CN112465776A - 一种基于风力机表面模糊图像的裂纹智能检测方法 - Google Patents
一种基于风力机表面模糊图像的裂纹智能检测方法 Download PDFInfo
- Publication number
- CN112465776A CN112465776A CN202011347101.8A CN202011347101A CN112465776A CN 112465776 A CN112465776 A CN 112465776A CN 202011347101 A CN202011347101 A CN 202011347101A CN 112465776 A CN112465776 A CN 112465776A
- Authority
- CN
- China
- Prior art keywords
- image
- wind turbine
- detection method
- method based
- fuzzy
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 41
- 238000000605 extraction Methods 0.000 claims abstract description 32
- 238000007781 pre-processing Methods 0.000 claims abstract description 9
- 238000012545 processing Methods 0.000 claims abstract description 6
- 230000011218 segmentation Effects 0.000 claims abstract description 4
- 230000000007 visual effect Effects 0.000 claims abstract description 4
- 238000005336 cracking Methods 0.000 claims description 13
- 238000012549 training Methods 0.000 claims description 8
- 230000004913 activation Effects 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 6
- 238000011176 pooling Methods 0.000 claims description 6
- 238000011478 gradient descent method Methods 0.000 claims description 3
- 230000000977 initiatory effect Effects 0.000 claims description 3
- 238000013528 artificial neural network Methods 0.000 abstract description 13
- 238000000034 method Methods 0.000 abstract description 5
- 238000006243 chemical reaction Methods 0.000 abstract description 2
- 238000001914 filtration Methods 0.000 abstract 1
- 238000005516 engineering process Methods 0.000 description 3
- 238000012423 maintenance Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000008439 repair process Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000001747 exhibiting effect Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000013468 resource allocation Methods 0.000 description 1
- 238000011895 specific detection Methods 0.000 description 1
- 238000012360 testing method Methods 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
- G06T7/0008—Industrial image inspection checking presence/absence
