CN113256602A - 一种基于自编码器的无监督风机叶片缺陷检测方法及系统 - Google Patents
一种基于自编码器的无监督风机叶片缺陷检测方法及系统 Download PDFInfo
- Publication number
- CN113256602A CN113256602A CN202110649145.4A CN202110649145A CN113256602A CN 113256602 A CN113256602 A CN 113256602A CN 202110649145 A CN202110649145 A CN 202110649145A CN 113256602 A CN113256602 A CN 113256602A
- Authority
- CN
- China
- Prior art keywords
- fan blade
- encoder
- self
- map
- defect
- 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
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
- 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
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
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)
Abstract
本发明涉及一种基于自编码器的无监督风机叶片缺陷检测方法及系统,属于工业表面缺陷检测领域,无监督风机叶片缺陷检测方法包括:获取样本图片集;样本图片集包括各个部位的多帧无缺陷风机叶片图;根据样本图片集,对自编码器进行训练,得到自编码器重构模型;使用没有缺陷的样本图片训练模型,不需要事先收集一定数量的缺陷样本集,可以降低检测方法的复杂度;根据样本图片集及自编码器重构模型,确定无缺陷残差阈值;基于自编码器重构模型,根据待检测图片,得到待检测图片对应的待检重构图;根据待检重构图及所述待检测图片,得到残差图;根据残差图及所述无缺陷残差阈值,确定待检测图片中风机叶片的缺陷区域,准确检测出风机叶片的缺陷。
Description
技术领域
本发明涉及工业表面缺陷检测领域,特别是涉及一种基于自编码器的无监督风机叶片缺陷检测方法及系统。
背景技术
传统的风电叶片故障巡检方式主要为目测检查方式,主要分为高倍望远镜检查、高空绕行下降目测检查、叶片维修平台检查,存在检测时间长、费用高、效率低等特点,不适合进行日常巡检。
有一些基于机器视觉的叶片表面缺陷检测方法,如基于滤波变换进行图像增强后,利用图像的梯度信息进行缺陷分析。这类方法适用于风机在出厂前进行前室内的表面缺陷检查,当风机投入运行后,存在背景、光照、天气的复杂多变的实际情况,传统的视觉方法不适用于室外干扰因素较多的场景。
一些基于深度学习检测网络的叶片缺陷检测方法,通过收集一些带有缺陷的图片标注好缺陷区域作为训练样本来训练出检测网络模型,进行叶片缺陷的检测。但是现实中带有缺陷的风机图片比较少,不易于收集且标注缺陷样本需要一定的人力时间。
基于上述问题,亟需一种新的检测方法以提高风机叶片缺陷的检测准确度并降低检测方法的复杂度。
发明内容
本发明的目的是提供一种基于自编码器的无监督风机叶片缺陷检测方法及系统,可准确检测出风机叶片的缺陷并降低检测方法的复杂度。
为实现上述目的,本发明提供了如下方案:
一种基于自编码器的无监督风机叶片缺陷检测方法,所述基于自编码器的无监督风机叶片缺陷检测方法包括:
获取样本图片集;所述样本图片集包括各个部位的多帧无缺陷风机叶片图;
根据所述样本图片集,对自编码器进行训练,得到自编码器重构模型;
根据所述样本图片集及自编码器重构模型,确定无缺陷残差阈值;
基于所述自编码器重构模型,根据待检测图片,得到待检测图片对应的待检重构图;
