下步骤：采集风力发电机组外转子的图像数据；对采集的图像数据进行图像处理以获取外转子目标区域的图像数据；从外转子目标区域的图像数据提取外转子目标区域的图像特征值，并根据提取的图像特征值训练机器学习模型以对外转子的清洁度进行自动分类和识别。本发明通过对采集的外转子的实时图像数据进行数据处理和机器学习以实现对外转子的清洁度的自动识别和分类，通过对外转子的实时状态的监测可及时对有污损的外转子进行清洗和更换以避免存在安全隐患。

Description

用于风力发电机组外转子识别的方法及装置

技术领域

本发明涉及风力发电技术领域，具体地讲，涉及一种用于风力发电机组外转子识别的方法及装置。

背景技术

在风力发电机组中，机舱安装在塔架顶部，在机舱里有支撑整个风力发电机组的机座，机座上固定有主轴与内定子支架，其中，风力发电机组的外转子安装在风力发电机组的主轴上。风力发电机组的外转子在运行过程中由于受到各种天气的影响会造成不同程度的污损，外转子的污损不仅影响风力发电机组的整体美观，还也会给风力发电机组的运行带来一定的安全隐患，例如，外转子的污损如果没有及时被处理，当污损累积到一定程度时便会影响外转子的正常运行，且当外转子上的灰尘等通过排风管道进入发电机后会造成发电机异常，因此，对于风力发电机组的外转子的清洁度的识别和监测技术至关重要。

现有技术中，对于风力发电机组的外转子的清洁度的识别只能通过人眼来进行查看，在人眼进行观测外转子清洁度情况时，需要爬上风力发电机组，并且在风力发电机组的机舱外面才可以观察到外转子的清洁度情况，该方法不能够随时观察风力发电机组的外转子的实时状态，具有一定的局限性。目前，没有固定的识别方法或者成型的识别装置来实现对外转子的清洁度的实时识别和监测。

发明内容

本发明针对现有技术存在的弊端，提出了一种用于风力发电机组外转子识别的方法及装置。

本发明的一方面提供了一种用于风力发电机组外转子识别的方法，所述方法包括以下步骤：采集风力发电机组外转子的图像数据；对采集的图像数据进行图像处理以获取外转子目标区域的图像数据；从外转子目标区域的图像数据提取外转子目标区域的图像特征值，并根据提取的图像特征值训练机器学习模型以对外转子的清洁度进行自动分类和识别。

优选地，所述对采集的图像数据进行图像处理以获取外转子目标区域的图像数据的步骤包括：读取采集的图像数据并截取一定时间间隔的每一帧图像数据作为外转子原始图像；对外转子原始图像进行边缘检测处理以识别出外转子的边缘轮廓数据；对识别的外转子的边缘轮廓数据进行曲线拟合以得出外转子目标区域的图像数据。

优选地，所述对外转子原始图像进行边缘检测处理以识别出外转子的边缘轮廓数据的步骤包括：对外转子原始图像进行滤波处理；求取滤波处理后的外转子原始图像的梯度，并根据求取的梯度进行非极大值抑制来对外转子原始图像进行边缘增强；通过阈值算法对边缘增强后的外转子原始图像进行边缘检测以识别出外转子的边缘轮廓数据。

优选地，利用最小二乘法来实现对识别的外转子的边缘轮廓数据进行曲线拟合。

优选地，所述从外转子目标区域的图像数据提取外转子目标区域的图像特征值，并根据提取的图像特征值训练机器学习模型以对外转子的清洁度进行自动分类和识别的步骤包括：提取外转子目标区域的图像特征值，其中，所述图像特征值包括红色分量方差、绿色分量方差、蓝色分量方差、红色分量均值、绿色分量均值、蓝色分量均值和边缘数量；基于支持向量机算法对提取的图像特征值进行训练，并根据训练的模型对外转子的清洁度进行自动分类和识别。

优选地，所述提取外转子目标区域的图像特征值的步骤包括：对外转子目标区域的RGB三个通道分量分别进行归一化处理以计算得出所述红色分量方差、绿色分量方差、蓝色分量方差、红色分量均值、绿色分量均值和蓝色分量均值，以及对外转子目标区域进行边缘检测以计算得出所述边缘数量。