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/73—Deblurring; Sharpening
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based 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
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- 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
- G06T2207/20084—Artificial neural networks [ANN]
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biomedical Technology (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Geometry (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于风力机表面模糊图像的裂纹智能检测方法，该方法包括以下步骤：采用搭载视觉传感器的四旋翼对风力机叶片表面进行图像采集，将叶片模糊图像输入到生成网络中得到清晰重建图像，进行包括背景去除、灰度转换、中值滤波、阈值分割、区域标记以及特征提取在内的预处理，以图像区域特征参数作为神经网络输入，判断风力机叶片表面是否存在裂纹以及裂纹程度。本发明采用搭载视觉传感器的四旋翼对风力机表面进行检测，同时在图像处理过程中考虑云雾以及四旋翼晃动引起的图像模糊，进行风力机表面裂纹的智能检测。
Description
技术领域
本发明涉及风力机叶片检测技术领域，特别是涉及一种基于风力机表面模糊图像的裂纹智能检测方法。
背景技术
随着世界能源危机的日益严峻，风能作为一种清洁的可再生能源越来越受到重视，风电技术在展现出优化资源配置、升级电力结构和改善环境的独特优势同时也面临一些挑战。作为风力发电机作为风能转化的主要部件，叶片的状态监测以及寿命预测对提高风力机安全性能和发电效能具有重要意义。风力发电机通常安装在无人值守的偏远地区，面对工作环境的恶劣性与工况的复杂多变性，叶片会出现不同程度的损伤，引起动力学特性的变化。为避免由裂纹损伤引发的经济损失和安全事故，研究风力发电机叶片的裂纹检测技术十分必要。
目前国内风力发电机叶片检测主要以人工方式为主，除了地面敲击辨音、高倍望远镜观测，还有通过升降机运送检测人员到叶片位置近距离目视检测，这些方法易受人为因素影响，存在灵活性差、盲区大、检测效率低下、检测精度不高的缺陷。通常为了保证检测人员的安全，风力发电机须以停机为代价，对风电厂来说存在人工、财物和时间的损失。此外，还有以应变、声发射传感器为核心的侵入式检测技术，通过将传感器预嵌入叶片结构中，检测叶片的工作状态和损伤情况。侵入式检测的弊端在于传感器及其测试系统本身有寿命和可靠性限制，发生故障难以维修替换，而且侵入式的检测系统复杂、成本较高。
发明内容
本发明提供一种基于风力机表面模糊图像的裂纹智能检测方法，能够实现对晃动及雾天情况下拍摄的风力机叶片模糊图像是否存在裂纹进行有效的检测及分类。
为了达到上述目的，本发明采用的技术方案为：
本发明提供一种基于风力机表面模糊图像的裂纹智能检测方法，包括：
将采集的风力机叶片模糊图像输入预先训练的生成网络中，得到清晰重建图像；
对清晰重建图像进行预处理，分割成域并提取各域特征参数；
以各域特征参数为输入，通过预先训练的BP神经网络，输出风力机叶片裂纹检测结果和裂纹开裂程度。
进一步的，采用四旋翼搭载视觉传感器沿塔杆起飞实时捕捉风力机叶片模糊图像。
进一步的，所述生成网络包括：浅层特征提取块，深层特征提取块和重建块；
所述浅层特征提取块用于，将风力机叶片模糊图像按照步长与权重矩阵做卷积操作，得到模糊图像浅层特征；所述权重矩阵为特征提取因子；所述步长和特征提取因子根据模糊图像大小选取；
所述深层特征提取块用于，将浅层特征进行多层卷积操作，池化和激活处理，得到深层特征；
所述重建块用于，将深层特征进行反卷积操作，上采样、池化和激活处理，得到清晰重建图像。
进一步的，预先训练生成网络，包括：
将风力机表面模糊图像输入生成网络得到模糊图像的清晰重建图像；
将生成网络的输出与原始风力机表面模糊图像共同输入至判别网络，不断优化生成网络，直到输出图像与输入图像的相似度达到预设阈值。
进一步的，采用梯度下降法对生成网络中的浅层特征提取块，深层特征提取块和重建块的参数进行优化。
进一步的，所述对清晰重建图像进行预处理，包括：
将风力机叶片清晰重建图像中非叶片部分除去；
将彩色图像转变为灰度图像；
除去图像中的噪点。
进一步的，所述分割成域并提取各域特征参数，包括：
通过灰度直方图找出最佳分割点，进行二值化，得到黑白图；
