CN112085694A - 一种人工智能自动巡检风能风机叶片系统 - Google Patents
一种人工智能自动巡检风能风机叶片系统 Download PDFInfo
- Publication number
- CN112085694A CN112085694A CN202010612055.3A CN202010612055A CN112085694A CN 112085694 A CN112085694 A CN 112085694A CN 202010612055 A CN202010612055 A CN 202010612055A CN 112085694 A CN112085694 A CN 112085694A
- Authority
- CN
- China
- Prior art keywords
- module
- blade
- image
- aerial vehicle
- unmanned aerial
- 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.)
- Granted
Links
- 238000007689 inspection Methods 0.000 title claims abstract description 12
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 8
- 230000007547 defect Effects 0.000 claims abstract description 47
- 230000004927 fusion Effects 0.000 claims abstract description 20
- 238000003709 image segmentation Methods 0.000 claims abstract description 17
- 230000000007 visual effect Effects 0.000 claims abstract description 9
- 230000008054 signal transmission Effects 0.000 claims description 10
- 238000001514 detection method Methods 0.000 claims description 6
- 238000005259 measurement Methods 0.000 claims description 6
- 230000005540 biological transmission Effects 0.000 claims description 3
- 238000000034 method Methods 0.000 claims description 3
- 230000002950 deficient Effects 0.000 description 4
- 238000000605 extraction Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 239000004576 sand Substances 0.000 description 1
Images
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
- G06T7/001—Industrial image inspection using an image reference approach
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformation in the plane of the image
- G06T3/40—Scaling the whole image or part thereof
- G06T3/4038—Scaling the whole image or part thereof for image mosaicing, i.e. plane images composed of plane sub-images
-
- 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
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Geometry (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种人工智能自动巡检风能风机叶片系统，包括云端数字化管理平台和无人机全自动叶片信息采集系统，无人机全自动叶片信息采集系统包括运动控制模块、视觉信息采集模块、图像分割模块、阀值调整模块，运动控制模块控制无人机按照预定的轨道方向行驶，视觉信息采集模块采用固定在无人机上的摄像头采集风机叶片上的图像信息并将图像数据发送至图像分割模块，图像分割模块将图像信息分割成前景区域与背景区域的图像，云端数字化管理平台包括数据融合模块、特征识别模块、数据库。本发明采用图像分割模块和阀值调整模块可以对摄像头进行自动化调整焦距，使无人机在采集图像数据时更加清晰，然后通过特征识别模块提高叶片缺陷的识别效率。