优选地，所述根据训练的模型对外转子的清洁度进行自动分类和识别的步骤包括：根据训练的模型对外转子进行两次分类，其中，第一次分类将外转子分为干净外转子和非干净外转子，第二次分类将所述非干净外转子分为轻度污损外转子和重度污损外转子。

优选地，所述图像数据由安装在风力发电机组的测风支架上的图像采集装置采集得到。

本发明的另一方面提供了一种用于风力发电机组外转子识别的装置，所述装置包括：图像采集模块，被配置为采集风力发电机组外转子的图像数据；图像处理模块，被配置为对采集的图像数据进行图像处理以获取外转子目标区域的图像数据；清洁度识别模块，被配置为从外转子目标区域的图像数据提取外转子目标区域的图像特征值，并根据提取的图像特征值训练机器学习模型以对外转子的清洁度进行自动分类和识别。

优选地，所述图像处理模块被配置为：图像截取单元，读取采集的图像数据并截取一定时间间隔的每一帧图像数据作为外转子原始图像；边缘检测单元，对外转子原始图像进行边缘检测处理以识别出外转子的边缘轮廓数据；曲线拟合单元，对识别的外转子的边缘轮廓数据进行曲线拟合以得出外转子目标区域的图像数据。

优选地，所述边缘检测单元被配置为：对外转子原始图像进行滤波处理；求取滤波处理后的外转子原始图像的梯度，并根据求取的梯度进行非极大值抑制来对外转子原始图像进行边缘增强；通过阈值算法对边缘增强后的外转子原始图像进行边缘检测以识别出外转子的边缘轮廓数据。

优选地，所述曲线拟合单元被配置为利用最小二乘法来实现对识别的外转子的边缘轮廓数据进行曲线拟合。

优选地，所述清洁度识别模块被配置为：图像特征值提取单元，提取外转子目标区域的图像特征值，其中，所述图像特征值包括红色分量方差、绿色分量方差、蓝色分量方差、红色分量均值、绿色分量均值、蓝色分量均值和边缘数量；清洁度识别单元，基于支持向量机算法对提取的图像特征值进行训练，并根据训练的模型对外转子的清洁度进行自动分类和识别。

优选地，所述提图像特征值提取单元被配置为：对外转子目标区域的RGB三个通道分量分别进行归一化处理以计算得出所述红色分量方差、绿色分量方差、蓝色分量方差、红色分量均值、绿色分量均值和蓝色分量均值，以及对外转子目标区域进行边缘检测以计算得出所述边缘数量。

优选地，所述清洁度识别单元被配置为：根据训练的模型对外转子进行两次分类，其中，第一次分类将外转子分为干净外转子和非干净外转子，第二次分类将所述非干净外转子分为轻度污损外转子和重度污损外转子。

优选地，所述图像采集模块中的图像数据由安装在风力发电机组的测风支架上的图像采集装置采集得到。

本发明的另一方面提供了一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器运行时，所述处理器执行如上所述的用于风力发电机组外转子识别的方法。

本发明的另一方面提供了一种计算机设备，包括处理器和存储计算机程序的存储器，所述计算机程序被处理器运行时，所述处理器执行如上所述的用于风力发电机组外转子识别的方法。

在本发明中，通过在风力发电机组的测风支架上安装图像采集装置来采集外转子的实时图像数据，并通过训练的机器学习模型对采集的实时图像数据进行机器学习以实现对外转子的清洁度的自动识别和分类，解决了对风力发电机组的外转子进行实时状态监测的问题，有利于及时清洗和更换污损外转子以避免由污损而带来的安全隐患。

附图说明

下面将结合附图进行本发明的详细描述，本发明的上述特征和其它目的、特点和优点将会变得更加清楚，其中：

图1是本发明的实施例的用于风力发电机组外转子识别的方法的流程图；

图2是本发明的示例性的实施例的摄像头的拍摄方位俯视图；

图3是本发明的实施例的获取外转子目标区域的图像数据的流程图；

图4是本发明的示例性的实施例的实现外转子目标区域图像分割的流程图；

图5是本发明的实施例的用于风力发电机组外转子识别的装置的框图；

图6是本发明的实施例的图像处理模块的框图；

图7是本发明的实施例的清洁度识别模块的框图。

在附图中，相同的标号将被理解为表示相同的元件、特征和结构。

具体实施方式

提供以下参照附图的描述以帮助全面理解由权利要求及其等同物限定的本发明的示例性实施例。以下参照附图的描述包括各种特定细节以帮助理解，但是所述特定细节将仅被视为示例性的。因此，本领域普通技术人员将意识到，在不脱离本发明的范围和精神的情况下，可对这里描述的实施例进行各种改变和修改。此外，为了清晰和简要，可省略公知功能和结构的描述。

