CN111260603B - 识别风力发电机组叶片尖端的方法及装置 - Google Patents
识别风力发电机组叶片尖端的方法及装置 Download PDFInfo
- Publication number
- CN111260603B CN111260603B CN201811453373.9A CN201811453373A CN111260603B CN 111260603 B CN111260603 B CN 111260603B CN 201811453373 A CN201811453373 A CN 201811453373A CN 111260603 B CN111260603 B CN 111260603B
- Authority
- CN
- China
- Prior art keywords
- pixel
- image
- blade
- blade tip
- value
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 38
- 238000012545 processing Methods 0.000 claims description 79
- 238000006243 chemical reaction Methods 0.000 claims description 15
- 238000001914 filtration Methods 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 4
- 238000012544 monitoring process Methods 0.000 abstract description 3
- 238000001514 detection method Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 5
- 230000003595 spectral effect Effects 0.000 description 5
- 238000011217 control strategy Methods 0.000 description 3
- 230000007613 environmental effect Effects 0.000 description 3
- 238000009499 grossing Methods 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 239000003086 colorant Substances 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000000717 retained effect Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 229920006395 saturated elastomer Polymers 0.000 description 1
- 238000002834 transmittance Methods 0.000 description 1
Classifications
-
- 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
- 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
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10024—Color image
-
- 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
- G06T2207/20076—Probabilistic image processing
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
- Wind Motors (AREA)
Abstract
本公开提供了一种识别风力发电机组叶片尖端的方法及其装置。所述方法包括获取风力发电机组叶片在运行过程中的图像,以及通过对获取的图像应用图像识别算法来计算叶片尖端的位置坐标。本公开的方法和装置使用图像识别算法实时地获取叶片尖端位置,从而实现对于叶片形变的实时监测,提高了监测叶片形变的效率并且降低了其成本。
Description
技术领域
本发明涉及风力发电技术领域,更具体地讲,涉及一种用于识别风力发电机组叶片尖端的方法及其装置。
背景技术