Description
技术领域
本发明涉及风机叶片巡检技术领域，特别涉及一种人工智能自动巡检风能风机叶片系统。
背景技术
叶片作为风力发电机组中一个非常关键的部件，它的气动效率决定了风力发电机组利用风能的能力。叶片高速转动时不可避免会与空气中的沙尘、颗粒产生摩擦和撞击，导致叶片前缘磨碎，前缘粘合会因此开裂。另外，随着风机运行年限的增加，叶片表面胶衣磨损、脱落后会出现砂眼和裂纹，这些缺陷都会对风机发电量产生影响。而随着缺陷的扩张甚至会导致叶片事故的发生。因此，目前需要巡检人员经常对风机的叶片进行巡检，对叶片缺陷能够及时发现，及时跟踪，及时解决，延长叶片寿命，预防不必要的故障停机及缺陷扩大化，提高风电场的上网电量，但人工巡检模式存在安全性差、工作量大、效率低，以及受观测角度影响，不能全面及时发现等问题，以及即便采用无人机巡检，由于其不够智能，也会导致采集数据不清晰，巡检数据不稳定等情况发生。
发明内容
本发明要解决的技术问题是克服现有技术的缺陷，提供一种人工智能自动巡检风能风机叶片系统，解决目前人工巡检模式存在安全性差、工作量大、效率低，以及受观测角度影响，不能全面及时发现等问题，以及即便采用无人机巡检，由于其不够智能，也会导致采集数据不清晰，巡检数据不稳定等情况发生的问题。
为了解决上述技术问题，本发明提供了如下的技术方案：
本发明一种人工智能自动巡检风能风机叶片系统，包括云端数字化管理平台和无人机全自动叶片信息采集系统，所述无人机全自动叶片信息采集系统包括运动控制模块、视觉信息采集模块、图像分割模块、阀值调整模块，所述运动控制模块控制无人机按照预定的轨道方向行驶，所述视觉信息采集模块采用固定在无人机上的摄像头采集风机叶片上的图像信息并将图像数据发送至图像分割模块，所述图像分割模块通过OTSU算法利用灰度阀值将图像信息分割成前景区域与背景区域的图像，并将前景图像的像素面积数据发送至阀值调整模块，所述阀值调整模块根据发送的像素面积数据与预设的前景像素面积数据进行比较，并根据比较结果调整摄像头的焦距，直到与预设的像素面积相同，所述无人机全自动叶片信息采集系统向云端数字化管理平台输出叶片图像信息，所述云端数字化管理平台包括数据融合模块、特征识别模块、数据库，所述数据融合模块采用加权平均进行数据融合，将原来的无人机图像进行拼接，并将拼接后的图像发送至特征识别模块，所述数据库中存储有多种叶片缺陷图像，所述特征识别模块根据数据库中的叶片缺陷图像和拼接后的图像采用HAAR+AdaBoost的检测方法识别出拼接后的图像中的叶片缺陷图像，并输出缺陷类型。
作为本发明的一种优选技术方案，还包括无限信号传输模块，所述无限信号传输模块为无人机全自动叶片信息采集系统和云端数字化管理平台之间提供信号传输通道。
作为本发明的一种优选技术方案，所述数据融合模块采用加权平均进行数据融合的公式为
其中w1和w2分别为待拼接图像重叠区域中对应的像素的权重，f1(x，y)和f2(x，y)分别为待拼接的传输图像，f(x，y)为拼接后的数据图像，满足w1+w2＝1,0＜w1,w2＜1。
作为本发明的一种优选技术方案，所述特征识别模块采用HAAR+AdaBoost的识别缺陷图像的步骤如下：
B1：采用HAAR特征中的积分图像的方式计算改特征值；
B2：将适用于叶片缺陷的各类HAAR特征采用AdaBoost算法得到的强分类器；
B3：将强分类器级联起来得到最终的级联分类器，从而得出叶片缺陷的图像。
作为本发明的一种优选技术方案，所述云端数字化管理平台还包括参数测量模块，所述特征识别模块将识别出的叶片缺陷图像输入至参数测量模块，所述参数测量模块根据识别的叶片缺陷图像计算出缺陷的面积。
与现有技术相比，本发明的有益效果如下：
本发明采用图像分割模块和阀值调整模块可以对摄像头进行自动化调整焦距，从而使无人机在采集图像数据时能够更加清晰，方便后续进行数据处理，数据融合模块能将采集的数据图像进行拼接，然后通过特征识别模块进行缺陷识别，采用HAAR+AdaBoost的检测方法可以快速找出缺陷特征，提高叶片缺陷的识别效率。
附图说明
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：
图1是本发明的整体结构示意图；
图中：1、云端数字化管理平台；2、无人机全自动叶片信息采集系统；3、运动控制模块；4、视觉信息采集模块；5、图像分割模块；6、阀值调整模块；7、数据融合模块；8、特征识别模块；9、数据库；10、无限信号传输模块；11、参数测量模块。
具体实施方式