根据所述待检重构图及所述待检测图片,得到残差图;
根据所述残差图及所述无缺陷残差阈值,确定所述待检测图片中风机叶片的缺陷区域。
可选地,所述根据所述样本图片集,对自编码器进行训练,得到自编码器重构模型包括:
针对每个无缺陷风机叶片图,基于分割网络,确定所述无缺陷风机叶片图的背景区域及风机区域;
将所述背景区域设置为黑色,得到无缺陷风机叶片处理图;
根据各部位的无缺陷风机叶片处理图,对所述自编码器进行迭代训练,直至达到迭代次数或相似度阈值要求:
在第i次迭代训练中,针对每个部位的每一无缺陷风机叶片处理图,基于当前自编码器,根据所述部位的各无缺陷风机叶片处理图,得到所述无缺陷风机叶片处理图的重构图;1≤i≤迭代次数;
根据所述无缺陷风机叶片处理图的重构图及各无缺陷风机叶片处理图,计算相似度;
当各部位的相似度均大于或等于对应的相似度阈值,则迭代结束,当前自编码器为自编码器重构模型,否则调整当前自编码器的参数进行下次迭代。
可选地,根据以下公式,计算重构图与无缺陷风机叶片处理图的相似度:
其中,x为无缺陷风机叶片处理图,为重构图,s为重构图与无缺陷风机叶片处理图x的相似度,μx为无缺陷风机叶片处理图x的均值,为重构图的均值,σx为无缺陷风机叶片处理图x的标准差,为重构图的标准差,为无缺陷风机叶片处理图x和重构图之间的协方差,C1与C2为常数,0<C1,C2<<1。
可选地,所述自编码器包括编码器和解码器;
所述基于当前自编码器,根据所述无缺陷风机叶片处理图,得到所述无缺陷风机叶片处理图的重构图,具体包括:
将所述无缺陷风机叶片处理图输入编码器进行编码,得到隐向量表示;
所述隐向量表示经过解码器解码,得到所述无缺陷风机叶片处理图的重构图。
可选地,所述根据所述样本图片集及自编码器重构模型,确定无缺陷残差阈值,具体包括:
根据所述样本图片集及所述自编码器重构模型,得到各个部位的无缺陷风机叶片图对应的重构图。
所述自编码重构模型为当各部位的相似度均大于或等于对应的相似度阈值时的自编码器,根据此自编码重构模型得到对应部位的重构图。
根据各个部位的无缺陷风机叶片图及对应的重构图,得到残差直方图;
根据所述残差直方图,确定无缺陷残差阈值。
可选地,所述根据所述待检重构图及所述待检测图片,得到残差图,具体包括:
根据所述待检测图片,基于分割网络,确定所述待检测图片的背景区域及风机区域;
将所述背景区域设置为黑色,得到待检风机叶片处理图;
计算所述待检重构图与所述待检风机叶片处理图每个像素点之间的结构相似度SSIM差异,得到残差图。
可选地,所述根据所述残差图及所述无缺陷残差阈值,确定所述待检测图片中风机叶片的缺陷区域,具体包括:
判断所述残差图中各残差值与所述无缺陷残差阈值的大小;
若残差值小于所述无缺陷残差阈值,则将所述残差值对应的像素点设置为黑色;否则将所述残差值对应的像素点设置为白色,得到二值化残差图;
根据所述二值化残差图,确定待检测图片中风机叶片的缺陷区域。
为实现上述目的,本发明还提供了如下方案:
一种基于自编码器的无监督风机叶片缺陷检测系统,所述基于自编码器的无监督风机叶片缺陷检测系统包括:
采集单元,用于获取样本图片集;所述样本图片集包括各个部位的多帧无缺陷风机叶片图;
训练单元,与所述采集单元连接,用于根据所述样本图片集,对自编码器进行训练,得到自编码器重构模型;
残差阈值确定单元,分别与所述采集单元及所述训练单元连接,用于根据所述样本图片集及自编码器重构模型,确定无缺陷残差阈值;
重构图确定单元,与所述训练单元连接,用于基于所述自编码器重构模型,根据待检测图片,得到待检测图片对应的待检重构图;
残差图确定单元,与所述重构图确定单元连接,用于根据所述待检重构图及所述待检测图片,得到残差图;
缺陷区域确定单元,分别与所述残差图确定单元及所述残差阈值确定单元连接,用于根据所述残差图及所述无缺陷残差阈值,确定所述待检测图片中风机叶片的缺陷区域。
可选地,所述训练单元包括:
第一分割模块,与所述采集单元连接,用于针对每个无缺陷风机叶片图,基于分割网络,确定所述无缺陷风机叶片图的背景区域及风机区域;
第一处理模块,与所述分割模块连接,用于将所述背景区域设置为黑色,得到无缺陷风机叶片处理图;
迭代训练模块,与所述处理模块连接,用于根据各部位的无缺陷风机叶片处理图,对所述自编码器进行迭代训练,直至达到迭代次数或相似度阈值要求;
所述迭代训练模块包括:重构图确定子模块,与所述第一处理模块连接,用于在第i次迭代训练中,针对每个部位的每一无缺陷风机叶片处理图,基于当前自编码器,根据所述无缺陷风机叶片处理图,得到所述无缺陷风机叶片处理图的重构图;1≤i≤迭代次数;
计算子模块,与所述重构图确定子模块连接,用于根据所述无缺陷风机叶片处理图的重构图及各无缺陷风机叶片处理图,计算相似度;
迭代子模块,与所述计算子模块连接,用于当各部位的相似度均大于或等于对应的相似度阈值,则迭代结束,当前自编码器为自编码器重构模型,否则调整当前自编码器的参数进行下次迭代。
可选地,所述残差图确定单元包括:
第二分割模块,用于根据所述待检测图片,基于分割网络,确定所述待检测图片的背景区域及风机区域;
第二处理模块,与所述第二分割模块连接,用于将所述背景区域设置为黑色,得到待检风机叶片处理图;
计算模块,分别与所述第二处理模块及所述重构图确定单元连接,用于计算所述待检重构图与所述待检风机叶片处理图每个像素点之间的结构相似度SSIM差异,得到残差图。
根据本发明提供的具体实施例,本发明公开了以下技术效果:首先获取样本图片集,所述样本图片集包括各个部位的多帧无缺陷风机叶片图;然后根据样本图片集,对自编码器进行训练,得到自编码器重构模型;利用没有缺陷的样本图片来训练,不需要事先收集一定数量的缺陷样本集,也不需要对缺陷区域进行标注,可以降低检测方法的复杂度;根据样本图片集及自编码器重构模型,确定无缺陷残差阈值;基于自编码器重构模型,根据待检测图片,得到待检测图片对应的重构图;再根据所述重构图及所述待检测图片,得到残差图;最后根据残差图及无缺陷残差阈值,确定待检测图片中风机叶片的缺陷区域,可准确检测出风机叶片的缺陷。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明基于自编码器的无监督风机叶片缺陷检测方法的流程图;
图2为采集的待检测图;
图3为无缺陷风机叶片处理图;
图4为残差图;
图5为本发明基于自编码器的无监督风机叶片缺陷检测系统的模块结构图。
符号说明:
采集单元-1,训练单元-2,残差阈值确定单元-3,重构图确定单元-4,残差图确定单元-5,缺陷区域确定单元-6。
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,显然,所描述的实施例仅仅是本发明一部分实施例,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,都属于本发明保护的范围。
本发明的目的是提供一种基于自编码器的无监督风机叶片缺陷检测方法及系统,通过没有缺陷的样本图片来训练,不需要事先收集一定数量的缺陷样本集,也不需要对缺陷区域进行标注,可以降低检测方法的复杂度;根据样本图片集及自编码器重构模型,确定无缺陷残差阈值;基于自编码器重构模型,根据待检测图片,得到待检测图片对应的重构图;再根据所述重构图及所述待检测图片,得到残差图;最后根据残差图及无缺陷残差阈值,确定待检测图片中风机叶片的缺陷区域,可准确检测出风机叶片的缺陷。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
如图1所示,本发明基于自编码器的无监督风机叶片缺陷检测方法包括:
S1:获取样本图片集;所述样本图片集包括各个部位的多帧无缺陷风机叶片图。
S2:根据所述样本图片集,对自编码器进行训练,得到自编码器重构模型。
S3:根据所述样本图片集及自编码器重构模型,确定无缺陷残差阈值。