风力发电机组作为通过风能产生电能的设备,它主要通过叶片来获取风能,如果使叶片能够更好地获取风的能量同时又不超过其设计的额定载荷,最优化的控制策略就是根据叶片的变形情况进行变桨操作。由于现有技术无法实现非接触式测量叶片尖端的位置,因此无法实现对于叶片变形情况的实时测量。
发明内容
本发明的示例性实施例提供了一种识别风力发电机组叶片尖端的方法及装置,至少解决上述技术问题和上文未提及的其它技术问题,并且提供下述的有益效果。
本发明的一方面在于提供一种识别风力发电机组叶片尖端的方法,所述方法可以包括:获取风力发电机组叶片在运行过程中的图像;并且通过对获取的图像应用图像识别算法来计算叶片尖端的位置坐标。
通过对获取的图像应用图像识别算法来计算叶片尖端的位置坐标的步骤可以包括:对获取的图像进行HSV处理;对经HSV处理后的图像进行轮廓检测;根据检测出的针对叶片尖端的轮廓来计算叶片尖端的最小外接矩形;并且根据计算出的最小外接矩形来计算叶片尖端的位置坐标。
对获取的图像进行HSV处理的步骤可以包括:将获取的图像由RGB格式转换为HSV格式;将格式转换后的图像中的每一个像素点的像素值与针对叶片尖端颜色的特定像素值范围进行比较;当格式转换后的图像中的像素点的像素值在所述特定像素值范围内时,保留该像素点的像素值;当格式转换后的图像中的像素点的像素值超出所述特定像素值范围内时,将该像素点的像素值设置为零。
对经HSV处理后的图像进行轮廓检测的步骤可以包括:计算经HSV处理后的图像中的相邻两个像素点的像素差值;将所述像素差值与预设阈值进行比较;当所述像素差值大于预设阈值时,将该像素点设置为边缘像素点;当所述像素差值小于或等于预设阈值时,将该像素点设置为轮廓内部像素点;并且基于所述边缘像素点形成针对叶片尖端的轮廓。
对获取的图像进行HSV处理的步骤还可以包括:对经HSV处理后的图像进行滤波处理和灰度处理;并且对经滤波和灰度处理后的图像进行二值化处理。
根据检测出的针对叶片尖端的轮廓来计算叶片尖端的最小外接矩形的步骤可以包括根据所述针对叶片尖端的轮廓的像素点的位置坐标来计算叶片尖端的最小外接矩形。
根据计算出的最小外接矩形来计算叶片尖端的位置坐标的步骤可以包括:将计算出的最小外接矩形的左上方顶点确定为叶片顶点;并且使用所述叶片顶点来计算叶片尖端的位置坐标。
本发明的另一方面在于提供一种识别风力发电机组叶片尖端的装置,所述装置可以包括图像获取装置和图像处理装置。其中,图像获取装置被配置为获取风力发电机组叶片在运行过程中的图像,图像处理装置被配置为通过对获取的图像应用图像识别算法来计算叶片尖端的位置坐标。
图像处理装置可以被配置为:对获取的图像进行HSV处理;对经HSV处理后的图像进行轮廓检测;根据检测出的针对叶片尖端的轮廓来计算叶片尖端的最小外接矩形;并且根据计算出的最小外接矩形来计算叶片尖端的位置坐标。
图像处理装置还可以被配置为:将获取的图像由RGB格式转换为HSV格式;将格式转换后的图像中的每一个像素点的像素值与针对叶片尖端颜色的特定像素值范围进行比较;当格式转换后的图像中的像素点的像素值在所述特定像素值范围内时,保留该像素点的像素值;当格式转换后的图像中的像素点的像素值超出所述特定像素值范围内时,将该像素点的像素值设置为零。
图像处理装置还可以被配置为:计算经HSV处理后的图像中的相邻两个像素点的像素差值;将所述像素差值与预设阈值进行比较;当所述像素差值大于预设阈值时,将该像素点设置为边缘像素点;当所述像素差值小于或等于预设阈值时,将该像素点设置为轮廓内部像素点;基于所述边缘像素点形成针对叶片尖端的轮廓。
图像处理装置还可以被配置为:对经HSV处理后的图像进行滤波处理和灰度处理;并且对经滤波和灰度处理后的图像进行二值化处理。
图像处理装置还可以被配置为根据所述针对叶片尖端的轮廓的像素点的位置坐标来计算叶片尖端的最小外接矩形。
图像处理装置还可以被配置为:将计算出的最小外接矩形的左上方顶点确定为叶片顶点;并且使用所述叶片顶点来计算叶片尖端的位置坐标。
本发明的一方面在于提供一种计算机可读存储介质,存储有程序,其特征在于,所述程序可包括用于执行以上所述的识别风力发电机组叶片尖端方法的指令。
本发明的一方面在于提供一种计算机,包括存储有计算机程序的可读介质和处理器,其特征在于,当所述处理器运行所述计算机程序时执行以上所述的识别风力发电机组叶片尖端方法的指令。
基于以上描述的识别风力发电机组叶片尖端的方法及装置,通过使用图像识别算法实时对叶片尖端位置进行精准定位,从而实现对于叶片形状变化的实时监测,不仅提高了检测叶片形变的效率而且节省了使用诸如激光扫描仪等装置检测叶片形变的成本。
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他目的、特点和优点将会变得更加清楚,其中:
图1是根据本公开的第一示例性实施例的识别风力发电机组叶片尖端位置的方法的流程图;
图2是根据本公开的第二示例性实施例的识别风力发电机组叶片尖端位置的方法的流程图;