以下描述和权利要求中使用的术语和词语不限于字面含义，而是仅由发明者使用以使得能够清楚和一致地理解本发明。因此，本领域技术人员应该清楚的是，提供本发明的示例性实施例的以下描述仅是说明的目的，而不是限制由权利要求及其等同物限定的本发明的目的。

图1是示出根据本发明的实施例的用于风力发电机组外转子识别的方法的流程图。

如图1所示，在步骤S100，采集风力发电机组外转子的图像数据。根据本发明的实施例，具体地，可在风力发电机组的测风支架上安装图像采集装置(例如，摄像头、相机)，来对风力发电机组外转子的图像数据进行采集。根据本发明的实施例，假设在风力发电机组的测风支架上安装的图像采集装置为摄像头装置，例如，在测风支架上面向外转子的一侧安装一个或多个与外转子相互平行的摄像头，或者在测风支架上面向外转子的一侧安装一个可调节支架，在可调节支架上安装一个或多个摄像头，这里，可调节支架可根据采集外转子图像数据的需要进行自动调节。在进行风力发电机组外转子的图像数据的采集时，无论摄像头装置如何安装，摄像头的拍摄方位的俯视图始终如图2中所示即可。通过摄像头采集的风力发电机组外转子的图像数据可以是外转子的实时视频数据，也可以是按照预定时间间隔采集的静止图像数据。应理解，上述对于图像采集装置的举例仅是示例性举例，本发明可采用的图像采集装置的种类和安装方式不限于此。

在步骤S200，对采集的图像数据进行图像处理以获取外转子目标区域的图像数据。具体地，根据本发明的实施例，可读取采集的图像数据并截取一定时间间隔的每一帧图像数据作为外转子原始图像，再对外转子原始图像进行边缘检测处理以识别出外转子的边缘轮廓数据。然后，对识别的外转子的边缘轮廓数据进行曲线拟合以得出外转子目标区域的图像数据。应理解，以上仅是对于图像数据进行处理获取外转子目标区域的图像数据的示例。本领域的技术人员可采用其他任意的图像处理和识别技术来获取外转子目标区域的图像数据。下面将参照图3来详细说明根据本发明的上述实施例的获取外转子目标区域的图像数据的过程。

图3是示出根据本发明的实施例的获取外转子目标区域的图像数据的流程图。

如图3所示，在步骤S301，读取采集的图像数据并截取一定时间间隔的每一帧图像数据作为外转子原始图像。具体地，读取采集的图像数据并对读取的图像数据进行一定时间间隔的每一帧图像数据的截取以获取外转子原始图像，其中，可通过在线读取和/或离线读取的方式来读取采集的图像数据，如在线直接读取仍在进行图像采集的图像采集装置中的图像数据，或者，在离线情况下读取图像采集装置中预先保存的图像数据。根据本发明的实施例，假设通过在线读取的方式来读取采集的图像数据并截取一定时间间隔为5秒的一帧图像数据。例如，可截取包括第5秒的一帧图像、第10秒的一帧图像、第15秒的一帧图像、第20秒的一帧图像等多帧图像，并将截取的多帧图像作为外转子原始图像。应理解，上述对于时间间隔的举例仅是示例性举例，本发明可采用的时间间隔不限于此。