S4:基于所述自编码器重构模型,根据待检测图片,得到待检测图片对应的待检重构图。在本实施例中,如图2所示,使用无人机携带相机沿着叶片采集风机叶片的表面图片,作为待检测图片。
S5:根据所述待检重构图及所述待检测图片,得到残差图。
S6:根据所述残差图及所述无缺陷残差阈值,确定所述待检测图片中风机叶片的缺陷区域。
具体地,S2:根据所述样本图片集,对自编码器进行训练,得到自编码器重构模型,具体包括:
针对每个无缺陷风机叶片图,基于分割网络,确定所述无缺陷风机叶片图的背景区域及风机区域。
将所述背景区域设置为黑色,得到无缺陷风机叶片处理图,如图3所示。
由于风机运行场地的环境多样,每幅风机叶片图片中的背景部分都不相同,需要将风机叶片部分在图片中分割出来,背景部分的像素值用零填充,取其中风机叶片上没有缺陷的图片作为训练集。
采用分割出风机叶片区域后的图片来训练模型、检测缺陷,能够去除风机运行场地多,背景复杂带来的检测干扰,相较于传统的视觉方法,检测效果更加鲁棒。
根据各部位的无缺陷风机叶片处理图,对所述自编码器进行迭代训练,直至达到迭代次数或相似度阈值要求:
在第i次迭代训练中,针对每个部位的每一无缺陷风机叶片处理图,基于当前自编码器,根据所述无缺陷风机叶片处理图,得到所述无缺陷风机叶片处理图的重构图;1≤i≤迭代次数。
根据所述无缺陷风机叶片处理图的重构图及各无缺陷风机叶片处理图,计算相似度。
优选地,根据以下公式,计算重构图与无缺陷风机叶片处理图的相似度:
其中,x为无缺陷风机叶片处理图,为重构图,s为重构图与无缺陷风机叶片处理图x的相似度,μx为无缺陷风机叶片处理图x的均值,为重构图的均值,σx为无缺陷风机叶片处理图x的标准差,为重构图的标准差,为无缺陷风机叶片处理图x和重构图之间的协方差,C1与C2为常数,0<C1,C2<<1。
当各部位的相似度均大于或等于对应的相似度阈值,则迭代结束,当前自编码器为自编码器重构模型,否则调整当前自编码器的参数进行下次迭代。具体地,自编码器的参数可为各层的权重、偏置等。
可选地,所述自编码器包括编码器和解码器。
所述基于当前自编码器,根据所述无缺陷风机叶片处理图,得到所述无缺陷风机叶片处理图的重构图,具体包括:
将所述无缺陷风机叶片处理图输入编码器进行编码,得到隐向量表示。
所述隐向量表示经过解码器解码,得到所述无缺陷风机叶片处理图的重构图。
本实施例中,将无缺陷风机叶片处理图按比例缩放至一定大小,依次输入到编码器、解码器网络,输出对应的重构图像;
如下表所示,本发明采用的自编码器包括多个卷积层以及多个采样层。激活函数采用Relu函数。
将没有缺陷的风机叶片的各个部位图片作为训练集来训练自编码器网络,当训练集图片经过编码器编码后得到隐向量表示,解码器能够根据隐向量重构出输入图片,即与输入图片之间的相似程度较高时,自编码器网络完成训练。
进一步地,S3:根据所述样本图片集及自编码器重构模型,确定无缺陷残差阈值,具体包括:
根据所述样本图片集及所述自编码器重构模型,得到各个部位的无缺陷风机叶片图对应的重构图;
根据各个部位的无缺陷风机叶片图及对应的重构图,得到对应的残差直方图;
根据残差直方图,确定无缺陷残差阈值。
在本实施例中,所述无缺陷残差阈值为残差直方图中的最大残差值。
依据没有缺陷的图像区域重构图与输入图的差异较小,而有缺陷区域与输入图的差异经过自编码网络输出后较大的原理,设定无缺陷残差阈值,进而可根据无缺陷残差阈值对残差图进行二值化处理。
更进一步地,S5:根据所述待检重构图及所述待检测图片,得到残差图,具体包括:
根据所述待检测图片,基于分割网络,确定所述待检测图片的背景区域及风机区域。
将所述背景区域设置为黑色,得到待检风机叶片处理图。
计算所述待检重构图与所述待检风机叶片处理图每个像素点之间的结构相似度SSIM差异,得到残差图,如图4所示。
优选地,S6:根据所述残差图及所述无缺陷残差阈值,确定所述待检测图片中风机叶片的缺陷区域,具体包括:
判断所述残差图中各残差值与所述无缺陷残差阈值的大小;