以下结合附图对本发明的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本发明，并不用于限定本发明。其中附图中相同的标号全部指的是相同的部件。
此外，如果已知技术的详细描述对于示出本发明的特征是不必要的，则将其省略。
实施例1
如图1所示，本发明提供一种人工智能自动巡检风能风机叶片系统，包括云端数字化管理平台1和无人机全自动叶片信息采集系统2，无人机全自动叶片信息采集系统2包括运动控制模块3、视觉信息采集模块4、图像分割模块5、阀值调整模块6，运动控制模块3控制无人机按照预定的轨道方向行驶，视觉信息采集模块4采用固定在无人机上的摄像头采集风机叶片上的图像信息并将图像数据发送至图像分割模块5，图像分割模块5通过OTSU算法利用灰度阀值将图像信息分割成前景区域与背景区域的图像，并将前景图像的像素面积数据发送至阀值调整模块6，阀值调整模块6根据发送的像素面积数据与预设的前景像素面积数据进行比较，并根据比较结果调整摄像头的焦距，直到与预设的像素面积相同，无人机全自动叶片信息采集系统2向云端数字化管理平台1输出叶片图像信息，云端数字化管理平台1包括数据融合模块7、特征识别模块8、数据库9，数据融合模块7采用加权平均进行数据融合，将原来的无人机图像进行拼接，并将拼接后的图像发送至特征识别模块8，数据库9中存储有多种叶片缺陷图像，特征识别模块8根据数据库9中的叶片缺陷图像和拼接后的图像采用HAAR+AdaBoost的检测方法识别出拼接后的图像中的叶片缺陷图像，并输出缺陷类型。
还包括无限信号传输模块10，无限信号传输模块10为无人机全自动叶片信息采集系统2和云端数字化管理平台1之间提供信号传输通道。
具体的，在进行数据采集的过程中，由于叶片缺陷部分的灰度不同与背景部分，因此采用图像分割模块5通过OTSU算法利用灰度阀值将图像信息分割成前景区域与背景区域的图像，再通过阀值调整模块6控制摄像头的焦距，从而将叶片缺陷部分的面积控制在预设面积之内，使单个图像上的叶片缺陷数据更加清晰，由于数据采用摄像头连续式拍摄，因此，单个图像之间必然有重合的地方，且在进行特征提取的过程中，需要将多个图像融合成一个完整的数据图像才能对叶片缺陷数据进行提取，因此，先采用数据融合模块7将多个图像数据融合至同一坐标系内，形成一个完整的数据图像，再利用大量不同类型的叶片缺陷图像作为数据库9，采用HAAR+AdaBoost的检测方法对完整数据图像的缺陷图像进行特征提取，从而完成叶片的缺陷识别。
其中，数据融合模块7采用加权平均进行数据融合的公式为
其中w1和w2分别为待拼接图像重叠区域中对应的像素的权重，f1(x，y)和f2(x，y)分别为待拼接的传输图像，f(x，y)为拼接后的数据图像，满足w1+w2＝1,0＜w1,w2＜1
特征识别模块8采用HAAR+AdaBoost的识别缺陷图像的步骤如下：
B1：采用HAAR特征中的积分图像的方式计算改特征值；
B2：将适用于叶片缺陷的各类HAAR特征采用AdaBoost算法得到的强分类器；
B3：将强分类器级联起来得到最终的级联分类器，从而得出叶片缺陷的图像。
同时，在识别出叶片的缺陷类型和位置后，还需要对叶片缺陷的面积进行计算，从而方便对叶片缺陷的大小进行了解，跟踪叶片缺陷的变化，预防可能出现的缺陷事故，因此，云端数字化管理平台1还包括参数测量模块11，特征识别模块8将识别出的叶片缺陷图像输入至参数测量模块11，参数测量模块11根据识别的叶片缺陷图像计算出缺陷的面积。
本发明采用图像分割模块和阀值调整模块可以对摄像头进行自动化调整焦距，从而使无人机在采集图像数据时能够更加清晰，方便后续进行数据处理，数据融合模块能将采集的数据图像进行拼接，然后通过特征识别模块进行缺陷识别，采用HAAR+AdaBoost的检测方法可以快速找出缺陷特征，提高叶片缺陷的识别效率。
最后应说明的是：以上所述仅为本发明的优选实施例而已，并不用于限制本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (5)
1.一种人工智能自动巡检风能风机叶片系统，包括云端数字化管理平台(1)和无人机全自动叶片信息采集系统(2)，其特征在于，所述无人机全自动叶片信息采集系统(2)包括运动控制模块(3)、视觉信息采集模块(4)、图像分割模块(5)、阀值调整模块(6)，所述运动控制模块(3)控制无人机按照预定的轨道方向行驶，所述视觉信息采集模块(4)采用固定在无人机上的摄像头采集风机叶片上的图像信息并将图像数据发送至图像分割模块(5)，所述图像分割模块(5)通过OTSU算法利用灰度阀值将图像信息分割成前景区域与背景区域的图像，并将前景图像的像素面积数据发送至阀值调整模块(6)，所述阀值调整模块(6)根据发送的像素面积数据与预设的前景像素面积数据进行比较，并根据比较结果调整摄像头的焦距，直到与预设的像素面积相同，所述无人机全自动叶片信息采集系统(2)向云端数字化管理平台(1)输出叶片图像信息，所述云端数字化管理平台(1)包括数据融合模块(7)、特征识别模块(8)、数据库(9)，所述数据融合模块(7)采用加权平均进行数据融合，将原来的无人机图像进行拼接，并将拼接后的图像发送至特征识别模块(8)，所述数据库(9)中存储有多种叶片缺陷图像，所述特征识别模块(8)根据数据库(9)中的叶片缺陷图像和拼接后的图像采用HAAR+AdaBoost的检测方法识别出拼接后的图像中的叶片缺陷图像，并输出缺陷类型。
