CN112184645A - 风机叶片检测方法、系统及其计算机可存储介质 - Google Patents
风机叶片检测方法、系统及其计算机可存储介质 Download PDFInfo
- Publication number
- CN112184645A CN112184645A CN202011000187.7A CN202011000187A CN112184645A CN 112184645 A CN112184645 A CN 112184645A CN 202011000187 A CN202011000187 A CN 202011000187A CN 112184645 A CN112184645 A CN 112184645A
- Authority
- CN
- China
- Prior art keywords
- image
- fan blade
- images
- fan
- visible light
- 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.)
- Withdrawn
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 70
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 81
- 238000012549 training Methods 0.000 claims abstract description 31
- 238000000034 method Methods 0.000 claims abstract description 24
- 239000013598 vector Substances 0.000 claims abstract description 23
- 238000012545 processing Methods 0.000 claims abstract description 7
- 238000011156 evaluation Methods 0.000 claims description 30
- 238000003860 storage Methods 0.000 claims description 26
- 238000001914 filtration Methods 0.000 claims description 20
- 230000004927 fusion Effects 0.000 claims description 17
- 238000007500 overflow downdraw method Methods 0.000 claims description 6
- 230000002146 bilateral effect Effects 0.000 claims description 5
- 230000000007 visual effect Effects 0.000 claims description 5
- 238000012880 independent component analysis Methods 0.000 claims description 4
- 238000005457 optimization Methods 0.000 claims description 4
- 238000000513 principal component analysis Methods 0.000 claims 1
- 238000012544 monitoring process Methods 0.000 abstract description 5
- 230000006870 function Effects 0.000 description 10
- 238000004590 computer program Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000012847 principal component analysis method Methods 0.000 description 3
- 230000001360 synchronised effect Effects 0.000 description 3
- 230000007547 defect Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 238000001931 thermography Methods 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000008094 contradictory effect Effects 0.000 description 1
- 230000032798 delamination Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Images
Classifications
-
- G06T5/70—
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration by the use of more than one image, e.g. averaging, subtraction
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/97—Determining parameters from multiple pictures
-
- 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
- G06T2207/20024—Filtering details
- G06T2207/20032—Median filtering
-
- 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
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种风机叶片检测方法、系统以及计算机可存储介质,包括:从风机图像中获取单个叶片图像;使用不同的模糊算法对所述单个叶片图像进行处理,以得到M张模糊图像,其中M为模糊算法的数量,M大于或等于2;计算风机图像与每一张模糊图像之间的清晰度差值向量;将每个所述清晰度差值向量与对应的模糊算法序号共同构成一个训练样本;基于所述风机图像中剩余叶片数量,重复上述步骤,从而得到K个训练样本,其中,K为风机图像中叶片图像的总数量,K大于或等于2。解决了现有风机检测方案清晰度欠缺、监测不准确的问题。
Description
技术领域
本发明属于风机叶片检测技术领域,尤其涉及一种风机叶片检测方法、系统及其计算机可存储介质。
背景技术
目前我国风电产业,在国家政策的大力扶持下,风电设备制造业进入了黄金期,制造技术和生产能力快速发展,获得了技术和生产经验的积累,尤其是在国内的能源供需矛盾问题越来越严重和电力需求上升的情况下,风电产业得到迅速发展。风机叶片作为发电机组最重要的部分之一,对风机的正常运行起着至关重要的作用。风机在安装后受到日晒雨淋以及台风、雷电、冰雪等恶劣天气的影响,在运行过程中受到交变载荷的作用,容易出现裂纹、分层、脱粘等损伤。当损伤达到一定程度时可能会使叶片在运行过程中掉落,容易发生安全事故。因此在叶片遭受严重损伤之前对风机叶片进行定期的检测和评估,具有非常重要的意义,目前存在的无损检测方案主要有目视法、应变片监测、红外热成像等,而红外热成像技术虽然能很好的监测出叶片内部缺陷位置,但无法监测风机叶片表面信息,不能很好的判断出该缺陷周围风机叶片的具体情况,而其他几种方案也有清晰度欠缺、监测不准确的问题如何能够提高风机叶片的检测准确度的问题亟需解决。
发明内容
本发明实施例的主要目的在于提出一种风机叶片检测方法、系统及其计算机可存储介质,旨在解决现有的风机叶片检测方案准确度低的问题。
本发明为解决上述技术问题的技术方案是,提供一种风机叶片检测方法,包括:
从风机图像中获取单个叶片图像;
使用不同的模糊算法对所述单个叶片图像进行处理,以得到M张模糊图像,其中M为模糊算法的数量,M大于或等于2;
计算风机图像与每一张模糊图像之间的清晰度差值向量;
将每个所述清晰度差值向量与对应的模糊算法序号共同构成一个训练样本;
基于所述风机图像中剩余叶片数量,重复上述步骤,从而得到K个训练样本,其中,K为风机图像中叶片图像的总数量,K大于或等于2;
将K个所述训练样本与预先存储的标准样本进行对比;若K个所述训练样本中超过M个所述训练样本与所述标准样本不同,则触发报警,其中M大于或等于1,M小于不等于K。
优选的,所述模糊算法是高斯模糊算法、均值滤波算法、双边滤波算法、中值滤波算法或高斯低通滤波算法中的一种。
此外,本发明还提供了一种风机叶片检测系统,包括:光检测模块、红外检测模块以及融合检测系统,所述可见光检测模块对风机叶片采集可见光图像,所述红外检测模块对风机叶片采集红外图像,所述融合检测系统将可见光图像和红外图像整合成新的融合图像;
其中,所述可见光图像为同一传感器在不同时期所采集的图像,也可为不同传感器在相同时间采集的图像。
优选的,所述红外检测模块包括红外热像仪、高斯滤波器、图像采集器、和图像处理器,所述红外热像仪输出端与高斯滤波器输入端连接,所述高斯滤波器输出端与图像采集器输入端连接,所述图像采集器输出端与图像处理器输入端连接,所述图像处理器输出端与图像模块输入端连接。
优选的,所述风机叶片的可见光图像和红外图像的采集是使用多个清晰度评价算法对这两类图像的图像进行计算,以分别得到可见光图像的清晰度值集合Sp=(S1p,S2p,...,Snp)和SQ=(S1Q,S2Q,...,SnQ),其中P表示一张图像,Q表示另一张图像,n表示使用的清晰度评价算法的数量,Snp表示使用第n种清晰度评价算法计算得到的风机叶片图像Q的清晰度值。
优选的,两张可见光图像的清晰度值集合获取两张可见光图像的清晰度差值向量,由下式表示:
其中,SDPQ表示风机叶片可见光图像的清晰度差值向量。
优选的,清晰度评价算法包括基于梯度函数的评价算法、基于图像频域的评价算法、基于熵函数的评价算法、以及结合人眼视觉系统的评价算法。
优选的,所述图像融合检测系统的融合方法采用主成分分析法、灰度加权法、彩色空间融合法、独立分量分析法以及贝叶斯优化法中的一种或多种。
此外,本发明还提供了一种计算机可读存储介质,所述计算机可读存储介质上存储有基于风机叶片检测方法程序,所述基于风机叶片检测方法程序被处理器执行时实现上述所述的基于风机叶片检测方法的步骤。
本发明实施例提供通过提供一种风机叶片检测方法,包括:从风机图像中获取单个叶片图像;使用不同的模糊算法对所述单个叶片图像进行处理,以得到M张模糊图像,其中M为模糊算法的数量,M大于或等于2;计算风机图像与每一张模糊图像之间的清晰度差值向量;将每个所述清晰度差值向量与对应的模糊算法序号共同构成一个训练样本;基于所述风机图像中剩余叶片数量,重复上述步骤,从而得到K个训练样本,其中,K为风机图像中叶片图像的总数量,K大于或等于2;将K个所述训练样本与预先存储的标准样本进行对比;若K个所述训练样本中超过M个所述训练样本与所述标准样本不同,则触发报警,其中M大于或等于1,M小于不等于K。解决了现有风机检测方案清晰度欠缺、监测不准确的问题。
附图说明
图1为本发明实施例风机叶片检测方法第一实施例流程示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
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的一部分实施例,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作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。
需要说明,本发明实施例中所有方向性指示(诸如上、下、左、右、前、后……)仅用于解释在某一特定姿态(如附图所示)下各部件之间的相对位置关系、运动情况等,如果该特定姿态发生改变时,则该方向性指示也相应地随之改变。
另外,在本发明中涉及“第一”、“第二”等的描述仅用于描述目的,而不能理解为指示或暗示其相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。另外,各个实施例之间的技术方案可以相互结合,但是必须是以本领域普通技术人员能够实现为基础,当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在,也不在本发明要求的保护范围之内。
如图1所示,图1为本发明实施例风机叶片检测方法第一实施例流程示意图。
本实施例中提供一种风机叶片检测方法,包括:
步骤S10,从风机图像中获取单个叶片图像;
需要说明的是,风机图像是通过不同的种类的可见光传感器进行采集得到的,采集到的图像包括待测风机的各个角度的不同组件图像,这些不同组件的图像非常多。从中找出含有单个叶片的图像。
步骤S20,使用不同的模糊算法对所述单个叶片图像进行处理,以得到M张模糊图像,其中M为模糊算法的数量,M大于或等于2;
需要说明的是,使用不同模糊算法的图像就是采用高斯模糊算法、均值滤波算法、双边滤波算法、中值滤波算法、或高斯低通滤波算法对单个叶片进行处理。
步骤S30,计算风机图像与每一张模糊图像之间的清晰度差值向量;
需要说明的是,计算风机图像与每一张模糊图像之间的清晰度差值向量所采用的公式为:Sp=(S1p,S2p,...,Snp)和SQ=(S1Q,S2Q,...,SnQ),其中P表示一张图像,Q表示另一张图像,n表示使用的清晰度评价算法的数量,Snp表示使用第n种清晰度评价算法计算得到的风机叶片图像Q的清晰度值。
步骤S40,将每个所述清晰度差值向量与对应的模糊算法序号共同构成一个训练样本;需要说明的是,将清晰度差值向量与对应的模糊算法序号共同构成一个训练样本的目的主要在于,通过得到训练样本来检测风机叶片当前的状况,以及是否有发生故障的风险。
步骤S50,基于所述风机图像中剩余叶片数量,重复上述步骤,从而得到K个训练样本,其中,K为风机图像中叶片图像的总数量,K大于或等于2。
需要说明的是,通过不断重复上述步骤,从而得到不同数量的训练样本,通过观察这些不同的样本从而实现对待检测的风机叶片进行检测。
步骤S60,将K个所述训练样本与预先存储的标准样本进行对比;若K个所述训练样本中超过M个所述训练样本与所述标准样本不同,则触发报警,其中M大于或等于1,M小于不等于K。
需要说明的是,若K个所述训练样本中超过M个所述训练样本与所述标准样本不同,则表明待测风机叶片已经出现了大面积损坏需要进行维修或者更换。
在本实施例中,通过提供一种风机叶片检测方法,包括:从风机图像中获取单个叶片图像;使用不同的模糊算法对所述单个叶片图像进行处理,以得到M张模糊图像,其中M为模糊算法的数量,M大于或等于2;计算风机图像与每一张模糊图像之间的清晰度差值向量;将每个所述清晰度差值向量与对应的模糊算法序号共同构成一个训练样本;基于所述风机图像中剩余叶片数量,重复上述步骤,从而得到K个训练样本,其中,K为风机图像中叶片图像的总数量,K大于或等于2;将K个所述训练样本与预先存储的标准样本进行对比;若K个所述训练样本中超过M个所述训练样本与所述标准样本不同,则触发报警,其中M大于或等于1,M小于不等于K。解决了现有风机检测方案清晰度欠缺、监测不准确的问题。
进一步地,所述模糊算法是高斯模糊算法、均值滤波算法、双边滤波算法、中值滤波算法或高斯低通滤波算法中的一种。
需要说明的是,采用高斯模糊算法、均值滤波算法、双边滤波算法、中值滤波算法或高斯低通滤波算法中的一种,采用这些方法能够非常精准的对图像进行处理,以便得到最真实的结果。
此外,本发明还提供了一种风机叶片检测系统,包括:光检测模块、红外检测模块以及融合检测系统,所述可见光检测模块对风机叶片采集可见光图像,所述红外检测模块对风机叶片采集红外图像,所述融合检测系统将可见光图像和红外图像整合成新的融合图像;
其中,所述可见光图像为同一传感器在不同时期所采集的图像,也可为不同传感器在相同时间采集的图像。
需要说明的是,光检测模块、红外检测模块以及融合检测系统都是设置在风机叶片上的,通过无线发送器发送到第三方服务器上。
进一步地,所述红外检测模块包括红外热像仪、高斯滤波器、图像采集器、和图像处理器,所述红外热像仪输出端与高斯滤波器输入端连接,所述高斯滤波器输出端与图像采集器输入端连接,所述图像采集器输出端与图像处理器输入端连接,所述图像处理器输出端与图像模块输入端连接。
需要说明的是,红外热像仪、高斯滤波器、图像采集器和图像处理器的大小以及形状与待测的风机叶片相适配,通过这些设备来实现对于待测风机叶片的图像精准采集。
进一步地,所述风机叶片的可见光图像和红外图像的采集是使用多个清晰度评价算法对这两类图像的图像进行计算,以分别得到可见光图像的清晰度值集合Sp=(S1p,S2p,...,Snp)和SQ=(S1Q,S2Q,...,SnQ),其中P表示一张图像,Q表示另一张图像,n表示使用的清晰度评价算法的数量,Snp表示使用第n种清晰度评价算法计算得到的风机叶片图像Q的清晰度值。
需要说明的是,采用多个清晰度算法对两类图像进行处理,得到的结果更加准确。
进一步地,两张可见光图像的清晰度值集合获取两张可见光图像的清晰度差值向量,由下式表示:
其中,SDPQ表示风机叶片可见光图像的清晰度差值向量。
需要说明的是,通过两张可见光图像的清晰度值集合获取两张可见光图像的清晰度差值向量,可以利用计算机进行清晰度差值向量的计算,提高计算效率。
进一步地,清晰度评价算法包括基于梯度函数的评价算法、基于图像频域的评价算法、基于熵函数的评价算法、以及结合人眼视觉系统的评价算法。
需要说明的是,基于梯度函数的评价算法、基于图像频域的评价算法、基于熵函数的评价算法、以及结合人眼视觉系统的评价算法,这些算法都具有对模糊图像进行处理时具有非常好的效果。
进一步地,所述图像融合检测系统的融合方法采用主成分分析法、灰度加权法、彩色空间融合法、独立分量分析法以及贝叶斯优化法中的一种或多种。
需要说明的是,采用主成分分析法、灰度加权法、彩色空间融合法、独立分量分析法以及贝叶斯优化法中的一种或多种,能够精确化的处理图像。从而使得对于风机叶片的检测达到理想化的检测效果。
此外,本发明还提供了一种计算机可读存储介质,所述计算机可读存储介质上存储有基于风机叶片检测方法程序,所述基于风机叶片检测方法程序被处理器执行时实现上述所述的基于风机叶片检测方法的步骤。
基于上述目的,本发明实施例提出了一种计算机可读存储介质,所述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执行时可执行上述方法实施例中的基于风机叶片检测方法与实现上述任意装置/系统实施例中的基于风机叶片检测使用装置/系统。所述计算机可读存储介质的实施例,可以达到与之对应的前述任意方法与装置/系统实施例相同或者相类似的效果。
最后需要说明的是,本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,可以通过计算机程序来指令相关硬件来完成,所述的程序可存储于一计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)或随机存储记忆体(Random Access Memory,RAM)等。所述计算机程序的实施例,可以达到与之对应的前述任意方法实施例相同或者相类似的效果。
此外,应该明白的是,本文所述的计算机可读存储介质(例如,存储器)可以是易失性存储器或非易失性存储器,或者可以包括易失性存储器和非易失性存储器两者。作为例子而非限制性的,非易失性存储器可以包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦写可编程ROM(EEPROM)或快闪存储器。易失性存储器可以包括随机存取存储器(RAM),该RAM可以充当外部高速缓存存储器。作为例子而非限制性的,RAM可以以多种形式获得,比如同步RAM(DRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据速率SDRAM(DDR SDRAM)、增强SDRAM(ESDRAM)、同步链路DRAM(SLDRAM)以及直接Rambus RAM(DRRAM)。所公开的方面的存储设备意在包括但不限于这些和其它合适类型的存储器。
本领域技术人员还将明白的是,结合这里的公开所描述的各种示例性逻辑块、模块、电路和算法步骤可以被实现为电子硬件、计算机软件或两者的组合。为了清楚地说明硬件和软件的这种可互换性,已经就各种示意性组件、方块、模块、电路和步骤的功能对其进行了一般性的描述。这种功能是被实现为软件还是被实现为硬件取决于具体应用以及施加给整个系统的设计约束。本领域技术人员可以针对每种具体应用以各种方式来实现所述的功能,但是这种实现决定不应被解释为导致脱离本发明实施例公开的范围。
结合这里的公开所描述的各种示例性逻辑块、模块和电路可以利用被设计成用于执行这里所述功能的下列部件来实现或执行:通用处理器、数字信号处理器(DSP)、专用集成电路(ASIC)、现场可编程门阵列(FPGA)或其它可编程逻辑器件、分立门或晶体管逻辑、分立的硬件组件或者这些部件的任何组合。通用处理器可以是微处理器,但是可替换地,处理器可以是任何传统处理器、控制器、微控制器或状态机。处理器也可以被实现为计算设备的组合,例如,DSP和微处理器的组合、多个微处理器、一个或多个微处理器结合DSP和/或任何其它这种配置。
结合这里的公开所描述的方法或算法的步骤可以直接包含在硬件中、由处理器执行的软件模块中或这两者的组合中。软件模块可以驻留在RAM存储器、快闪存储器、ROM存储器、EPROM存储器、EEPROM存储器、寄存器、硬盘、可移动盘、CD-ROM、或本领域已知的任何其它形式的存储介质中。示例性的存储介质被耦合到处理器,使得处理器能够从该存储介质中读取信息或向该存储介质写入信息。在一个替换方案中,所述存储介质可以与处理器集成在一起。处理器和存储介质可以驻留在ASIC中。ASIC可以驻留在用户终端中。在一个替换方案中,处理器和存储介质可以作为分立组件驻留在用户终端中。
在一个或多个示例性设计中,所述功能可以在硬件、软件、固件或其任意组合中实现。如果在软件中实现,则可以将所述功能作为一个或多个指令或代码存储在计算机可读介质上或通过计算机可读介质来传送。计算机可读介质包括计算机存储介质和通信介质,该通信介质包括有助于将计算机程序从一个位置传送到另一个位置的任何介质。存储介质可以是能够被通用或专用计算机访问的任何可用介质。作为例子而非限制性的,该计算机可读介质可以包括RAM、ROM、EEPROM、CD-ROM或其它光盘存储设备、磁盘存储设备或其它磁性存储设备,或者是可以用于携带或存储形式为指令或数据结构的所需程序代码并且能够被通用或专用计算机或者通用或专用处理器访问的任何其它介质。此外,任何连接都可以适当地称为计算机可读介质。例如,如果使用同轴线缆、光纤线缆、双绞线、数字用户线路(DSL)或诸如红外线、无线电和微波的无线技术来从网站、服务器或其它远程源发送软件,则上述同轴线缆、光纤线缆、双绞线、DSL或诸如红外线、无线电和微波的无线技术均包括在介质的定义。如这里所使用的,磁盘和光盘包括压缩盘(CD)、激光盘、光盘、数字多功能盘(DVD)、软盘、蓝光盘,其中磁盘通常磁性地再现数据,而光盘利用激光光学地再现数据。上述内容的组合也应当包括在计算机可读介质的范围内。
以上是本发明公开的示例性实施例,但是应当注意,在不背离权利要求限定的本发明实施例公开的范围的前提下,可以进行多种改变和修改。根据这里描述的公开实施例的方法权利要求的功能、步骤和/或动作不需以任何特定顺序执行。此外,尽管本发明实施例公开的元素可以以个体形式描述或要求,但除非明确限制为单数,也可以理解为多个。
应当理解的是,在本文中使用的,除非上下文清楚地支持例外情况,单数形式“一个”(“a”、“an”、“the”)旨在也包括复数形式。还应当理解的是,在本文中使用的“和/或”是指包括一个或者一个以上相关联地列出的项目的任意和所有可能组合。
上述本发明实施例公开实施例序号仅仅为了描述,不代表实施例的优劣。
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成,也可以通过程序来指令相关的硬件完成,所述的程序可以存储于一种计算机可读存储介质中,上述提到的存储介质可以是只读存储器,磁盘或光盘等。
以上所述,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应该以权利要求的保护范围为准。
Claims (9)
1.一种风机叶片检测方法,其特征在于,包括:
从风机图像中获取单个叶片图像;
使用不同的模糊算法对所述单个叶片图像进行处理,以得到M张模糊图像,其中M为模糊算法的数量,M大于或等于2;
计算风机图像与每一张模糊图像之间的清晰度差值向量;
将每个所述清晰度差值向量与对应的模糊算法序号共同构成一个训练样本;
基于所述风机图像中剩余叶片数量,重复上述步骤,从而得到K个训练样本,其中,K为风机图像中叶片图像的总数量,K大于或等于2;
将K个所述训练样本与预先存储的标准样本进行对比;若K个所述训练样本中超过M个所述训练样本与所述标准样本不同,则触发报警,其中M大于或等于1,M小于不等于K。
2.根据权利要求1所述的风机叶片检测方法,其特征在于:所述模糊算法是高斯模糊算法、均值滤波算法、双边滤波算法、中值滤波算法或高斯低通滤波算法中的一种。
3.一种如权利要求1所述的风机叶片检测系统,其特征在于:包括光检测模块、红外检测模块以及融合检测系统,所述可见光检测模块对风机叶片采集可见光图像,所述红外检测模块对风机叶片采集红外图像,所述融合检测系统将可见光图像和红外图像整合成新的融合图像;
其中,所述可见光图像为同一传感器在不同时期所采集的图像,也可为不同传感器在相同时间采集的图像。
4.根据权利要求3所述的风机叶片检测系统,其特征在于:所述红外检测模块包括红外热像仪、高斯滤波器、图像采集器、和图像处理器,所述红外热像仪输出端与高斯滤波器输入端连接,所述高斯滤波器输出端与图像采集器输入端连接,所述图像采集器输出端与图像处理器输入端连接,所述图像处理器输出端与图像模块输入端连接。
5.根据权利要求4所述的风机叶片检测系统,其特征在于:所述风机叶片的可见光图像和红外图像的采集是使用多个清晰度评价算法对这两类图像的图像进行计算,以分别得到可见光图像的清晰度值集合Sp=(S1p,S2p,...,Snp)和SQ=(S1Q,S2Q,...,SnQ),其中P表示一张图像,Q表示另一张图像,n表示使用的清晰度评价算法的数量,Snp表示使用第n种清晰度评价算法计算得到的风机叶片图像Q的清晰度值。
7.根据权利要求6所述的风机叶片检测系统,其特征在于:清晰度评价算法包括基于梯度函数的评价算法、基于图像频域的评价算法、基于熵函数的评价算法、以及结合人眼视觉系统的评价算法。
8.根据权利要求7所述的风机叶片检测系统,其特征在于,所述图像融合检测系统的融合方法采用主成分分析法、灰度加权法、彩色空间融合法、独立分量分析法以及贝叶斯优化法中的一种或多种。
9.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有基于风机叶片检测方法程序,所述基于风机叶片检测方法程序被处理器执行时实现如权利要求1所述的基于风机叶片检测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011000187.7A CN112184645A (zh) | 2020-09-21 | 2020-09-21 | 风机叶片检测方法、系统及其计算机可存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011000187.7A CN112184645A (zh) | 2020-09-21 | 2020-09-21 | 风机叶片检测方法、系统及其计算机可存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112184645A true CN112184645A (zh) | 2021-01-05 |
Family