若残差值小于所述无缺陷残差阈值,则将所述残差值对应的像素点设置为黑色,否则将所述残差值对应的像素点设置为白色,得到二值化残差图。
根据所述二值化残差图,确定待检测图片中风机叶片的缺陷区域。
具体地,对残差图进行二值化后,去除较小的连通域,得到待检测图片中风机叶片的缺陷区域。
由于自编码器网络是用没有缺陷的正常样本来训练学习,网络能够较好的重构出正常图片,当输入有缺陷的图片时,在有缺陷的异常区域,网络的重构输出有一定的差异,根据此差异即可确定异常区域。
如图5所示,本发明基于自编码器的无监督风机叶片缺陷检测系统包括:采集单元1、训练单元2、残差阈值确定单元3、重构图确定单元4、残差图确定单元5以及缺陷区域确定单元6。
其中,所述采集单元1用于获取样本图片集;所述样本图片集包括各个部位的多帧无缺陷风机叶片图。
所述训练单元2与所述采集单元1连接,所述训练单元2用于根据所述样本图片集,对自编码器进行训练,得到自编码器重构模型。
所述残差阈值确定单元3分别与所述采集单元1及所述训练单元2连接,所述残差阈值确定单元3用于根据所述样本图片集及自编码器重构模型,确定无缺陷残差阈值。
所述重构图确定单元4与所述训练单元2连接,所述重构图确定单元4用于基于所述自编码器重构模型,根据待检测图片,得到待检测图片对应的待检重构图。
所述残差图确定单元5与所述重构图确定单元4连接,所述残差图确定单元5用于根据所述待检重构图及所述待检测图片,得到残差图。
所述缺陷区域确定单元6与所述残差图确定单元5及所述残差阈值确定单元3连接,所述缺陷区域确定单元6用于根据所述残差图及所述无缺陷残差阈值,确定所述待检测图片中风机叶片的缺陷区域。
具体地,所述训练单元2包括:第一分割模块、第一处理模块以及迭代训练模块。
其中,所述第一分割模块与所述采集单元1连接,所述第一分割模块用于针对每个无缺陷风机叶片图,基于分割网络,确定所述无缺陷风机叶片图的背景区域及风机区域。
所述第一处理模块与所述分割模块连接,所述第一处理模块用于将所述背景区域设置为黑色,得到无缺陷风机叶片处理图。
所述迭代训练模块与所述处理模块连接,所述迭代训练模块用于根据各部位的无缺陷风机叶片处理图,对所述自编码器进行迭代训练,直至达到迭代次数或相似度阈值要求。
所述迭代训练模块包括:重构图确定子模块、计算子模块以及迭代子模块。
所述重构图确定子模块与所述第一处理模块连接,所述重构图确定子模块用于在第i次迭代训练中,针对每个部位的每一无缺陷风机叶片处理图,基于当前自编码器,根据所述无缺陷风机叶片处理图,得到所述无缺陷风机叶片处理图的重构图;1≤i≤迭代次数。
所述计算子模块与所述重构图确定子模块连接,所述计算子模块用于根据所述无缺陷风机叶片处理图的重构图及各无缺陷风机叶片处理图,计算相似度。
所述迭代子模块与所述计算子模块连接,所述迭代子模块用于当各部位的相似度均大于或等于对应的相似度阈值,则迭代结束,当前自编码器为自编码器重构模型,否则调整当前自编码器的参数进行下次迭代。
进一步地,所述残差图确定单元5包括:第二分割模块、第二处理模块以及计算模块。
其中,所述第二分割模块用于根据所述待检测图片,基于分割网络,确定所述待检测图片的背景区域及风机区域。
所述第二处理模块与所述第二分割模块连接,所述第二处理模块用于将所述背景区域设置为黑色,得到待检风机叶片处理图。
所述计算模块分别与所述第二处理模块及所述重构图确定单元4连接,所述计算模块用于计算所述待检重构图与所述待检风机叶片处理图每个像素点之间的结构相似度SSIM差异,得到残差图。
相对于现有技术,本发明基于自编码器的无监督风机叶片缺陷检测系统与上述基于自编码器的无监督风机叶片缺陷检测方法的有益效果相同,在此不再赘述。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。综上所述,本说明书内容不应理解为对本发明的限制。
Claims (10)
1.一种基于自编码器的无监督风机叶片缺陷检测方法,其特征在于,所述基于自编码器的无监督风机叶片缺陷检测方法包括:
获取样本图片集;所述样本图片集包括各个部位的多帧无缺陷风机叶片图;
根据所述样本图片集,对自编码器进行训练,得到自编码器重构模型;
根据所述样本图片集及自编码器重构模型,确定无缺陷残差阈值;
基于所述自编码器重构模型,根据待检测图片,得到待检测图片对应的待检重构图;
根据所述待检重构图及所述待检测图片,得到残差图;
根据所述残差图及所述无缺陷残差阈值,确定所述待检测图片中风机叶片的缺陷区域。
2.根据权利要求1所述的基于自编码器的无监督风机叶片缺陷检测方法,其特征在于,所述根据所述样本图片集,对自编码器进行训练,得到自编码器重构模型,具体包括:
针对每个无缺陷风机叶片图,基于分割网络,确定所述无缺陷风机叶片图的背景区域及风机区域;
将所述背景区域设置为黑色,得到无缺陷风机叶片处理图;
根据各部位的无缺陷风机叶片处理图,对所述自编码器进行迭代训练,直至达到迭代次数或相似度阈值要求:
在第i次迭代训练中,针对每个部位的每一无缺陷风机叶片处理图,基于当前自编码器,根据所述无缺陷风机叶片处理图,得到所述无缺陷风机叶片处理图的重构图;1≤i≤迭代次数;
根据所述无缺陷风机叶片处理图的重构图及各无缺陷风机叶片处理图,计算相似度;
当各部位的相似度均大于或等于对应的相似度阈值,则迭代结束,当前自编码器为自编码器重构模型,否则调整当前自编码器的参数进行下次迭代。
4.根据权利要求2所述的基于自编码器的无监督风机叶片缺陷检测方法,其特征在于,所述自编码器包括编码器和解码器;
所述基于当前自编码器,根据所述无缺陷风机叶片处理图,得到所述无缺陷风机叶片处理图的重构图,具体包括:
将所述无缺陷风机叶片处理图输入编码器进行编码,得到隐向量表示;
所述隐向量表示经过解码器解码,得到所述无缺陷风机叶片处理图的重构图。
5.根据权利要求1所述的基于自编码器的无监督风机叶片缺陷检测方法,其特征在于,所述根据所述样本图片集及自编码器重构模型,确定无缺陷残差阈值,具体包括:
根据所述样本图片集及所述自编码器重构模型,得到各个部位的无缺陷风机叶片图对应的重构图;
根据各个部位的无缺陷风机叶片图及对应的重构图,得到残差直方图;
根据所述残差直方图,确定无缺陷残差阈值。
6.根据权利要求1所述的基于自编码器的无监督风机叶片缺陷检测方法,其特征在于,所述根据所述待检重构图及所述待检测图片,得到残差图,具体包括:
根据所述待检测图片,基于分割网络,确定所述待检测图片的背景区域及风机区域;
将所述背景区域设置为黑色,得到待检风机叶片处理图;
计算所述待检重构图与所述待检风机叶片处理图每个像素点之间的结构相似度SSIM差异,得到残差图。
7.根据权利要求1所述的基于自编码器的无监督风机叶片缺陷检测方法,其特征在于,所述根据所述残差图及所述无缺陷残差阈值,确定所述待检测图片中风机叶片的缺陷区域,具体包括:
判断所述残差图中各残差值与所述无缺陷残差阈值的大小;
若残差值小于所述无缺陷残差阈值,则将所述残差值对应的像素点设置为黑色,否则将所述残差值对应的像素点设置为白色,得到二值化残差图;
根据所述二值化残差图,确定待检测图片中风机叶片的缺陷区域。
8.一种基于自编码器的无监督风机叶片缺陷检测系统,其特征在于,所述基于自编码器的无监督风机叶片缺陷检测系统包括:
采集单元,用于获取样本图片集;所述样本图片集包括各个部位的多帧无缺陷风机叶片图;
训练单元,与所述采集单元连接,用于根据所述样本图片集,对自编码器进行训练,得到自编码器重构模型;
残差阈值确定单元,分别与所述采集单元及所述训练单元连接,用于根据所述样本图片集及自编码器重构模型,确定无缺陷残差阈值;
重构图确定单元,与所述训练单元连接,用于基于所述自编码器重构模型,根据待检测图片,得到待检测图片对应的待检重构图;
残差图确定单元,与所述重构图确定单元连接,用于根据所述待检重构图及所述待检测图片,得到残差图;
缺陷区域确定单元,分别与所述残差图确定单元及所述残差阈值确定单元连接,用于根据所述残差图及所述无缺陷残差阈值,确定所述待检测图片中风机叶片的缺陷区域。
9.根据权利要求8所述的基于自编码器的无监督风机叶片缺陷检测系统,其特征在于,所述训练单元包括:
第一分割模块,与所述采集单元连接,用于针对每个无缺陷风机叶片图,基于分割网络,确定所述无缺陷风机叶片图的背景区域及风机区域;
第一处理模块,与所述分割模块连接,用于将所述背景区域设置为黑色,得到无缺陷风机叶片处理图;
迭代训练模块,与所述处理模块连接,用于根据各部位的无缺陷风机叶片处理图,对所述自编码器进行迭代训练,直至达到迭代次数或相似度阈值要求;
所述迭代训练模块包括:重构图确定子模块,与所述第一处理模块连接,用于在第i次迭代训练中,针对每个部位的每一无缺陷风机叶片处理图,基于当前自编码器,根据所述无缺陷风机叶片处理图,得到所述无缺陷风机叶片处理图的重构图;1≤i≤迭代次数;
计算子模块,与所述重构图确定子模块连接,用于根据所述无缺陷风机叶片处理图的重构图及各无缺陷风机叶片处理图,计算相似度;
迭代子模块,与所述计算子模块连接,用于当各部位的相似度均大于或等于对应的相似度阈值,则迭代结束,当前自编码器为自编码器重构模型,否则调整当前自编码器的参数进行下次迭代。
10.根据权利要求8所述的基于自编码器的无监督风机叶片缺陷检测系统,其特征在于,所述残差图确定单元包括:
第二分割模块,用于根据所述待检测图片,基于分割网络,确定所述待检测图片的背景区域及风机区域;
第二处理模块,与所述第二分割模块连接,用于将所述背景区域设置为黑色,得到待检风机叶片处理图;
计算模块,分别与所述第二处理模块及所述重构图确定单元连接,用于计算所述待检重构图与所述待检风机叶片处理图每个像素点之间的结构相似度SSIM差异,得到残差图。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110649145.4A CN113256602A (zh) | 2021-06-10 | 2021-06-10 | 一种基于自编码器的无监督风机叶片缺陷检测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110649145.4A CN113256602A (zh) | 2021-06-10 | 2021-06-10 | 一种基于自编码器的无监督风机叶片缺陷检测方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113256602A true CN113256602A (zh) | 2021-08-13 |
Family
ID=77187459
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110649145.4A Pending CN113256602A (zh) | 2021-06-10 | 2021-06-10 | 一种基于自编码器的无监督风机叶片缺陷检测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113256602A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114005514A (zh) * | 2021-11-26 | 2022-02-01 | 杭州涿溪脑与智能研究所 | 医学影像诊断方法、系统及装置 |
CN114202544A (zh) * | 2022-02-21 | 2022-03-18 | 聚时科技(江苏)有限公司 | 一种基于自编码器的复杂工件缺陷检测方法 |
CN116883399A (zh) * | 2023-09-06 | 2023-10-13 | 内蒙古晶环电子材料有限公司 | 蓝宝石放肩阶段缺陷视觉检测方法、装置、系统和设备 |
-
2021
- 2021-06-10 CN CN202110649145.4A patent/CN113256602A/zh active Pending
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114005514A (zh) * | 2021-11-26 | 2022-02-01 | 杭州涿溪脑与智能研究所 | 医学影像诊断方法、系统及装置 |
CN114005514B (zh) * | 2021-11-26 | 2022-07-29 | 杭州涿溪脑与智能研究所 | 医学影像诊断方法、系统及装置 |
CN114202544A (zh) * | 2022-02-21 | 2022-03-18 | 聚时科技(江苏)有限公司 | 一种基于自编码器的复杂工件缺陷检测方法 |
CN114202544B (zh) * | 2022-02-21 | 2022-07-05 | 聚时科技(江苏)有限公司 | 一种基于自编码器的复杂工件缺陷检测方法 |
CN116883399A (zh) * | 2023-09-06 | 2023-10-13 | 内蒙古晶环电子材料有限公司 | 蓝宝石放肩阶段缺陷视觉检测方法、装置、系统和设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113256602A (zh) | 一种基于自编码器的无监督风机叶片缺陷检测方法及系统 | |
CN111080598B (zh) | 一种钩尾销安全吊的螺栓、螺母缺失检测方法 | |
CN111784633B (zh) | 一种面向电力巡检视频的绝缘子缺损自动检测算法 | |
CN109344753A (zh) | 一种基于深度学习的航拍图像输电线路细小金具识别方法 | |
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 | |
CN111383209A (zh) | 一种基于全卷积自编码器网络的无监督瑕疵检测方法 | |
CN110751630B (zh) | 基于深度学习的输电线路异物检测方法、装置及介质 | |
CN109376773A (zh) | 基于深度学习的裂纹检测方法 | |
CN111862013B (zh) | 基于深度卷积神经网络的绝缘子检测方法、装置及设备 | |
CN111639530B (zh) | 一种输电线路的输电塔和绝缘子的检测和识别方法及系统 | |
CN111080621B (zh) | 一种铁路货车地板破损故障图像识别方法 | |
CN114419014A (zh) | 基于特征重构的表面缺陷检测方法 | |
CN109741322A (zh) | 一种基于机器学习的能见度测量方法 | |
CN113327241B (zh) | 一种轴承端面的表面缺陷视觉检测方法及系统 | |
CN113139572B (zh) | 一种基于图像的列车空气弹簧的故障检测方法 | |
CN117788950A (zh) | 基于改进YOLOv8模型的路面病害检测方法 | |
CN112669269A (zh) | 一种基于图像识别的管道缺陷分类分级方法及系统 | |
CN109934172B (zh) | 高速列车受电弓免gps全运行线故障视觉检测定位方法 | |
CN113034359A (zh) | 发电机组定转子缺陷智能诊断方法、装置、计算机设备及存储介质 | |
CN116758425A (zh) | 一种大基地光伏电站自动验收方法和装置 | |
CN111028250A (zh) | 一种实时智能验布方法及系统 | |
CN112132088B (zh) | 一种巡检点位漏巡识别方法 | |
CN115830514A (zh) | 一种适用于带弯曲河道的全河段表面流速计算方法及系统 | |
CN115937492A (zh) | 一种基于特征识别的变电设备红外图像识别方法 | |
CN115375945A (zh) | 一种水面油污识别和污染面积测算方法 |
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 |