2.根据权利要求1所述的一种人工智能自动巡检风能风机叶片系统，其特征在于，还包括无限信号传输模块(10)，所述无限信号传输模块(10)为无人机全自动叶片信息采集系统(2)和云端数字化管理平台(1)之间提供信号传输通道。
3.根据权利要求1所述的一种人工智能自动巡检风能风机叶片系统，其特征在于，所述数据融合模块(7)采用加权平均进行数据融合的公式为
其中w1和w2分别为待拼接图像重叠区域中对应的像素的权重，f1(x，y)和f2(x，y)分别为待拼接的传输图像，f(x，y)为拼接后的数据图像，满足w1+w2＝1,0＜w1,w2＜1。
4.根据权利要求1所述的一种人工智能自动巡检风能风机叶片系统，其特征在于，所述特征识别模块(8)采用HAAR+AdaBoost的识别缺陷图像的步骤如下：
B1：采用HAAR特征中的积分图像的方式计算改特征值；
B2：将适用于叶片缺陷的各类HAAR特征采用AdaBoost算法得到的强分类器；
B3：将强分类器级联起来得到最终的级联分类器，从而得出叶片缺陷的图像。
5.根据权利要求1所述的一种人工智能自动巡检风能风机叶片系统，其特征在于，所述云端数字化管理平台(1)还包括参数测量模块(11)，所述特征识别模块(8)将识别出的叶片缺陷图像输入至参数测量模块(11)，所述参数测量模块(11)根据识别的叶片缺陷图像计算出缺陷的面积。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010612055.3A CN112085694B (zh) | 2020-06-30 | 2020-06-30 | 一种人工智能自动巡检风能风机叶片系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010612055.3A CN112085694B (zh) | 2020-06-30 | 2020-06-30 | 一种人工智能自动巡检风能风机叶片系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112085694A true CN112085694A (zh) | 2020-12-15 |
| CN112085694B CN112085694B (zh) | 2023-10-31 |
Family
ID=73735552
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010612055.3A Active CN112085694B (zh) | 2020-06-30 | 2020-06-30 | 一种人工智能自动巡检风能风机叶片系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112085694B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113960068A (zh) * | 2021-11-23 | 2022-01-21 | 北京华能新锐控制技术有限公司 | 风电叶片损伤检测方法 |
| CN114371725A (zh) * | 2021-12-07 | 2022-04-19 | 内蒙古霍煤鸿骏铝电有限责任公司扎哈淖尔分公司 | 一种适合于风电机组自动化巡检的系统 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109961398A (zh) * | 2019-02-18 | 2019-07-02 | 鲁能新能源(集团)有限公司 | 风机叶片图像分割与网格优化拼接方法 |
| US10361802B1 (en) * | 1999-02-01 | 2019-07-23 | Blanding Hovenweep, Llc | Adaptive pattern recognition based control system and method |
| CN111198004A (zh) * | 2020-01-06 | 2020-05-26 | 华北电力大学（保定） | 一种基于无人机的电力巡查信息采集系统 |
-
2020
- 2020-06-30 CN CN202010612055.3A patent/CN112085694B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10361802B1 (en) * | 1999-02-01 | 2019-07-23 | Blanding Hovenweep, Llc | Adaptive pattern recognition based control system and method |