图3是根据本公开的第三示例性实施例的识别风力发电机组叶片尖端位置的方法的流程图;
图4是根据本公开的示例性实施例识别风力发电机组叶片尖端位置的装置的框图;
图5是根据本公开的示例性实施例的截取的图像的示图;
图6是根据本公开的示例性实施例的经HSV处理后的图像的示图;
图7是根据本公开的示例性实施例的经灰度处理后的图像的示图;
图8是根据本公开的示例性实施例的经二值化处理后的图像的示图;
图9是根据本公开的示例性实施例的经轮廓检测后的图像的示图。
具体实施方式
现将详细参照本公开的示例性实施例,所述实施例的示例在附图中示出,其中,相同的标号始终指示相同的部件。以下将通过参照附图来说明所述实施例,以便于解释本发明。显然,所描述的实施例仅是本公开一部分实施例,而不是全部的实施例。基于本公开的实施例,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,都属于本申请保护的范围。
在本公开中,包括诸如“第一”、“第二”等序数的术语可以被用于描述各种元素,但是这些元素不应被理解为仅限于这些术语。这些术语仅被用于将一个元素与其他元素区分开来。例如,在不脱离本公开的范围的情况下,第一元素可以被称为第二元素,反之亦然。
图1是根据本公开的第一实施例的识别风力发电机组叶片尖端位置的方法的流程图。
在步骤S101,获取风力发电机组叶片在运行过程中的图像。根据本公开的实施例,在风力发电机组运行期间,使用图像获取装置(例如,包括高清摄像机)对风力发电机组叶片进行实时拍摄,将获取的叶片运行画面截取成图像,以用于后面的图像识别算法中。
在步骤S102,通过对获取的图像应用图像识别算法来计算叶片尖端的位置坐标。在将叶片运行画面截取成图像后,对截取的图像应用图像识别算法。具体地,首先将获取的图像进行HSV((Hue,色调)、(Saturation,饱和度)、(Value,明度))处理,对经HSV处理后的图像进行轮廓检测,根据检测出的针对叶片尖端的轮廓来计算叶片尖端的最小外接矩形,根据计算出的最小外接矩形来计算叶片尖端的位置坐标。下面将参照图2来详细地描述识别风力发电机组叶片尖端位置的方法。
图2是根据本公开的第二实施例的识别风力发电机组叶片尖端位置的方法的流程图。
在步骤S201,实时获取风力发电机组叶片在运行过程中的图像。例如,从风力发电机组叶片运行的画面中截取的图像如图5所示。从图5中可以看出,叶片501整体为白色,叶片尖端502为红色,以及风力发电机组所处的环境背景,并且环境背景中包括一条红色的跑道503。
在步骤S202,对获取的图像进行HSV处理。HSV是一种比较直观的颜色模型,该模型中颜色的参数分别是:色调(H,Hue)、饱和度(S,Saturation)和明度(V,Value)。其中,色调(H)采用角度度量,取值范围为0°~360°,从红色开始按逆时针方向计算,红色为0°,绿色为120°,蓝色为240°,它们的补色分别为:黄色为60°、青色为180°、品红为300°。饱和度(S)表示颜色接近光谱色的程度,通常取值范围为0%~100%,值越大,颜色越饱和。其中,光谱色所占的比例愈大,颜色接近光谱色的程度就愈高,颜色的饱和度也就愈高。如果饱和度高,则颜色深而艳。光谱色的白光成分为0,饱和度达到最高。为了对风力发电机组的叶片尖端进行识别,需要首先将叶片尖端与叶片的其他进行区分。一般地,风力发电机组叶片尖端是红色而叶片整体颜色为白色,因此,可以将叶片中两种颜色看成是某种光谱色与白色混合的结果。明度(V)表示颜色明亮的程度,通常取值范围为0%(黑)到100%(白),对于光源色,明度值与发光体的光亮度有关,对于物体色,明度值和物体的透射比或反射比有关。
根据本公开实施例,首先将获取的图像由RGB((Red,红色)、(Green,绿色)、(Blue,蓝色))格式转换为HSV格式。在转换格式的过程中,将图像中的每一个像素点的R、G、B值转换为H、S、V值。
可以使用等式(1)来计算每一个像素点的H值:
其中,R'=R/255,G'=G/255,B'=B/255,Cmax=max(R',G',B'),Cmin=min(R',G',B'),Δ=Cmax-Cmin。
可以使用等式(2)来计算每一个像素点的S值:
其中,R'=R/255,G'=G/255,B'=B/255,Cmax=max(R',G',B'),Cmin=min(R',G',B'),Δ=Cmax-Cmin。
可以使用等式(3)来计算每一个像素点的V值:
V=Cmax (3)
其中,R'=R/255,G'=G/255,B'=B/255,Cmax=max(R',G',B')。
通过对于每一个像素点的H、S、V三个像素分量的单独计算,可以获得叶片运行过程中的HSV图像。