将各域按顺序标记，对标记好的各域进行几何特征参数的提取，包含区域面积A、区域圆形度R、区域外接面积最小长方形的长为长径L、区域外接面积最小长方形的宽为短径S、长短径之比B，计算如下：
区域面积A：
其中，n1，…，nn为该区域第一行至最后一行编号，m1，…，mm为该区域第一列至最后一列编号，f(i,j)为像素点的像素值；
区域圆形度R：R＝4πA/P2，其中，P为区域周长；
长短径之比B：B＝L/S。
进一步的，所述BP神经网络包括：输入层、隐含层和输出层；
所述输入层包含五个节点，分别为区域面积A、区域圆形度R、长径L、短径S和长短径之比B；
所述隐含层节点数根据训练时调整；
所述输出层包含两个节点，分别为有裂纹和无裂纹。
进一步的，预先训练BP神经网络，包括：
选取风力机叶片表面模糊图像输入预先训练的生成网络中，得到清晰重建图像；
对清晰重建图像进行预处理，分割成域并提取各域特征参数；
将提取的各域特征参数输入至BP神经网络，根据BP神经网络输出对输入的反向传播，采用梯度下降不断更新各个特征参数的权重，直至达到预设的检测精度。
进一步的，所述裂纹开裂程度表示为：C＝arctan(F(A,R,B))，其中，C是裂纹开裂程度指标。函数F是根据已有风力机叶片裂纹图像的特征参数拟合出的裂纹开裂程度指标函数；
根据C的范围将裂纹开裂程度划分为轻微裂纹、中度裂纹和重度裂纹，可以表示为：
其中，η为裂纹开裂程度；δ为经验阈值，默认取0.5。
本发明的有益效果为：本发明提供一种基于风力机表面模糊图像的裂纹智能检测方法，针对云雾及晃动引起的风力机扇叶模糊图像进行裂纹识别和分类，为叶片裂纹的智能化无损检测提供了一种方便快捷，行之有效的检修方式，在一定程度上避免了人工检测的精度问题和传感器检测的成本问题，为风力机尤其是叶片的检修和维护提供可靠支持。本发明采用四旋翼采集风力机叶片表面图像，不受风力机塔高和安装环境的限制，可以适应各种复杂的地质条件开展应用，同时能以更高的频次对风力机进行检测。
附图说明
图1是本发明风力机叶片表面模糊图像的智能检测流程图；
图2是本发明中生成网络训练流程图；
图3是本发明中基于BP神经网络识别裂纹并分类示意图。
具体实施方式
下面对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。
本发明实施例提供一种基于风力机表面模糊图像的裂纹智能检测方法，包括以下步骤：
步骤一，对采集的风力机叶片模糊图像进行重建，得到与风力机叶片模糊图像特征一致的清晰重建图像；
本发明采用四旋翼搭载视觉传感器沿塔杆起飞实时捕捉风力机叶片图像，而由于无人机飞行不稳定使得采集的图像模糊。
具体的，对采集的风力机叶片模糊图像进行重建，包括：
(1.1)提取浅层特征：
将风力机叶片模糊图像IT输入给浅层特征提取块，得到原始图像浅层特征F0，表达为：F0＝GESF(IT)，其中，GESF表示浅层特征提取操作。
浅层特征提取操作为：根据图像大小确定特征提取因子大小m*n和步长n*n。权重矩阵大小即特征提取因子大小m*m。模糊图像按照步长与权重矩阵做卷积操作，得到模糊图像浅层特征F0。
(1.2)提取深层特征：
为了得到模糊图像更加细节的信息，将得到的浅层特征输入给深层特征提取块，输出反应图像细节的深层特征F0，表达为：F1＝GEDF(F0)，其中，GEDF表示深层特征提取操作。
深层特征提取操作与浅层特征提取操作类似，为多层卷积操作。卷积后需要进行池化和激活操作。
(1.3)经重建块进行图像重建：
将深层特征输入给重建块，输出重建图像IR，表达为：IR＝GRE(F1)，其中，GRE表示重建操作；
重建操作为反卷积操作，经过上采样、池化以及激活处理后，可以得到高分辨率的重建图像。
参见图2，对风力机叶片模糊图像进行重建，需要预先训练生成网络。
生成网络包括浅层特征提取块，深层特征提取块和重建块；用于对真实样本进行浅层特征提取，深层特征提取，以及清晰重建，得到清晰重建图像。
将生成网络的输出与原始风力机表面模糊图像共同输入至判别网络，进行判断，不断优化生成网络，直到输出图像与输入图像相近为止。
判别网络基于判别器对原始样本和清晰重建图像进行判断。用IT表示原始真实图像，IR表示重建图像，判别网络达到的效果是对真实样本的判断认为其为真实数据的概率D(IT)趋于1，对重建图像的判断认为其为真实数据的概率D(IR)趋于0，而生成网络希望其生成的重建图像被判别网络认为其为真实数据的概率D(IR)趋于1。
使用梯度下降法对浅层特征提取块，深层特征提取块和重建块的模型参数进行优化。
步骤二，采用图像处理对清晰重建图像进行预处理，分割成域并提取各域特征参数；
具体的，对清晰重建图像进行预处理包括：
将风力机叶片清晰重建图像中非叶片部分除去，减小后期计算量；
将彩色图像转变为灰度图像以突出裂纹特征；
除去图片中的部分噪点，减少干扰和无用信息。
具体的，分割成域并提取各域特征参数，包括：
通过灰度直方图找出最佳分割点，进行二值化，得到黑白图；这里包含了噪点区域和裂纹区域；
将各域按顺序标记，方便后续识别完成后统计结果；
对标记好的各域进行几何特征参数的提取，包含区域面积A、区域圆形度R、区域外接面积最小长方形的长为长径L、区域外接面积最小长方形的宽为短径S、长短径之比B，计算如下：
区域面积A即区域像素总和：
其中，n1，…，nn为该区域第一行至最后一行编号，m1，…，mm为该区域第一列至最后一列编号，f(i,j)为像素点的像素值；
区域圆形度R：R＝4πA/P2，其中，P为区域周长；
长短径之比B：B＝L/S。
步骤三，利用神经网络识别各域，输出风力机叶片裂纹检测结果和裂纹开裂程度。
参见图3，将需要检测的风力机图片提取各域几何特征参数后，将其输入至BP神经网络开始检测，从输出层获取识别结果，计算得出裂缝开裂程度，即无裂缝、轻微裂纹、中度裂纹、重度裂纹。
进一步的，区域标记后分为风力机叶片区域、裂纹区域和噪点区域，对裂纹区域进行BP神经网络的识别。
进一步的，还包括：
利用已有的裂纹图片的特征参数对BP神经网络进行训练；
BP神经网络包含输入层、隐含层和输出层；输入层包含五个节点，分别为区域面积A、区域圆形度R、区域外接面积最小长方形的长为长径L、区域外接面积最小长方形的宽为短径S、长短径之比B五个特征参数；隐含层节点数根据训练时调整；输出层包含两个节点，分别为有裂纹和无裂纹。
根据BP神经网络输出对输入的反向传播，利用梯度下降不断更新各个特征参数的权重，达到特定的检测精度。
进一步的，计算得出裂缝开裂程度，包括：
裂纹开裂程度是裂纹区域特征参数的函数，即C＝arctan(F(A,R,B))，其中，C是裂纹开裂程度指标，F是根据已有裂纹图像的参数拟合出的裂纹开裂程度指标函数。根据C的范围将裂纹开裂程度划分为轻微裂缝、中度裂缝、重度裂缝，表达式为：
其中，η为裂纹开裂程度；δ为经验阈值，默认取0.5。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。
Claims (10)
1.一种基于风力机表面模糊图像的裂纹智能检测方法，其特征在于，包括：
将采集的风力机叶片表面模糊图像输入预先训练的生成网络中，得到清晰重建图像；
对清晰重建图像进行预处理，分割成域并提取域特征参数；
以各域特征参数为输入，得到风力机叶片裂纹检测结果和裂纹开裂程度。
2.根据权利要求1所述的一种基于风力机表面模糊图像的裂纹智能检测方法，其特征在于，采用四旋翼搭载视觉传感器沿塔杆起飞，实时捕捉风力机叶片模糊图像。
3.根据权利要求1所述的一种基于风力机表面模糊图像的裂纹智能检测方法，其特征在于，所述生成网络包括：浅层特征提取块，深层特征提取块和重建块；
所述浅层特征提取块用于，将风力机叶片模糊图像按照步长与权重矩阵做卷积操作，得到模糊图像浅层特征；所述权重矩阵为特征提取因子；所述步长和特征提取因子根据模糊图像大小选取；
所述深层特征提取块用于，将浅层特征进行多层卷积操作、池化和激活处理，得到深层特征；
所述重建块用于，将深层特征进行反卷积操作，上采样、池化和激活处理，得到清晰重建图像。
4.根据权利要求3所述的一种基于风力机表面模糊图像的裂纹智能检测方法，其特征在于，预先训练生成网络，包括：
将风力机表面模糊图像输入生成网络得到的清晰重建图像；
将生成网络的输出与原始风力机表面模糊图像共同输入至判别网络，不断优化生成网络，直到输出图像与输入图像的相似度达到预设阈值。
5.根据权利要求4所述的一种基于风力机表面模糊图像的裂纹智能检测方法，其特征在于，采用梯度下降法对生成网络中的浅层特征提取块，深层特征提取块和重建块的参数进行优化。
6.根据权利要求1所述的一种基于风力机表面模糊图像的裂纹智能检测方法，其特征在于，所述对清晰重建图像进行预处理，包括：
将风力机叶片清晰重建图像中非叶片部分除去；
将彩色图像转变为灰度图像；
除去图像中的噪点。
7.根据权利要求1所述的一种基于风力机表面模糊图像的裂纹智能检测方法，其特征在于，所述分割成域并提取各域特征参数，包括：
通过灰度直方图找出最佳分割点，进行二值化得到黑白图；
将各域按顺序标记；
对标记好的各域进行几何特征参数的提取，包含区域面积A、区域圆形度R、区域外接面积最小长方形的长为长径L、区域外接面积最小长方形的宽为短径S、长短径之比B，计算如下：
区域面积A：
其中，n1，…，nn为该区域第一行至最后一行编号，m1，…，mm为该区域第一列至最后一列编号，f(i,j)为像素点的像素值；
区域圆形度R：R＝4πA/P2，其中，P为区域周长；
长短径之比B：B＝L/S。
8.根据权利要求1所述的一种基于风力机表面模糊图像的裂纹智能检测方法，其特征在于，包含输入层、隐含层和输出层：
所述输入层包含五个节点，分别为区域面积A、区域圆形度R、长径L、短径S和长短径之比B；
所述隐含层节点数根据训练时调整；
所述输出层包含两个节点，分别为有裂纹和无裂纹。
9.根据权利要求8所述的一种基于风力机表面模糊图像的裂纹智能检测方法，其特征在于选取风力机叶片表面模糊图像输入预先训练的生成网络中，得到清晰重建图像；对清晰重建图像进行预处理，分割成域来提取各域特征参数并不断调整特征参数的权重，直至达到预设的检测精度。
10.根据权利要求8所述的一种基于风力机表面模糊图像的裂纹智能检测方法，其特征在于，所述裂纹开裂程度表示为：C＝arctan(F(A,R,B))，其中，C是裂纹开裂程度指标，函数F是根据已有风力机叶片裂纹图像的特征参数拟合出的裂纹开裂程度指标函数；
根据C的范围将裂纹开裂程度划分为轻微裂纹、中度裂纹和重度裂纹，可以表示为：
其中，η为裂纹开裂程度；δ为经验阈值，默认取0.5。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011347101.8A CN112465776B (zh) | 2020-11-26 | 2020-11-26 | 一种基于风力机表面模糊图像的裂纹智能检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011347101.8A CN112465776B (zh) | 2020-11-26 | 2020-11-26 | 一种基于风力机表面模糊图像的裂纹智能检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112465776A true CN112465776A (zh) | 2021-03-09 |
| CN112465776B CN112465776B (zh) | 2023-10-31 |
Family
ID=74809493
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011347101.8A Active CN112465776B (zh) | 2020-11-26 | 2020-11-26 | 一种基于风力机表面模糊图像的裂纹智能检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112465776B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114972349A (zh) * | 2022-08-01 | 2022-08-30 | 山东西曼克技术有限公司 | 基于图像处理的托辊运行状态检测方法及系统 |
| CN116758075A (zh) * | 2023-08-18 | 2023-09-15 | 深圳市智祥源科技有限公司 | 基于人工智能的吹风机电机运行故障检测方法 |
Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20140267693A1 (en) * | 2013-03-15 | 2014-09-18 | Digital Wind Systems, Inc. | System and method for ground based inspection of wind turbine blades |
| CN107657110A (zh) * | 2017-09-25 | 2018-02-02 | 沈阳工业大学 | 大型风力机叶片的疲劳损伤评价方法 |
| CN108152295A (zh) * | 2018-01-19 | 2018-06-12 | 河南志格新能源科技有限公司 | 风力发电机组叶片表面缺陷智能检测系统 |
| CN109978032A (zh) * | 2019-03-15 | 2019-07-05 | 西安电子科技大学 | 基于空间金字塔空洞卷积网络的桥梁裂缝检测方法 |
| CN110111328A (zh) * | 2019-05-16 | 2019-08-09 | 上海中认尚科新能源技术有限公司 | 一种基于卷积神经网络的风力发电机叶片裂纹检测方法 |
| CN110223259A (zh) * | 2019-06-14 | 2019-09-10 | 华北电力大学（保定） | 一种基于生成式对抗网络的道路交通模糊图像增强方法 |
| CN110261394A (zh) * | 2019-06-24 | 2019-09-20 | 内蒙古工业大学 | 在线风机叶片损伤实时诊断系统和方法 |
| CN110728627A (zh) * | 2018-07-16 | 2020-01-24 | 宁波舜宇光电信息有限公司 | 图像降噪方法、装置、系统和存储介质 |
| WO2020046213A1 (en) * | 2018-08-31 | 2020-03-05 | Agency For Science, Technology And Research | A method and apparatus for training a neural network to identify cracks |
| CN111275637A (zh) * | 2020-01-15 | 2020-06-12 | 北京工业大学 | 一种基于注意力模型的非均匀运动模糊图像自适应复原方法 |
| CN111626994A (zh) * | 2020-05-18 | 2020-09-04 | 江苏远望仪器集团有限公司 | 基于改进U-Net神经网络的设备故障缺陷诊断方法 |
| CN111899196A (zh) * | 2020-08-05 | 2020-11-06 | 沈阳工业大学 | 一种基于经典复原算法的叶片缺陷运动模糊图像复原方法 |
-
2020
- 2020-11-26 CN CN202011347101.8A patent/CN112465776B/zh active Active
Patent Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20140267693A1 (en) * | 2013-03-15 | 2014-09-18 | Digital Wind Systems, Inc. | System and method for ground based inspection of wind turbine blades |
| CN107657110A (zh) * | 2017-09-25 | 2018-02-02 | 沈阳工业大学 | 大型风力机叶片的疲劳损伤评价方法 |
| CN108152295A (zh) * | 2018-01-19 | 2018-06-12 | 河南志格新能源科技有限公司 | 风力发电机组叶片表面缺陷智能检测系统 |
| CN110728627A (zh) * | 2018-07-16 | 2020-01-24 | 宁波舜宇光电信息有限公司 | 图像降噪方法、装置、系统和存储介质 |
| WO2020046213A1 (en) * | 2018-08-31 | 2020-03-05 | Agency For Science, Technology And Research | A method and apparatus for training a neural network to identify cracks |
| CN109978032A (zh) * | 2019-03-15 | 2019-07-05 | 西安电子科技大学 | 基于空间金字塔空洞卷积网络的桥梁裂缝检测方法 |
| CN110111328A (zh) * | 2019-05-16 | 2019-08-09 | 上海中认尚科新能源技术有限公司 | 一种基于卷积神经网络的风力发电机叶片裂纹检测方法 |
| CN110223259A (zh) * | 2019-06-14 | 2019-09-10 | 华北电力大学（保定） | 一种基于生成式对抗网络的道路交通模糊图像增强方法 |
| CN110261394A (zh) * | 2019-06-24 | 2019-09-20 | 内蒙古工业大学 | 在线风机叶片损伤实时诊断系统和方法 |
| CN111275637A (zh) * | 2020-01-15 | 2020-06-12 | 北京工业大学 | 一种基于注意力模型的非均匀运动模糊图像自适应复原方法 |
| CN111626994A (zh) * | 2020-05-18 | 2020-09-04 | 江苏远望仪器集团有限公司 | 基于改进U-Net神经网络的设备故障缺陷诊断方法 |
| CN111899196A (zh) * | 2020-08-05 | 2020-11-06 | 沈阳工业大学 | 一种基于经典复原算法的叶片缺陷运动模糊图像复原方法 |
Non-Patent Citations (8)
| Title |
|---|
| LIN PENG等: "Detection and analysis of large-scale WT blade surface cracks based on UAV-taken images", 《IET IMAGE PROCESSING》, pages 2059 - 2064 * |
| 于波等: "基于深度卷积神经网络的图像重建算法", 计算机系统应用, no. 09, pages 170 - 175 * |
| 彭麟: "基于无人机获取图像的风机叶片表面故障的检测与分析", 中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑, no. 2019, pages 041 - 10 * |
| 李录平等: "振动检测技术在风力机叶片裂纹故障监测中的应用", 《热能动力工程》, pages 207 - 212 * |
| 正和德能风险管理: "风电叶片风险现状与叶片检测新技术(能源版块）", pages 1 - 5, Retrieved from the Internet <URL:https://zhuanlan.zhihu.com/p/102067702> * |
| 潘磊庆: "基于计算机视觉和神经网络检测鸡蛋裂纹的研究", 农业工程学报, vol. 23, no. 5, pages 154 - 158 * |
| 范洪军等: "闭口肋正交异性板钢桥面的疲劳裂纹及检测", 《中外公路》, pages 171 - 175 * |
| 谢珍珠等: "边缘增强深层网络的图像超分辨率重建", 中国图象图形学报, no. 01, pages 114 - 122 * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114972349A (zh) * | 2022-08-01 | 2022-08-30 | 山东西曼克技术有限公司 | 基于图像处理的托辊运行状态检测方法及系统 |
| CN114972349B (zh) * | 2022-08-01 | 2022-10-25 | 山东西曼克技术有限公司 | 基于图像处理的托辊运行状态检测方法及系统 |
| CN116758075A (zh) * | 2023-08-18 | 2023-09-15 | 深圳市智祥源科技有限公司 | 基于人工智能的吹风机电机运行故障检测方法 |
| CN116758075B (zh) * | 2023-08-18 | 2023-11-24 | 深圳市智祥源科技有限公司 | 基于人工智能的吹风机电机运行故障检测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112465776B (zh) | 2023-10-31 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108416294B (zh) | 一种基于深度学习的风机叶片故障智能识别方法 | |
| CN111339882B (zh) | 基于实例分割的输电线路隐患检测方法 | |
| CN112233091B (zh) | 一种风力机叶片图像损伤检测和定位方法 | |
| CN111696075A (zh) | 一种基于双光谱图像的风机叶片缺陷智能检测方法 | |
| CN110261394A (zh) | 在线风机叶片损伤实时诊断系统和方法 | |
| CN111199213B (zh) | 一种变电站用设备缺陷检测方法及装置 | |
| CN107506768A (zh) | 一种基于全卷积神经网络的输电线路导线断股识别方法 | |
| CN112465776B (zh) | 一种基于风力机表面模糊图像的裂纹智能检测方法 | |
| CN109359697A (zh) | 一种电力设备巡检中使用的图形图像识别方法及巡查系统 | |
| CN107292882A (zh) | 一种基于Meanshift自适应电气设备故障检测方法 | |
| CN108108736A (zh) | 一种太阳能光伏板光斑识别方法 | |
| CN103234976A (zh) | 基于Gabor变换的经编机布匹瑕疵在线视觉检测方法 | |
| CN111612030A (zh) | 基于深度学习的风电机组叶片表面故障识别与分类方法 | |
| CN112465777A (zh) | 一种基于视频流的风机叶片表面缺陷识别技术 | |
| CN115170816A (zh) | 多尺度特征提取系统、方法和风机桨叶缺陷检测方法 | |
| CN117058396B (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 | |
| CN117392130A (zh) | 基于红外图像的在线故障诊断系统 | |
| CN115689988A (zh) | 一种基于热成像技术监测齿轮箱温度变化的方法及系统 | |
| CN114842243A (zh) | 一种基于大跨度巡线机器人的故障检测方法、系统及设备 | |
| CN118347564A (zh) | 一种基于加速度振动传感器的车辆超载检测方法 | |
| CN114627074A (zh) | 一种基于深度学习的地面拍摄风机叶片实时监测方法 | |
| CN112883969B (zh) | 一种基于卷积神经网络的降雨强度检测方法 | |
| Chen et al. | Attention mechanism-based CNN for surface damage detection of wind turbine blades | |
| CN111310899B (zh) | 基于共生关系和小样本学习的电力缺陷识别方法 | |
| CN117197554A (zh) | 一种变压器漏油实时检测方法及系统 |
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 |