ID=73956428
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011000187.7A Withdrawn CN112184645A (zh) | 2020-09-21 | 2020-09-21 | 风机叶片检测方法、系统及其计算机可存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112184645A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115319398A (zh) * | 2022-08-22 | 2022-11-11 | 上海工程技术大学 | 一种用于风机叶片缺陷修复的自动化修型方法 |
-
2020
- 2020-09-21 CN CN202011000187.7A patent/CN112184645A/zh not_active Withdrawn
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115319398A (zh) * | 2022-08-22 | 2022-11-11 | 上海工程技术大学 | 一种用于风机叶片缺陷修复的自动化修型方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116111727B (zh) | 基于动态温度阈值的综合配电箱异常监测方法 | |
US20110213577A1 (en) | Method and apparatus for analyzing waveform signals of a power system | |
CN116879662A (zh) | 基于数据分析的变压器故障检测方法 | |
CN117274722B (zh) | 基于红外图像的配电箱智能检测方法 | |
CN117371337B (zh) | 一种基于数字孪生的水利模型构建方法及系统 | |
CN112184645A (zh) | 风机叶片检测方法、系统及其计算机可存储介质 | |
CN109115807A (zh) | 一种土壤水分自动观测数据异常值检测方法及系统 | |
KR101874968B1 (ko) | 이미지 정보 기반의 시정거리 측정 시스템 및 이를 이용한 시정거리 측정 방법 | |
CN116962669A (zh) | 一种监控设备用异物清除系统 | |
CN116222670A (zh) | 一种城市绿地规划用生态景观边坡监测方法 | |
CN108459920B (zh) | 一种试验数据野值的辨识与修正方法 | |
CN117390378B (zh) | 一种双碳平台数据智能管理方法及系统 | |
KR102575917B1 (ko) | 클라우드 기반 가상 센서를 이용한 IoT 센서 이상 진단 방법 및 시스템 | |
CN112416661B (zh) | 基于压缩感知的多指标时间序列异常检测方法和装置 | |
KR20100130055A (ko) | 차량밀도 검지방법 | |
CN109163894B (zh) | 一种基于摩擦温度信号的磨合状态识别方法 | |
KR101232185B1 (ko) | 수위 감시 장치 및 방법 | |
CN112700039B (zh) | 一种火电厂负荷运行数据的稳态检测与提取方法 | |
CN114742103A (zh) | 基于物联网的城市监测数据处理方法、装置及存储介质 | |
CN113250914A (zh) | 一种机舱塔顶2d位移测量方法、系统、设备及存储介质 | |
TWI634736B (zh) | 估算虛擬日照量的方法及太陽能發電場的警示系統 | |
CN111856357A (zh) | 多传感器融合的超导体失超检测预警系统 | |
US10319156B2 (en) | Method and system for detecting a condition of an electric machine | |
CN117095003B (zh) | 一种双金属复合板材碳钢原材料清洁度检测方法及装置 | |
CN114441094B (zh) | 输液泵的校准方法、装置及输液泵 |
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 | ||
WW01 | Invention patent application withdrawn after publication | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20210105 |