在经格式转化后,将格式转换后的HSV图像中的每一个像素点的像素值与针对叶片尖端颜色的特定像素值范围进行比较。具体地,如下表1所示,可以获取每一种颜色对应的H、S、V的取值范围。当格式转换后的图像中的像素点的像素值在针对叶片尖端颜色的特定像素值范围内时,保留该像素点的像素值,当格式转换后的图像中的像素点的像素值超出该特定像素值范围内时,将该像素点的像素值设置为零。
例如,假设风力发电机组叶片尖端的颜色为红色,从表1可以看出关于红色的取值范围为[Hmin,Smin,Vmin]=[140,43,46]至[Hmax,Smax,Vmax]=[180,255,255]。将经格式转换后的图像中的每个像素点的HSV像素值与关于红色的HSV的取值范围进行比较,当某一像素点的像素值在该范围内时,保留其原像素值,当某一像素点的像素值不在该范围内时,将该像素点的像素值设置为(0,0,0),即为黑色。通过以上设置可以将图像中包括的叶片尖端保留下来。
图6示出了图5经HSV处理后的图像。由于图5中除了叶片尖端502为红色外,还有环境背景中的一条跑道503为红色,因此,在图5经HSV处理后,仅保留了红色跑道以及红色的叶片尖端。
在步骤S203,对经HSV处理后的图像进行轮廓检测。具体地,计算经HSV处理后的图像中的相邻两个像素点的像素差值,将该像素差值与预设阈值进行比较。当该像素差值大于预设阈值时,将该像素点设置为边缘像素点;当该像素差值小于或等于预设阈值时,将该像素点设置为轮廓内部像素点。基于边缘像素点形成针对叶片尖端的轮廓。这里,可以根据设计人员的经验和设计需求来设置预设阈值。通过遍历转换后的图像中的每一组相邻像素点的情况,就可以获得叶片尖端的轮廓信息。例如,图7示出了经轮廓检测后的图像。由于叶片尖端和背景中的跑道都是红色的,因此,在经HSV处理后,保留了红色的像素值,图7中的红色曲线示出了叶片尖端的轮廓和背景中的跑道的轮廓。
表1
在步骤S204,根据检测出的针对叶片尖端的轮廓来计算叶片尖端的最小外接矩形。最小外接矩形也称为最小边界矩形、最小包含矩形或最小外包矩形。最小外接矩形是指以二维坐标表示的若干二维形状(例如,点、直线、多边形)的最大范围,即以给定的二维形状各顶点中的最大横坐标、最小横坐标、最大纵坐标、最小纵坐标定下边界的矩形。根据本公开的实施例,根据针对叶片尖端的轮廓的像素点的位置坐标来计算叶片尖端的最小外接矩形。
在步骤S205,根据计算出的最小外接矩形来计算叶片尖端的位置坐标。例如,将计算出的最小外接矩形的左上方顶点确定为叶片顶点,使用该叶片顶点来计算叶片尖端的位置坐标。
当获得叶片尖端的位置坐标后,可以使用获取的位置坐标来计算叶片运行的姿态,例如,叶片的净空、叶尖位置的扭转,从而实时监测叶片形状变化情况。
图3是根据本公开的第三实施例的识别风力发电机组叶片尖端位置的方法的流程图。
在步骤S301,实时获取风力发电机组叶片在运行过程中的图像。
在步骤S302,对获取的图像进行HSV处理。对图像进行HSV处理的操作与步骤S202的操作相同,这里不再赘述。
在步骤S303,对经HSV处理后的图像进行滤波处理。在经过HSV格式转换后,可以使用滤波器对图像进行滤波处理。例如,可以使用高斯滤波器对图像进行滤波处理。高斯滤波器是一类根据高斯函数的形状来选择权值的线性平滑滤波器。高斯滤波器对于抑制服从正态分布的噪声非常有效。一维零均值高斯函数可以由等式(4)来表示:
g(x)=exp(-x2/2sigma2) (4)
其中,高斯分布参数sigma决定了高斯函数的宽度,x表示像素点的坐标灰度值。
对于图像处理来说,常用二维零均值离散高斯函数作平滑滤波器。理论上,高斯分布在所有定义域上都有非负值,这就需要一个无限大的卷积核。但在实际上,仅需要取均值周围3倍标准差内的值,其余部分直接删除即可。如下面示出的一个标准差为1.0的整数值高斯核:
可以使用该高斯核与每一部分像素点的像素值进行卷积运算来完成高斯滤波,以实现对于图像的平滑处理。
在步骤S304,对经滤波处理后的图像进行灰度处理。例如,在灰度处理中,针对图像中的每一个像素点,将像素点的R、G、B值求取其平均值作为该像素点的像素值。根据本公开的实施例,在经过HSV处理后,已经提取出红色分量,获得了合适的关于叶片尖端位置的图像,因此,为了简化后续处理的运算压力,提升运算速度,可以将RGB图像转化为灰度图。例如,图8示出了图6经滤波和灰度处理后的图像。从图8可以看出,图6中红色的跑道和红色的叶片尖端已经变为仅有一种灰度颜色的跑道和叶片尖端,而且图像变得更加平滑。
在步骤S305,对经灰度处理后的图像进行二值化处理。为了进一步区分图像中的叶片尖端和背景,可以进一步对图像进行二值化处理。对于二值化处理中阈值的选取非常重要。如果阈值选取不合适,则处理后的图像可能毫无用处。为了提高图像分割的程度,可以使用最大类间方差法(也称为Otsu算法)来确定二值化处理中的阈值。最大类间方差法将图像分成背景和目标两部分。背景和目标之间的类间方差越大,说明构成图像的两部分的差别越大,当部分目标错分为背景或部分背景错分为目标都会导致两部分差别变小。