| CN109961398A (zh) * | 2019-02-18 | 2019-07-02 | 鲁能新能源(集团)有限公司 | 风机叶片图像分割与网格优化拼接方法 |
| CN111198004A (zh) * | 2020-01-06 | 2020-05-26 | 华北电力大学（保定） | 一种基于无人机的电力巡查信息采集系统 |
Non-Patent Citations (1)
| Title |
|---|
| 吴国中;李镇;宋增禄;: "风电叶片在线检测技术研究进展", 南京工业职业技术学院学报, no. 02 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113960068A (zh) * | 2021-11-23 | 2022-01-21 | 北京华能新锐控制技术有限公司 | 风电叶片损伤检测方法 |
| CN114371725A (zh) * | 2021-12-07 | 2022-04-19 | 内蒙古霍煤鸿骏铝电有限责任公司扎哈淖尔分公司 | 一种适合于风电机组自动化巡检的系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112085694B (zh) | 2023-10-31 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Wang et al. | Insulator identification from aerial images using support vector machine with background suppression | |
| CN112085694B (zh) | 一种人工智能自动巡检风能风机叶片系统 | |
| CN112950634B (zh) | 基于无人机巡检的风力机叶片损伤识别方法、设备和系统 | |
| CN112884931A (zh) | 一种用于变电站的无人机巡检方法及系统 | |
| CN104764748A (zh) | 定位绝缘子的方法、系统以及故障检测的方法和系统 | |
| CN104536058B (zh) | 图像/雷达/激光测距机场跑道异物监控一体化系统 | |
| CN111461210A (zh) | 一种基于无人机风电巡检叶片缺陷等级判定方法 | |
| CN111038721A (zh) | 一种基于图像识别的风力机叶片巡检无人机和巡检方法 | |
| CN112947511A (zh) | 一种无人机巡检风机叶片的方法 | |
| CN105303162A (zh) | 一种基于目标建议算法的航拍图像绝缘子识别算法 | |
| CN115546170B (zh) | 一种基于激光测距的风机叶片缺陷定位方法及系统 | |
| CN113609901A (zh) | 一种输变电设备故障监测方法及系统 | |
| CN112329584A (zh) | 基于机器视觉自动识别电网异物的方法及系统、设备 | |
| CN115393347B (zh) | 一种基于城市大脑的电网智能巡检方法及系统 | |
| Li et al. | The future application of transmission line automatic monitoring and deep learning technology based on vision | |
| CN112508911A (zh) | 基于巡检机器人的轨交接触网悬挂支撑部件裂纹检测系统及其检测方法 | |
| CN113763397A (zh) | 复合绝缘子故障检测方法及系统 | |
| CN113256668A (zh) | 图像分割方法以及装置 | |
| CN116733691A (zh) | 一种风机叶片故障预警系统 | |
| CN111627062B (zh) | 飞行器停机状态控制方法、装置及装置使用方法 | |
| CN113781448B (zh) | 一种基于红外图像分析的光伏电站组件智能缺陷识别方法 | |
| CN114442658A (zh) | 输配电线路无人机自动巡检系统及其运行方法 | |
| CN116297472A (zh) | 一种基于深度学习的无人机桥梁裂缝检测方法及系统 | |
| CN111583670B (zh) | 一种利用无人机监测超速行车的方法、监测系统及无人机 | |
| CN115013255A (zh) | 一种风机叶片在线视觉监测与故障诊断方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |