CN112465777A - 一种基于视频流的风机叶片表面缺陷识别技术 - Google Patents
一种基于视频流的风机叶片表面缺陷识别技术 Download PDFInfo
- Publication number
- CN112465777A CN112465777A CN202011347582.2A CN202011347582A CN112465777A CN 112465777 A CN112465777 A CN 112465777A CN 202011347582 A CN202011347582 A CN 202011347582A CN 112465777 A CN112465777 A CN 112465777A
- Authority
- CN
- China
- Prior art keywords
- image
- fan blade
- fan
- image data
- video
- 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.)
- Pending
Links
- 230000007547 defect Effects 0.000 title claims abstract description 36
- 238000005516 engineering process Methods 0.000 title claims abstract description 16
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 11
- 210000002569 neuron Anatomy 0.000 claims description 20
- 238000000605 extraction Methods 0.000 claims description 5
- 238000013528 artificial neural network Methods 0.000 claims description 2
- 238000007689 inspection Methods 0.000 abstract description 10
- 239000003086 colorant Substances 0.000 description 3
- 238000003708 edge detection Methods 0.000 description 3
- 238000000034 method Methods 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000010248 power generation Methods 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000004576 sand Substances 0.000 description 1
- 238000006467 substitution reaction 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N23/00—Cameras or camera modules comprising electronic image sensors; Control thereof
- H04N23/95—Computational photography systems, e.g. light-field imaging systems
- H04N23/951—Computational photography systems, e.g. light-field imaging systems by using two or more images to influence resolution, frame rate or aspect ratio
-
- 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
- G06T2207/10016—Video; Image sequence
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Signal Processing (AREA)
- Biophysics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Multimedia (AREA)
- Bioinformatics & Computational Biology (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Evolutionary Biology (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于视频流的风机叶片表面缺陷识别技术，包括如下步骤：S1、视频采集：在固定位置部署高清摄像机，利用高清摄像机对运行的风机进行视频采集，视频分辨率为1280*720，采集每秒24帧的风机运行视频，采集时间1‑2个小时；S2、卷积神经网络操作，对S1中采集到的图像数据中的单帧图像数据进行卷积神经网络操作；S3、图像盲复原；S4、风机叶片缺陷识别，本发明利用成熟的卷积神经网络操作、图像盲复原算法和图像识别算法，实现在风机不停机的情况下，采集并输出满足机器识别要求的高清风机叶片图像，解决了现阶段风机叶片缺陷识别必须将风机停机的问题，提高风机运检效率，缩短风机运检停机时间。
Description
技术领域
本发明涉及风机检测技术领域，具体为一种基于视频流的风机叶片表面缺陷识别技术。
背景技术
风能作为可再生能源，已在世界范围内获得了广泛应用。由于风力发电机的所在环境恶劣，所受应力强烈等因素，风机的叶片表面可能产生裂纹、油污、砂眼等损伤，这严重影响了风力发电的效率和安全性。
现阶段的风机叶片表面缺陷识别主要采用两种方式，一是巡检人员利用望远镜观察，高空垂吊巡检人员目测检查方式。二是随着无人机技术及人工智能的发展，采用无人机拍摄风机叶片加人工智能识别图片的方式。这两种巡检方式目前都有其缺点，采用方式一的巡检方式，单次巡检耗时长，效率低，巡检结果主观性强，对巡检人员专业性要求较高；采用方式二的巡检方式，对无人机采集的图片清晰度有一定要求，无人机拍照时需要对风电机组停机处理，巡检作业会严重影响风电场的发电效率，为此，我们提出一种基于视频流的风机叶片表面缺陷识别技术。
发明内容
本发明的目的在于提供一种基于视频流的风机叶片表面缺陷识别技术，本发明可在风机不停机的情况下，完成对风机叶片表面缺陷的识别，在保障风电机组发电效率的同时，对风机叶片表面缺陷识别，提高风机发电的安全性。
为实现上述目的，本发明提供如下技术方案：一种基于视频流的风机叶片表面缺陷识别技术，包括如下步骤：
S1、视频采集：在固定位置部署高清摄像机，利用高清摄像机对运行的风机进行视频采集，视频分辨率为1280*720，采集每秒24帧的风机运行视频，采集时间1.5个小时；
S2、卷积神经网络操作：对S1中采集到的图像数据中的单帧图像数据进行卷积神经网络操作，对采集图像中单个像素点进行特征提取，将S1中采集到的多张图像数据按特征进行分类，在卷积操作中每个神经元连接数据窗的权重是固定的，每个神经元只关注一个特性，采用第一步的采集方式得到的图像数据采集位置、角度固定，经过卷积操作后可将风机运行的不同时刻且风机叶片相同位置的图像进行归类；
S3、图像盲复原：根据风机运行速度的不同，卷积操作后的数据一般可分类为100-150个位置的图像数据，对输出的每个位置的图像数据通过图像盲复原算法进行图像去噪、纹理重建；
S4、风机叶片缺陷识别：根据S3的分组情况，图像盲复原后可得到100-150张不同位置的风机叶片高清照片，将输出的风机叶片高清照片导入机器的识别软件中，利用识别软件识别出风机叶片表面缺陷片。
优选的，在步骤S1中，高清摄像机的采集画面需覆盖整个风机叶片转动范围。
优选的，在步骤S1中，采集时间1个小时，共采集到24*3600*1＝86400帧图像数据，采集时间1.5个小时，共采集到24*3600*1.5＝129600帧图像数据，采集时间2个小时，共采集到24*3600*2＝172800帧图像数据。
优选的，在步骤S2中，神经元为图像处理中的滤波器，卷积层的每个滤波器都会用于关注一个图像特征，所有神经元加起来就是整张图像的特征提取器集合。
优选的，所述图像特征包括垂直边缘、水平边缘、颜色和纹理。
本发明提供了一种基于视频流的风机叶片表面缺陷识别技术，具备以下有益效果：
本发明通过利用成熟的卷积神经网络操作、图像盲复原算法和图像识别算法，提出了一种新的风机叶片表面缺陷识别方法，通过在固定位置对风机运行视频采集，在风机不停机的情况下，采集并输出满足机器识别要求的高清风机叶片图像，解决了现阶段风机叶片缺陷识别必须将风机停机的问题，提高风机运检效率，缩短风机运检停机时间。
附图说明
图1为本发明的高清摄像机与风机位置结构示意图；
图2为本发明的两种卷积操作滤波器后效果示意。
具体实施方式
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。
实施例1：
如图1-2所示，本发明提供一种技术方案：一种基于视频流的风机叶片表面缺陷识别技术，包括如下步骤：
S1、视频采集：在固定位置部署高清摄像机，并使得高清摄像机的采集画面覆盖整个风机叶片转动范围，利用高清摄像机对运行的风机进行视频采集，视频分辨率为1280*720，采集每秒24帧的风机运行视频，采集时间1.5个小时，共采集到24*3600*1.5＝129600帧图像数据；
S2、卷积神经网络操作：对S1中采集到的129600帧图像数据中的单帧图像数据进行卷积神经网络操作，对采集图像中单个像素点进行特征提取，将129600帧图像数据按特征进行分类；
在卷积操作中每个神经元连接数据窗的权重是固定的，每个神经元只关注一个特性，神经元为图像处理中的滤波器，比如边缘检测专用的索贝尔算子滤波器，卷积层的每个滤波器都会用于关注一个图像特征，这些图像特征包括垂直边缘、水平边缘、颜色和纹理，这些所有神经元加起来就是整张图像的特征提取器集合，采用S1的采集方式得到的图像数据采集位置、角度固定，经过卷积操作后可将风机运行的不同时刻且风机叶片相同位置的图像进行归类；
S3、图像盲复原：根据风机运行速度的不同，卷积操作后的数据一般可分类为100-150个位置的图像数据，对输出的每个位置的图像数据通过图像盲复原算法进行图像去噪、纹理重建；
S4、风机叶片缺陷识别：根据S3的分组情况，图像盲复原后可得到100-150张不同位置的风机叶片高清照片，将输出的风机叶片高清照片导入机器的识别软件中，利用识别软件识别出风机叶片表面缺陷片。
实施例2：
如图1-2所示，本发明提供一种技术方案：一种基于视频流的风机叶片表面缺陷识别技术，包括如下步骤：
S1、视频采集：在固定位置部署高清摄像机，并使得高清摄像机的采集画面覆盖整个风机叶片转动范围，利用高清摄像机对运行的风机进行视频采集，视频分辨率为1280*720，采集每秒24帧的风机运行视频，采集时间1小时，共采集到24*3600*1＝86400帧图像数据；
S2、卷积神经网络操作：对S1中采集到的86400帧图像数据中的单帧图像数据进行卷积神经网络操作，对采集图像中单个像素点进行特征提取，将86400帧图像数据按特征进行分类；
在卷积操作中每个神经元连接数据窗的权重是固定的，每个神经元只关注一个特性，神经元为图像处理中的滤波器，比如边缘检测专用的索贝尔算子滤波器，卷积层的每个滤波器都会用于关注一个图像特征，这些图像特征包括垂直边缘、水平边缘、颜色和纹理，这些所有神经元加起来就是整张图像的特征提取器集合，采用S1的采集方式得到的图像数据采集位置、角度固定，经过卷积操作后可将风机运行的不同时刻且风机叶片相同位置的图像进行归类；
S3、图像盲复原：根据风机运行速度的不同，卷积操作后的数据一般可分类为100-150个位置的图像数据，对输出的每个位置的图像数据通过图像盲复原算法进行图像去噪、纹理重建；
S4、风机叶片缺陷识别：根据S3的分组情况，图像盲复原后可得到100-150张不同位置的风机叶片高清照片，将输出的风机叶片高清照片导入机器的识别软件中，利用识别软件识别出风机叶片表面缺陷片。
实施例3：
如图1-2所示，本发明提供一种技术方案：一种基于视频流的风机叶片表面缺陷识别技术，包括如下步骤：
S1、视频采集：在固定位置部署高清摄像机，并使得高清摄像机的采集画面覆盖整个风机叶片转动范围，利用高清摄像机对运行的风机进行视频采集，视频分辨率为1280*720，采集每秒24帧的风机运行视频，采集时间2个小时，共采集到24*3600*2＝172800帧图像数据；
S2、卷积神经网络操作：对S1中采集到的172800帧图像数据中的单帧图像数据进行卷积神经网络操作，对采集图像中单个像素点进行特征提取，将172800帧图像数据按特征进行分类；
在卷积操作中每个神经元连接数据窗的权重是固定的，每个神经元只关注一个特性，神经元为图像处理中的滤波器，比如边缘检测专用的索贝尔算子滤波器，卷积层的每个滤波器都会用于关注一个图像特征，这些图像特征包括垂直边缘、水平边缘、颜色和纹理，这些所有神经元加起来就是整张图像的特征提取器集合，采用S1的采集方式得到的图像数据采集位置、角度固定，经过卷积操作后可将风机运行的不同时刻且风机叶片相同位置的图像进行归类；
S3、图像盲复原：根据风机运行速度的不同，卷积操作后的数据一般可分类为100-150个位置的图像数据，对输出的每个位置的图像数据通过图像盲复原算法进行图像去噪、纹理重建；
S4、风机叶片缺陷识别：根据S3的分组情况，图像盲复原后可得到100-150张不同位置的风机叶片高清照片，将输出的风机叶片高清照片导入机器的识别软件中，利用识别软件识别出风机叶片表面缺陷片。
本发明可以在风机不停机的情况下，完成对风机叶片表面缺陷的识别，且在保障风电机组发电效率的同时，对风机叶片表面缺陷识别，提高风机发电的安全性。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。
Claims (5)
1.一种基于视频流的风机叶片表面缺陷识别技术，其特征在于，包括如下步骤：
S1、视频采集：在固定位置部署高清摄像机，利用高清摄像机对运行的风机进行视频采集，视频分辨率为1280*720，采集每秒24帧的风机运行视频，采集时间1-2个小时；
S2、卷积神经网络操作：对S1中采集到的图像数据中的单帧图像数据进行卷积神经网络操作，对采集图像中单个像素点进行特征提取，将S1中采集到的多张图像数据按特征进行分类，在卷积操作中每个神经元连接数据窗的权重是固定的，每个神经元只关注一个特性，采用第一步的采集方式得到的图像数据采集位置、角度固定，经过卷积操作后可将风机运行的不同时刻且风机叶片相同位置的图像进行归类；
S3、图像盲复原：根据风机运行速度的不同，卷积操作后的数据一般可分类为100-150个位置的图像数据，对输出的每个位置的图像数据通过图像盲复原算法进行图像去噪、纹理重建；
S4、风机叶片缺陷识别：根据S3的分组情况，图像盲复原后可得到100-150张不同位置的风机叶片高清照片，将输出的风机叶片高清照片导入机器的识别软件中，利用识别软件识别出风机叶片表面缺陷片。
2.根据权利要求1所述的一种基于视频流的风机叶片表面缺陷识别技术，其特征在于：在步骤S1中，高清摄像机的采集画面需覆盖整个风机叶片转动范围。
3.根据权利要求1所述的一种基于视频流的风机叶片表面缺陷识别技术，其特征在于：在步骤S1中，采集时间1个小时，共采集到24*3600*1＝86400帧图像数据，采集时间1.5个小时，共采集到24*3600*1.5＝129600帧图像数据，采集时间2个小时，共采集到24*3600*2＝172800帧图像数据。
4.根据权利要求1所述的一种基于视频流的风机叶片表面缺陷识别技术，其特征在于：在步骤S2中，神经元为图像处理中的滤波器，卷积层的每个滤波器都会用于关注一个图像特征，所有神经元加起来就是整张图像的特征提取器集合。
5.根据权利要求4所述的一种基于视频流的风机叶片表面缺陷识别技术，其特征在于：所述图像特征包括垂直边缘、水平边缘、颜色和纹理。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011347582.2A CN112465777A (zh) | 2020-11-26 | 2020-11-26 | 一种基于视频流的风机叶片表面缺陷识别技术 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011347582.2A CN112465777A (zh) | 2020-11-26 | 2020-11-26 | 一种基于视频流的风机叶片表面缺陷识别技术 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112465777A true CN112465777A (zh) | 2021-03-09 |
Family
ID=74808610
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011347582.2A Pending CN112465777A (zh) | 2020-11-26 | 2020-11-26 | 一种基于视频流的风机叶片表面缺陷识别技术 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112465777A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114252507A (zh) * | 2021-12-20 | 2022-03-29 | 济宁鲁科检测器材有限公司 | 基于卷积神经网络的磁粉探伤缺陷识别系统及方法 |
| CN114296483A (zh) * | 2022-03-09 | 2022-04-08 | 北京图知天下科技有限责任公司 | 一种风力发电机不停机状态下的智能巡检方法及电子设备 |
| WO2023206750A1 (zh) * | 2022-04-28 | 2023-11-02 | 麦加芯彩新材料科技(上海)股份有限公司 | 一种风力发电叶片缺陷智能比对方法、装置及电子设备 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108765325A (zh) * | 2018-05-17 | 2018-11-06 | 中国人民解放军陆军工程大学 | 一种小型无人机模糊图像复原方法 |
| CN109060826A (zh) * | 2018-08-16 | 2018-12-21 | 大连维德集成电路有限公司 | 一种不停机的风电叶片检测装置 |
| CN111696075A (zh) * | 2020-04-30 | 2020-09-22 | 航天图景（北京）科技有限公司 | 一种基于双光谱图像的风机叶片缺陷智能检测方法 |
-
2020
- 2020-11-26 CN CN202011347582.2A patent/CN112465777A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108765325A (zh) * | 2018-05-17 | 2018-11-06 | 中国人民解放军陆军工程大学 | 一种小型无人机模糊图像复原方法 |
| CN109060826A (zh) * | 2018-08-16 | 2018-12-21 | 大连维德集成电路有限公司 | 一种不停机的风电叶片检测装置 |
| CN111696075A (zh) * | 2020-04-30 | 2020-09-22 | 航天图景（北京）科技有限公司 | 一种基于双光谱图像的风机叶片缺陷智能检测方法 |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114252507A (zh) * | 2021-12-20 | 2022-03-29 | 济宁鲁科检测器材有限公司 | 基于卷积神经网络的磁粉探伤缺陷识别系统及方法 |
| CN114296483A (zh) * | 2022-03-09 | 2022-04-08 | 北京图知天下科技有限责任公司 | 一种风力发电机不停机状态下的智能巡检方法及电子设备 |
| CN114296483B (zh) * | 2022-03-09 | 2022-06-28 | 北京图知天下科技有限责任公司 | 一种风力发电机不停机状态下的智能巡检方法及电子设备 |
| WO2023206750A1 (zh) * | 2022-04-28 | 2023-11-02 | 麦加芯彩新材料科技(上海)股份有限公司 | 一种风力发电叶片缺陷智能比对方法、装置及电子设备 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112465777A (zh) | 一种基于视频流的风机叶片表面缺陷识别技术 | |
| CN108416294B (zh) | 一种基于深度学习的风机叶片故障智能识别方法 | |
| Li et al. | An unmanned inspection system for multiple defects detection in photovoltaic plants | |
| CN113469953B (zh) | 一种基于改进YOLOv4算法的输电线路绝缘子缺陷检测方法 | |
| CN111696075A (zh) | 一种基于双光谱图像的风机叶片缺陷智能检测方法 | |
| CN107679495B (zh) | 一种输电线路周边活动工程车辆的检测方法 | |
| EP3786450A1 (en) | Method and system for monitoring blades of a wind turbine | |
| CN111275679A (zh) | 一种基于图像的太阳能电池缺陷检测系统及方法 | |
| CN109060826B (zh) | 一种不停机的风电叶片检测装置 | |
| CN103984952B (zh) | 基于机器视觉图像对电力系统风力发电机叶片表面裂纹故障进行诊断的方法 | |
| CN109961398A (zh) | 风机叶片图像分割与网格优化拼接方法 | |
| CN104601956A (zh) | 基于固定翼无人机的输电线路在线监测系统及监测方法 | |
| CN108921132A (zh) | 无人机机载电缆探测系统 | |
| CN112330592A (zh) | 风机叶片缺陷检测方法和装置、存储介质 | |
| CN111260617A (zh) | 一种基于深度学习的太阳能电池板缺陷检测方法 | |
| Rao et al. | Wind turbine blade inspection based on unmanned aerial vehicle (UAV) visual systems | |
| 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 | |
| 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 | |
| CN112465776B (zh) | 一种基于风力机表面模糊图像的裂纹智能检测方法 | |
| CN110136059A (zh) | 直线特征的风电叶片图像拼接方法 | |
| CN113570587A (zh) | 一种基于计算机视觉的光伏电池断栅检测方法及系统 | |
| CN112116600A (zh) | 一种基于图像处理的光伏板计数方法 | |
| CN117456384A (zh) | 一种高精度无人机电力巡检系统 | |
| CN112241707A (zh) | 一种风电场智能视频识别装置 | |
| KR20190062834A (ko) | 풍력 발전기의 블레이드 검사장치 및 그 방법 |
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 | ||
| WD01 | Invention patent application deemed withdrawn after publication | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20210309 |