然后，在步骤S302，对外转子原始图像进行边缘检测处理以识别出外转子的边缘轮廓数据。具体地，对外转子原始图像进行滤波处理，求取滤波处理后的外转子原始图像的梯度，并根据求取的梯度进行非极大值抑制来对外转子原始图像进行边缘增强，再对边缘增强后的外转子原始图像进行边缘检测以识别出外转子的边缘轮廓数据。其中，对边缘增强后的外转子原始图像进行边缘检测可通过阈值算法来实现。根据本发明的实施例，由于外转子原始图像中存在如背景等大量干扰信息，所以，需要先将外转子原始图像转换为灰度图，再对外转子原始图像进行边缘检测处理以识别出外转子的边缘轮廓数据，从而提取出目标待测物(外转子)。由于对图像进行边缘检测的算法主要是基于图像强度的一阶导数和二阶导数，且导数通常对噪声很敏感，因此，可采用滤波器来改善与噪声有关的边缘检测器的性能。常见的滤波方法主要有均值滤波法、中值滤波法、双边滤波法、高斯滤波法、维纳滤波法等。在本实施例中可采用高斯滤波法对外转子原始图像进行滤波处理，即采用离散化的高斯函数产生一组归一化的高斯核，再基于高斯核函数对图像灰度矩阵的每一点进行加权求和。然后，通过计算梯度和非极大值抑制对滤波处理后的外转子原始图像进行边缘增强，边缘增强的基础是确定图像中各点邻域强度的变化值。这里，计算梯度的幅值和方向的公式如下：

上式中，G_x、G_y分别表示图像上不同像素位置的梯度大小。根据梯度方向近似到四个可能角度之一(一般为0度、45度、90度、135度)，通过非极大值抑制寻找像素点最大值，即判断某点的像素值在8值领域内是否为最大，将非最大值点对应的灰度值设置为0，这样就排除了非边缘像素点，实现了边缘增强。最后，通过阈值算法对边缘增强后的敏感区图像进行边缘检测。边缘检测的方法有很多种，例如Canny边缘检测、Sobel边缘检测、Roberts边缘检测、Prewitt边缘检测、Log边缘检测等，其中，Canny算法采用滞后阈值，也就是双阈值法(高阈值和低阈值)。采用阈值算法进行边缘检测时，当某一像素点位置的幅值超过高阈值时，则保留该像素点为边缘像素点，当某一像素点位置的幅值小于低阈值时，则排除该像素点，当某一像素点位置的幅值在高阈值和低阈值之间时，则该像素点仅仅在连接到一个高于高阈值的像素时被保留，把保留的像素点进行连接直到整个轮廓边缘闭合，以此识别得到外转子的边缘轮廓数据。应理解，以上的描述仅是边缘检测的一个示例，根据本发明的实施例的边缘检测可采用其他可用的边缘检测算法来识别获取外转子的边缘轮廓数据。

接下来，在步骤S303，对识别的外转子的边缘轮廓数据进行曲线拟合以得出外转子目标区域的图像数据。具体地，采用最小二乘法对识别的外转子的边缘轮廓数据进行曲线拟合以得出外转子目标区域。根据本发明的实施例，在步骤S302中是识别得到的外转子的边缘轮廓数据会受到一些噪声的影响而呈现出许多非理想的边缘点，为了实现对目标待测物外转子的准确定位，还需要对识别的外转子的边缘轮廓数据进行轮廓检测，即基于最小二乘法根据轮廓返回值点的坐标对外转子的边缘轮廓进行曲线拟合，然后根据曲线拟合的结果对外转子目标区域进行图像分割。具体如图4中所示，对外转子的边缘轮廓进行曲线拟合得到符合要求且基本接近外转子边缘曲线的两条弧线，遍历图像中全部像素点并判断像素点是否在两条弧线内，若像素点在两条弧线内，则保留像素点的RGB值不变，若像素点不在两条弧线内，则将像素点的RGB值设置为0，即黑色，从而实现了对外转子的边缘轮廓数据的轮廓的检测和图像分割以得到精确的外转子目标区域。

返回图1，在步骤S300，从外转子的目标区域的图像数据提取外转子目标区域的图像特征值，并根据提取的图像特征值训练机器学习模型以对外转子的清洁度进行自动分类和识别。具体地，提取外转子目标区域的图像特征值，其中，提取的图像特征值包括红色分量方差、绿色分量方差、蓝色分量方差、红色分量均值、绿色分量均值、蓝色分量均值和边缘数量。然后，基于支持向量机(SVM)算法对提取的图像特征值进行训练，并根据训练的模型对外转子的清洁度进行自动分类和识别。根据本发明的实施例，由于风力发电机组的外转子在不同清洁度情况下的图像RGB分量不同，如外转子在干净情况下的RGB值要高于外转子污损情况子下的RGB值，因此，提取外转子目标区域的红色分量方差、绿色分量方差、蓝色分量方差、红色分量均值、绿色分量均值和蓝色分量均值作为外转子目标区域的图像特征值。另外，对外转子目标区域的边缘数量进行提取是为了定位外转子目标区域的轮廓区域，以方便对外转子目标区域图像中的感兴趣区域进行图像分割。

根据本发明的实施例，对外转子目标区域的RGB三个通道分量分别进行归一化处理，计算得出每个通道分量的方差和均值，即得到红色分量方差、绿色分量方差、蓝色分量方差和红色分量均值、绿色分量均值和蓝色分量均值。对外转子目标区域再次进行边缘检测处理，例如，采用canny算法来提取外转子图像的边缘数量，其中，得到的边缘检测算子的返回值即为边缘数量。应理解，上述对于边缘检测算法的举例仅是示例性举例，本发明可采用的边缘检测算法不限于此。然后，基于SVM算法和计算得到的红色分量方差、绿色分量方差、蓝色分量方差、红色分量均值、绿色分量均值、蓝色分量均值和边缘数量这7个图像特征值来训练机器学习模型。其中，支持向量机(SVM)是一种二类分类模型，其基本模型定义为特征空间上的间隔最大的线性分类器，其学习策略便是间隔最大化，最终可转化为一个凸二次规划问题的求解。根据本发明的实施例，在训练机器学习的模型中，对提取的图像特征值进行两次分类，其中，第一次分类是对外转子是否干净进行分类，得出干净外转子和非干净外转子，第二次分类对非干净外转子进行不同污损程度的分类，得出轻度污损外转子和重度污损外转子。这样，在两次分类结束后便实现了外转子清洁度的三分类，即干净外转子、轻度污损外转子和重度污损外转子，并对应设置训练的模型的输出以表示不同的清洁度，例如，将上述三分类分别设置为0、1、-1，即0表示外转子清洁度为干净，1表示外转子清洁度为轻度污损，-1表示外转子的洁度为重度污损。应理解，上述对于不同的清洁度的输出设置的举例仅是示例性举例，本发明可采用的不同的清洁度的输出设置不限于此。

根据本发明的实施例，根据训练的模型对外转子的清洁度进行自动分类和识别时，可对实时采集的风力发电机组外转子的图像数据进行数据处理以得到新的图像特征值，将新的图像特征值输入到训练的模型内，通过机器学习实现对外转子清洁度的自动分类和识别。同样，对输入的新的图像特征值也进行两次分类，第一次分类将外转子分为干净外转子和非干净外转子，第二次分类将非干净的外转子分为轻度污损外转子和重度污损外转子。然后，根据模型的输出来判断外转子的清洁度是干净还是轻度污损或者重度污损，其中，模型输出值为0时，判断外转子清洁度为干净，不需要对外转子进行清理和更换，模型输出值为1时，判断外转子清洁度为轻度污损，需要对外转子进行清理，模型输出值为-1时，判断外转子的洁度为重度污损，需要及时更换外转子，以防出现安全隐患。

图5是示出根据本发明的实施例的用于风力发电机组外转子识别的装置的框图。

如图5所示，用于风力发电机组外转子识别的装置500可包括图像采集模块501、图像处理模块502和清洁度识别模块503。根据本发明的实施例，用于风力发电机组外转子识别的装置500可通过各种计算装置(例如，计算机、服务器、工作站等)来实现。具体地，图像采集模块501被配置为采集风力发电机组外转子的图像数据，其中，图像数据由安装在风力发电机组的测风支架上的图像采集装置采集得到。图像处理模块502被配置为对采集的图像数据进行图像处理以获取外转子目标区域的图像数据。清洁度识别模块503被配置为从外转子目标区域的图像数据提取外转子目标区域的图像特征值，并根据提取的图像特征值训练机器学习模型以对外转子的清洁度进行自动分类和识别。

根据本发明的实施例，图像处理模块502读取采集的图像数据并截取一定时间间隔的每一帧图像数据作为外转子原始图像，然后，通过对外转子原始图像进行边缘检测处理以识别出外转子的边缘轮廓数据，并对识别的外转子的边缘轮廓数据进行曲线拟合以得出外转子目标区域的图像数据。下面将参照图6来详细说明图像处理模块502。