根据本公开的实施例,首先计算经灰度处理后的图像的直方图并进行归一化处理,然后计算图像的全局灰度均值,按照计算出的全局灰度均值将图8的像素点分为两类,并计算第一类像素点的概率和第二类像素点的概率,根据等式(5)来计算类间方差:
V=q1*q2*(mu1-mu2)*(mu1-mu2) (5)
其中,q1表示第一类像素点的概率,q2表示第二类像素点的概率,mu1表示第一类像素点的灰度均值,mu2表示第二类像素点的灰度均值。
循环寻找类间方差的最大值,将最大类间方差作为二值化处理中的最佳阈值,使用该最佳阈值进行图像的二值化处理。例如,图9示出了经二值化处理后的图像,原来红色的跑道和叶片尖端已经变为白色,其余变为黑色,使得叶片尖端更加明显,提供了图像识别的准确率。
在步骤S306,使用二值化处理后的图像进行轮廓检测。例如,计算经二值化处理后的图像中的相邻两个像素点的像素差值,将该像素差值与预设阈值进行比较。当该像素差值大于预设阈值时,将该像素点设置为边缘像素点;当该像素差值小于或等于预设阈值时,将该像素点设置为轮廓内部像素点。基于边缘像素点形成针对叶片尖端的轮廓。通过遍历转换后的图像中的每一组相邻像素点的情况,就可以获得叶片尖端的轮廓信息。
在步骤S307,根据检测出的针对叶片尖端的轮廓来计算叶片尖端的最小外接矩形。例如,可以根据针对叶片尖端的轮廓的像素点的位置坐标来计算叶片尖端的最小外接矩形。
在步骤S308,根据计算出的最小外接矩形来计算叶片尖端的位置坐标。例如,将计算出的最小外接矩形的左上方顶点确定为叶片顶点,使用该叶片顶点来计算叶片尖端的位置坐标。
此外,获得叶片尖端位置坐标后,可以根据叶片顶点的位置计算此时叶片运行的姿态,并根据姿态进行后续的控制策略优化。
图4是根据本公开的实施例识别风力发电机组叶片尖端位置的装置的框图。
如图4所示,识别风力发电机组叶片尖端位置的装置400可以包括图像获取装置401和图像处理装置402。根据本公开的装置400中的每个模块可以由一个或多个模块来实现,并且对应模块的名称可根据装置的类型而变化。在各种实施例中,可以省略装置400中的一些模块,或者还可包括另外的模块。此外,根据本公开的各种实施例的模块可以被组合以形成单个实体,并且因此可等效地执行相应模块在组合之前的功能。
图像获取装置401可以获取风力发电机组叶片在运行过程中的图像。例如,图像获取装置401可以包括高清摄像机,对风力发电机组叶片进行实时拍摄,图像获取装置401将获取的叶片运行画面截取成图像。
图像获取装置401将截取的图像发送到图像处理装置402。图像处理装置402可以通过对获取的图像应用图像识别算法来计算叶片尖端的位置坐标。
根据本公开的实施例,图像处理装置402可以对获取的图像进行HSV处理。首先,图像处理装置402将获取的图像由RGB格式转换为HSV格式。例如,图像处理装置402可以使用等式(1)至等式(3)来将图像中的每一个像素点的RGB像素值转换为HSV像素值。在格式转换后,图像处理装置402将图像中的每一个像素点的像素值与针对叶片尖端颜色的特定像素值范围进行比较。例如,一般情况下,风力发电机组的叶片整体颜色为白色,叶片尖端颜色为红色,从表1可以看出红色对应的HSV值的取值范围为[Hmin,Smin,Vmin]=[140,43,46]至[Hmax,Smax,Vmax]=[180,255,255]。图像处理装置402可以将经格式转换后的图像中的每个像素点的HSV像素值与上述取值范围进行比较,当某一像素点的像素值在该范围内时,图像处理装置402保留其原像素值,当某一像素点的像素值不在该范围内时,图像处理装置402将该像素点的像素值设置为(0,0,0),即为黑色。通过以上设置可以将图像中包括的叶片尖端保留下来。
在获取的图像经HSV处理后,图像处理装置402可以进一步对图像进行滤波、灰度、二值化等图像处理。可选地,图像处理装置402可以使用各种滤波器(例如,高斯滤波器)对图像进行滤波处理来去除图像噪声,使得图像更加平滑。
可选地,图像处理装置402还可以对图像进行灰度处理。例如,经HSV处理后的图像中,一部分像素点的像素值位于针对叶片尖端颜色(例如,红色)的特定像素值范围内,其余部分像素点的像素值全部为零。图像处理装置402可以将非零像素值的像素点的HSV值转换回RGB值,然后对这些像素点中每一个像素点的RGB值求取其平均值,再将RGB图像转换为灰度图像。这样,可以简化进一步处理的运算压力并且提升运算速度。
可选地,图像处理装置402还可以对图像进行二值化处理。例如,图像处理装置402可以使用最大类间方差法对图像进行二指化处理。使用最大类间方差法获取二值化处理中的最佳阈值将叶片尖端与背景进一步进行区分,以提高叶片尖端的识别精度。
图像处理装置402可以对经HSV处理后的图像进行轮廓检测。具体地,图像处理装置402计算经HSV处理后的图像中的相邻两个像素点的像素差值,将该像素差值与预设阈值进行比较。当该像素差值大于预设阈值时,将该像素点设置为边缘像素点;当该像素差值小于或等于预设阈值时,将该像素点设置为轮廓内部像素点。图像处理装置402可以基于检测出的边缘像素点形成针对叶片尖端的轮廓。
作为另一示例,图像处理装置402在对图像进行HSV处理后,可以继续对经HSV处理后的图像进行以下图像处理中的至少一种:滤波处理、灰度处理和二值化处理等。在经过一系列上述图像处理后,图像处理装置402再对经图像处理后的图像进行轮廓检测。
图像处理装置402根据针对叶片尖端的轮廓的像素点的位置坐标来计算叶片尖端的最小外接矩形。图像处理装置402将计算出的最小外接矩形的左上方顶点确定为叶片顶点,并且使用该叶片顶点来计算叶片尖端的位置坐标。
此外,图像处理装置402还可以在获得叶片尖端位置后计算叶片此时运行的姿态,例如,叶片的净空值以及叶尖位置的扭转等,并且根据该姿态来确定叶片变形情况,并进行优化后续的控制策略。
根据本发明公开的示例实施例的识别叶片尖端的方法可被实现为计算机可读记录介质上的计算机可读指令,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信道发送的载波。计算机可读记录介质也可分布于连接网络的计算机系统,从而计算机可读指令以分布方式被存储和执行。
根据本公开的识别风力发电机组叶片尖端位置的方法及其装置,使用图像识别算法对叶尖位置进行精准定位,实时地计算叶片尖端的位置,从而确定叶片变形情况,不仅提高了效率,也节省了使用装置检测叶片尖端位置的成本。
尽管已经参照其示例性实施例,具体示出和描述了本发明,但是本领域的技术人员应该理解,在不脱离权利要求所限定的本发明的精神和范围的情况下,可以对其进行形式和细节上的各种改变。
Claims (8)
1.一种识别风力发电机组叶片尖端的方法,其特征在于,所述方法包括:
获取风力发电机组叶片在运行过程中的图像;
对获取的图像进行HSV处理;
计算经HSV处理后的图像中的相邻两个像素点的像素差值;
将所述像素差值与预设阈值进行比较;
当所述像素差值大于预设阈值时,将该像素点设置为边缘像素点;
当所述像素差值小于或等于预设阈值时,将该像素点设置为轮廓内部像素点;
基于所述边缘像素点形成针对叶片尖端的轮廓;
根据所述针对叶片尖端的轮廓的像素点的位置坐标来计算叶片尖端的最小外接矩形;
将计算出的最小外接矩形的左上方顶点确定为叶片顶点;
使用所述叶片顶点来计算叶片尖端的位置坐标。
2.如权利要求1所述的方法,其特征在于,对获取的图像进行HSV处理的步骤包括:
将获取的图像由RGB格式转换为HSV格式;
将格式转换后的图像中的每一个像素点的像素值与针对叶片尖端颜色的特定像素值范围进行比较;
当格式转换后的图像中的像素点的像素值在所述特定像素值范围内时,保留该像素点的像素值;
当格式转换后的图像中的像素点的像素值超出所述特定像素值范围内时,将该像素点的像素值设置为零。
3.如权利要求1所述的方法,其特征在于,对获取的图像进行HSV处理的步骤包括:
对经HSV处理后的图像进行滤波处理和灰度处理;
对经滤波和灰度处理后的图像进行二值化处理。
4.一种识别风力发电机组叶片尖端的装置,其特征在于,所述装置包括:
图像获取装置,被配置为获取风力发电机组叶片在运行过程中的图像;
图像处理装置,被配置为:
对获取的图像进行HSV处理;
计算经HSV处理后的图像中的相邻两个像素点的像素差值;
将所述像素差值与预设阈值进行比较;
当所述像素差值大于预设阈值时,将该像素点设置为边缘像素点;
当所述像素差值小于或等于预设阈值时,将该像素点设置为轮廓内部像素点;
基于所述边缘像素点形成针对叶片尖端的轮廓;
根据所述针对叶片尖端的轮廓的像素点的位置坐标来计算叶片尖端的最小外接矩形;
将计算出的最小外接矩形的左上方顶点确定为叶片顶点;
使用所述叶片顶点来计算叶片尖端的位置坐标。
5.如权利要求4所述的装置,其特征在于,图像处理装置还被配置为:
将获取的图像由RGB格式转换为HSV格式;
将格式转换后的图像中的每一个像素点的像素值与针对叶片尖端颜色的特定像素值范围进行比较;
当格式转换后的图像中的像素点的像素值在所述特定像素值范围内时,保留该像素点的像素值;
当格式转换后的图像中的像素点的像素值超出所述特定像素值范围内时,将该像素点的像素值设置为零。
6.如权利要求4所述的装置,其特征在于,图像处理装置还被配置为:
对经HSV处理后的图像进行滤波处理和灰度处理;
对经滤波和灰度处理后的图像进行二值化处理。
7.一种计算机可读存储介质,存储有程序,其特征在于,所述程序包括用于执行如权利要求1-3中的任一项所述方法的指令。
8.一种计算机,包括存储有计算机程序的可读介质和处理器,其特征在于,当所述处理器运行所述计算机程序时执行如权利要求1-3中的任一项所述方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811453373.9A CN111260603B (zh) | 2018-11-30 | 2018-11-30 | 识别风力发电机组叶片尖端的方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811453373.9A CN111260603B (zh) | 2018-11-30 | 2018-11-30 | 识别风力发电机组叶片尖端的方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111260603A CN111260603A (zh) | 2020-06-09 |
CN111260603B true CN111260603B (zh) | 2024-02-02 |
Family
ID=70944875
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811453373.9A Active CN111260603B (zh) | 2018-11-30 | 2018-11-30 | 识别风力发电机组叶片尖端的方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111260603B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112629828B (zh) * | 2020-11-27 | 2023-07-04 | 奥比中光科技集团股份有限公司 | 一种光学信息检测方法、装置及设备 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20080004926A (ko) * | 2006-07-07 | 2008-01-10 | 주식회사 피엘케이 테크놀로지 | 차영상을 이용한 이동 차량 인식 방법 |
CN102102639A (zh) * | 2009-12-17 | 2011-06-22 | 西门子公司 | 风力设备叶片的变形的探测 |
CN104361312A (zh) * | 2014-10-16 | 2015-02-18 | 北京捷通华声语音技术有限公司 | 一种对图像进行字符识别的方法和装置 |
CN105445277A (zh) * | 2015-11-12 | 2016-03-30 | 湖北工业大学 | 一种fpc表面质量视觉智能检测方法 |
CN105809705A (zh) * | 2016-03-30 | 2016-07-27 | 广东工业大学 | 一种基于最小外接矩形的贴片元件定位识别方法 |
CN108268895A (zh) * | 2018-01-12 | 2018-07-10 | 上海烟草集团有限责任公司 | 基于机器视觉的烟叶部位识别方法、电子设备及存储介质 |
CN108805023A (zh) * | 2018-04-28 | 2018-11-13 | 平安科技(深圳)有限公司 | 一种图像检测方法、装置、计算机设备及存储介质 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP5648443B2 (ja) * | 2010-11-26 | 2015-01-07 | ソニー株式会社 | 画像処理装置および方法、並びにプログラム |
-
2018
- 2018-11-30 CN CN201811453373.9A patent/CN111260603B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20080004926A (ko) * | 2006-07-07 | 2008-01-10 | 주식회사 피엘케이 테크놀로지 | 차영상을 이용한 이동 차량 인식 방법 |
CN102102639A (zh) * | 2009-12-17 | 2011-06-22 | 西门子公司 | 风力设备叶片的变形的探测 |
CN104361312A (zh) * | 2014-10-16 | 2015-02-18 | 北京捷通华声语音技术有限公司 | 一种对图像进行字符识别的方法和装置 |
CN105445277A (zh) * | 2015-11-12 | 2016-03-30 | 湖北工业大学 | 一种fpc表面质量视觉智能检测方法 |
CN105809705A (zh) * | 2016-03-30 | 2016-07-27 | 广东工业大学 | 一种基于最小外接矩形的贴片元件定位识别方法 |
CN108268895A (zh) * | 2018-01-12 | 2018-07-10 | 上海烟草集团有限责任公司 | 基于机器视觉的烟叶部位识别方法、电子设备及存储介质 |