图6是示出根据本发明的实施例的图像处理模块的框图。

如图6所示，图像处理模块502包括图像截取单元601、边缘检测单元602和曲线拟合单元603，其中，图像截取单元601读取采集的图像数据并截取一定时间间隔的每一帧图像数据为外转子原始图像，边缘检测单元602对外转子原始图像进行边缘检测处理以识别出外转子的边缘轮廓数据，曲线拟合单元603对识别的外转子的边缘轮廓数据进行曲线拟合以得出外转子目标区域的图像数据。根据本发明的实施例，图像截取单元601读取采集的图像数据并对读取的图像数据进行一定时间间隔的每一帧图像数据的截取以获取外转子原始图像，其中，可通过在线读取和/或离线读取的方式来读取采集的图像数据。边缘检测单元602对图像截取单元601获取的外转子原始图像进行滤波处理，然后，求取滤波处理后的外转子原始图像的梯度，并根据求取的梯度进行非极大值抑制来对外转子原始图像进行边缘增强，再对边缘增强后的外转子原始图像进行边缘检测以识别出外转子的边缘轮廓数据。其中，对边缘增强后的外转子原始图像进行边缘检测可通过阈值算法来实现。曲线拟合单元603对边缘检测单元602识别的外转子的边缘轮廓数据进行曲线拟合以得出外转子目标区域。这里，可采用最小二乘法实现对外转子的边缘轮廓数据的曲线拟合。对外转子的边缘轮廓进行曲线拟合后可得到符合要求且基本接近外转子边缘曲线的两条弧线，此时，遍历外转子目标区域的图像中全部的像素点并判断像素点是否在两条弧线内，若像素点在两条弧线内，则保留像素点的RGB值不变，若像素点不在两条弧线内，则将像素点的RGB值设置为0(即黑色)，从而实现了对外转子的边缘轮廓数据的轮廓检测和图像分割以得到精确的外转子目标区域的图像数据。

返回图5，清洁度识别模块503从图像处理模块502得到的外转子目标区域的图像数据中提取外转子目标区域的图像特征值，再基于支持向量机算法对提取的图像特征值进行训练，并根据训练的模型对外转子的清洁度进行自动分类和识别。其中，提取的图像特征值包括红色分量方差、绿色分量方差、蓝色分量方差、红色分量均值、绿色分量均值、蓝色分量均值和边缘数量。下面将参照图7来详细说明清洁度识别模块503。

图7是示出根据本发明的实施例的清洁度识别模块的框图。

如图7所示，清洁度识别模块503包括图像特征值提取单元701和清洁度识别单元702，其中，图像特征值提取单元701提取外转子目标区域的图像特征值，清洁度识别单元702基于支持向量机(SVM)算法对图像特征值提取单元701中提取的图像特征值进行训练，并根据训练的模型对外转子的清洁度进行自动分类和识别。根据本发明的实施例，图像特征值提取单元701对外转子目标区域的RGB三个通道分量分别进行归一化处理，计算得出每个通道分量的方差和均值，即得到红色分量方差、绿色分量方差、蓝色分量方差和红色分量均值、绿色分量均值和蓝色分量均值。图像特征值提取单元701对外转子目标区域再次进行边缘检测处理，得到的边缘检测算子的返回值即边缘数量。清洁度识别单元702基于SVM算法和图像特征值提取单元701中计算得到的红色分量方差、绿色分量方差、蓝色分量方差、红色分量均值、绿色分量均值、蓝色分量均值和边缘数量7个图像特征值来训练机器学习模型，并根据训练的机器学习模型对外转子的清洁度进行自动分类和识别。根据本发明的实施例，可对实时采集的风力发电机组外转子的图像数据进行数据处理以得到新的图像特征值，并将新的图像特征值输入到训练的模型来完成对外转子的清洁度进行自动分类和实时识别。其中，训练的模型对输入的新的图像特征值进行两次分类，第一次分类是将外转子分为干净外转子和非干净外转子，第二次分类是将非干净外转子分为轻度污损外转子和重度污损外转子。然后，可根据模型的输出来判断外转子的清洁度是干净还是轻度污损或者重度污损。

根据本发明的实施例的用于风力发电机组外转子识别的方法及装置，该方法通过在风力发电机组的测风支架上安装图像采集装置来采集外转子的实时图像数据，并通过训练好的模型对采集的实时图像数据进行机器学习以实现对外转子的清洁度的自动识别和分类，解决了对风力发电机组的外转子进行实时状态监测的问题，有利于及时清洗和更换污损外转子以避免由污损而带来的安全隐患。

根据本发明的实施例的用于风力发电机组外转子识别的方法可实现为计算机可读记录介质上的计算机可读代码，或者可通过传输介质被发送。计算机可读记录介质是可存储此后可由计算机系统读取的数据的任意数据存储装置。计算机可读存储介质存储有计算机程序，该计算机程序被处理器运行时，处理器执行图1所示的用于风力发电机组外转子识别的方法。计算机可读记录介质的示例包括只读存储器(ROM)、随机存取存储器(RAM)、光盘(CD)-ROM、数字多功能盘(DVD)、磁带、软盘、光学数据存储装置，但不限于此。传输介质可包括通过网络或各种类型的通信通道发送的载波。计算机可读记录介质也可分布于连接网络的计算机系统，从而计算机可读代码以分布方式被存储和执行。

尽管已经参照本发明的特定示例性实施例显示和描述了本发明，但是本领域技术人员将理解，在不脱离由权利要求及其等同物限定的本发明的精神和范围的情况下，可进行各种形式和细节上的各种改变。

Claims (18)

1.一种用于风力发电机组外转子识别的方法，其特征在于，所述方法包括以下步骤：

采集风力发电机组外转子的图像数据；

对采集的图像数据进行图像处理以获取外转子目标区域的图像数据；

从外转子目标区域的图像数据提取外转子目标区域的图像特征值，并根据提取的图像特征值训练机器学习模型以对外转子的清洁度进行自动分类和识别，

其中，所述图像特征值包括外转子目标区域的RGB分量特征值和外转子目标区域的边缘数量，

其中，所述机器学习模型的输出表示对外转子的清洁程度的分类，

其中，通过以下方式获取所述外转子目标区域的图像数据：

确定所述图像数据中的外转子原始图像的不同像素位置的梯度，并根据所述梯度进行非极大值抑制对外转子原始图像进行边缘增强；

通过阈值算法对边缘增强后的外转子原始图像进行边缘检测以识别出外转子的边缘轮廓数据；

对识别的外转子的边缘轮廓数据进行曲线拟合以得出外转子目标区域的图像数据，

其中，在所述边缘检测过程中，当像素位置的幅值超过第一阈值时，保留像素位置为边缘像素位置；当像素位置的幅值小于第二阈值时，排除像素位置为边缘像素位置；当像素位置的幅值在所述第一阈值和所述第二阈值之间时，像素位置仅在连接到一个高于所述第一阈值的像素时被保留，并将保留的像素位置连接直到整个轮廓边缘闭合，其中，所述第一阈值高于所述第二阈值。

2.如权利要求1所述的方法，其特征在于，通过以下方式获取所述外转子原始图像：

读取采集的图像数据并截取一定时间间隔的每一帧图像数据作为所述外转子原始图像。

3.如权利要求2所述的方法，其特征在于，所述确定所述图像数据中的外转子原始图像的不同像素位置的梯度的步骤包括：

对外转子原始图像进行滤波处理，求取滤波处理后的外转子原始图像的不同像素位置的梯度。

4.如权利要求2所述的方法，其特征在于，利用最小二乘法来实现对识别的外转子的边缘轮廓数据进行曲线拟合。

5.如权利要求1所述的方法，其特征在于，所述从外转子目标区域的图像数据提取外转子目标区域的图像特征值，并根据提取的图像特征值训练机器学习模型以对外转子的清洁度进行自动分类和识别的步骤包括：

提取外转子目标区域的图像特征值，其中，所述RGB分量特征值包括红色分量方差、绿色分量方差、蓝色分量方差、红色分量均值、绿色分量均值、蓝色分量均值；

基于支持向量机算法对提取的图像特征值进行训练，并根据训练的模型对外转子的清洁度进行自动分类和识别。

6.如权利要求5所述的方法，其特征在于，所述提取外转子目标区域的图像特征值的步骤包括：

对外转子目标区域的RGB三个通道分量分别进行归一化处理以计算得出所述红色分量方差、绿色分量方差、蓝色分量方差、红色分量均值、绿色分量均值和蓝色分量均值，以及

对外转子目标区域进行边缘检测以计算得出所述边缘数量。

7.如权利要求5所述的方法，其特征在于，所述根据训练的模型对外转子的清洁度进行自动分类和识别的步骤包括：

根据训练的模型对外转子进行两次分类，其中，第一次分类将外转子分为干净外转子和非干净外转子，第二次分类将所述非干净外转子分为轻度污损外转子和重度污损外转子。

8.如权利要求1所述的方法，其特征在于，所述图像数据由安装在风力发电机组的测风支架上的图像采集装置采集得到。

9.一种用于风力发电机组外转子识别的装置，其特征在于，所述装置包括：

图像采集模块，被配置为采集风力发电机组外转子的图像数据；

图像处理模块，被配置为对采集的图像数据进行图像处理以获取外转子目标区域的图像数据；

清洁度识别模块，被配置为从外转子目标区域的图像数据提取外转子目标区域的图像特征值，并根据提取的图像特征值训练机器学习模型以对外转子的清洁度进行自动分类和识别，

其中，所述图像特征值包括外转子目标区域的RGB分量特征值和外转子目标区域的边缘数量，

其中，所述机器学习模型的输出表示对外转子的清洁程度的分类，

其中，所述图像处理模块被配置为通过以下方式获取所述外转子目标区域的图像数据：

边缘检测单元，确定所述图像数据中的外转子原始图像的不同像素位置的梯度，并根据所述梯度进行非极大值抑制对外转子原始图像进行边缘增强；通过阈值算法对边缘增强后的外转子原始图像进行边缘检测以识别出外转子的边缘轮廓数据；

曲线拟合单元，对识别的外转子的边缘轮廓数据进行曲线拟合以得出外转子目标区域的图像数据，

其中，在所述边缘检测过程中，当像素位置的幅值超过第一阈值时，保留像素位置为边缘像素位置；当像素位置的幅值小于第二阈值时，排除像素位置为边缘像素位置；当像素位置的幅值在所述第一阈值和所述第二阈值之间时，像素位置仅在连接到一个高于所述第一阈值的像素时被保留，并将保留的像素位置连接直到整个轮廓边缘闭合，其中，所述第一阈值高于所述第二阈值。

10.如权利要求9所述的装置，其特征在于，所述图像处理模块被配置为：

图像截取单元，读取采集的图像数据并截取一定时间间隔的每一帧图像数据作为所述外转子原始图像。

11.如权利要求10所述的装置，其特征在于，所述边缘检测单元被配置为：

对外转子原始图像进行滤波处理，

求取滤波处理后的外转子原始图像的不同像素位置的梯度。

12.如权利要求10所述的装置，其特征在于，所述曲线拟合单元被配置为利用最小二乘法来实现对识别的外转子的边缘轮廓数据进行曲线拟合。

13.如权利要求9所述的装置，其特征在于，所述清洁度识别模块被配置为：

图像特征值提取单元，提取外转子目标区域的图像特征值，其中，所述RGB分量特征值包括红色分量方差、绿色分量方差、蓝色分量方差、红色分量均值、绿色分量均值、蓝色分量均值；

清洁度识别单元，基于支持向量机算法对提取的图像特征值进行训练，并根据训练的模型对外转子的清洁度进行自动分类和识别。

14.如权利要求13所述的装置，其特征在于，所述图像特征值提取单元被配置为：

对外转子目标区域的RGB三个通道分量分别进行归一化处理以计算得出所述红色分量方差、绿色分量方差、蓝色分量方差、红色分量均值、绿色分量均值和蓝色分量均值，以及对外转子目标区域进行边缘检测以计算得出所述边缘数量。

15.如权利要求13所述的装置，其特征在于，所述清洁度识别单元被配置为：根据训练的模型对外转子进行两次分类，其中，第一次分类将外转子分为干净外转子和非干净外转子，第二次分类将所述非干净外转子分为轻度污损外转子和重度污损外转子。

16.如权利要求9所述的装置，其特征在于，所述图像采集模块中的图像数据由安装在风力发电机组的测风支架上的图像采集装置采集得到。

17.一种计算机可读存储介质，存储有计算机程序，其特征在于，所述计算机程序被处理器运行时，所述处理器执行权利要求1-8中任一项所述的方法。

18.一种计算机设备，包括处理器和存储计算机程序的存储器，其特征在于，所述计算机程序被处理器运行时，所述处理器执行如权利要求1-8中任一项所述的方法。