CN108805023A (zh) * | 2018-04-28 | 2018-11-13 | 平安科技(深圳)有限公司 | 一种图像检测方法、装置、计算机设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN111260603A (zh) | 2020-06-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US8244003B2 (en) | Image preprocessing | |
US7747071B2 (en) | Detecting and correcting peteye | |
US8254646B2 (en) | Image preprocessing | |
US8358812B2 (en) | Image Preprocessing | |
US7068840B2 (en) | Determination of an illuminant of digital color image by segmentation and filtering | |
CN103914708B (zh) | 基于机器视觉的食品品种检测方法及系统 | |
CN106952307B (zh) | 一种图像中球体定位方法及系统 | |
WO2015070723A1 (zh) | 眼部图像处理方法和装置 | |
CN111415363A (zh) | 一种图像边缘识别方法 | |
JP6890427B2 (ja) | 車番認識装置 | |
CN110427979B (zh) | 基于K-Means聚类算法的道路水坑识别方法 | |
US8244004B2 (en) | Image preprocessing | |
US11538238B2 (en) | Method and system for performing image classification for object recognition | |
CN108154496B (zh) | 一种适用于电力作业机器人的电力设备外观变化识别方法 | |
CN107273884A (zh) | 一种基于移动终端摄像头的车辆牌照识别方法 | |
CN112435272A (zh) | 一种基于图像轮廓分析的高压输电线连通域去除方法 | |
Lin et al. | License plate recognition based on mathematical morphology and template matching | |
CN111260603B (zh) | 识别风力发电机组叶片尖端的方法及装置 | |
CN114066862A (zh) | 一种基于色域和轮廓特征的指示器识别方法及系统 | |
CN110188640B (zh) | 人脸识别方法、装置、服务器和计算机可读介质 | |
CN112818983A (zh) | 一种利用图片相识度判断字符倒置的方法 | |
CN114821078A (zh) | 一种车牌识别方法、装置、电子设备及存储介质 | |
CN110458012B (zh) | 多角度人脸识别方法及装置、存储介质和终端 | |
CN110245590B (zh) | 一种基于皮肤图像检测的产品推荐方法及系统 | |
CN112329556A (zh) | 一种交通标志检测方法、装置、电子设备和存储介质 |
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 | ||
CB02 | Change of applicant information | ||
CB02 | Change of applicant information |
Address after: 830026 No. 107, Shanghai Road, Urumqi economic and Technological Development Zone, the Xinjiang Uygur Autonomous Region Applicant after: Jinfeng Technology Co.,Ltd. Address before: 830026 No. 107, Shanghai Road, Urumqi economic and Technological Development Zone, the Xinjiang Uygur Autonomous Region Applicant before: XINJIANG GOLDWIND SCIENCE & TECHNOLOGY Co.,Ltd. |
|
GR01 | Patent grant | ||
GR01 | Patent grant |