CN113393430A - 用于风机叶片缺陷检测的热成像图像增强训练方法和装置 - Google Patents

用于风机叶片缺陷检测的热成像图像增强训练方法和装置 Download PDF

Info

Publication number
CN113393430A
CN113393430A CN202110642148.5A CN202110642148A CN113393430A CN 113393430 A CN113393430 A CN 113393430A CN 202110642148 A CN202110642148 A CN 202110642148A CN 113393430 A CN113393430 A CN 113393430A
Authority
CN
China
Prior art keywords
fan blade
thermal imaging
edge
image
imaging image
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
Application number
CN202110642148.5A
Other languages
English (en)
Other versions
CN113393430B (zh
Inventor
张沛
莫堃
王立闻
彭凡
徐娜
明仕林
杨霄
官雪梅
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Dongfang Electric Yangtze River Delta Hangzhou Innovation Research Institute Co ltd
Dongfang Electric Group Research Institute of Science and Technology Co Ltd
Original Assignee
Dongfang Electric Group Research Institute of Science and Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Dongfang Electric Group Research Institute of Science and Technology Co Ltd filed Critical Dongfang Electric Group Research Institute of Science and Technology Co Ltd
Priority to CN202110642148.5A priority Critical patent/CN113393430B/zh
Publication of CN113393430A publication Critical patent/CN113393430A/zh
Application granted granted Critical
Publication of CN113393430B publication Critical patent/CN113393430B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • 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
    • 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
    • G06T5/00—Image enhancement or restoration
    • G06T5/77—Retouching; Inpainting; Scratch removal
    • 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
    • G06T7/10—Segmentation; Edge detection
    • G06T7/12—Edge-based segmentation
    • 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
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection
    • G06T2207/30164—Workpiece; Machine component
    • 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
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E10/00—Energy generation through renewable energy sources
    • Y02E10/70—Wind energy
    • Y02E10/72—Wind turbines with rotation axis in wind direction

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种用于风机叶片缺陷检测的热成像图像增强训练方法和装置，本发明属风力发电机技术领域，包括风机叶片提取步骤，获取待检测风机叶片的热成像图像，对所述热成像图像进行图像进行分割并提取热成像图像中风机叶片边缘区域，根据风机叶片的边缘区域提取热成像图像中的风机叶片图像；风机叶片边缘确定步骤，将所述风机叶片提取步骤中提取的风机叶片图像边缘区域进行灰度值求导，并根据灰度值求导结果确定风机叶片边缘的像素点，提取得到风机叶片的边缘；图像增强步骤，将所述风机叶片边缘确定步骤中提取的热成像图像的风机叶片边缘，进行邻域卷积处理，计算出风机叶片边缘每一个位置与其上下、左右相邻位置的灰度差，实现对风机叶片边缘的极值检测，去掉所述风机叶片提取步骤中提取的热成像图像的风机叶片边缘中的伪边缘，得到图像增强模型。

Description

用于风机叶片缺陷检测的热成像图像增强训练方法和装置
技术领域
本发明涉及风力发电机技术领域，尤其涉及一种用于风机叶片缺陷检测的热成像图像增强训练方法和装置。
背景技术
风能是一种重要的可再生能源，随着我国风能市场的扩大，风机制造业逐渐进入高速发展期。风力发电机的寿命和安全性影响着风电利用和发展的脚步，风机叶片是风力发电机的核心部件，其寿命和安全性直接影响着整个风电机组的寿命和安全状况。由于风电场运行环境比较复杂，风机叶片全天候在高空运行，长期接收风沙、污染、雷击以及台风等各种因素的影响，风机叶片容易出现缺陷并逐步扩展，若未能及时发现，容易造成叶片甚至主机严重事故，最终降低叶片的寿命和运行安全性。
目前，现有的风机叶片检测模型通常采用人工标注的方法，或者在粗处理的基础上进一步进行人工标注的方式，以使得神经网络模型学习样本数据中的特征，从而对神经网络模型进行优化。该方式需要耗费大量的人力资源成本，并且所得到的模型鲁棒性也较低，导致通过模型对叶片的检测结果精度不高。
发明内容
本发明的目的在于针对现有技术的缺陷，本发明的目的在于提出一种用于风机叶片缺陷检测的热成像图像增强训练方法和装置以及设备，能够降低了对样本进行人工标注所需的人力成本，而且大大提高了叶片图像检测模型的精度。
本发明提供的一种用于风机叶片缺陷检测的热成像图像增强训练方法，包括以下步骤：
风机叶片提取步骤，获取待检测风机叶片的热成像图像，获取的热成像图像中应当有风机叶片且叶片清晰，对所述热成像图像进行图像进行分割并提取热成像图像中风机叶片边缘区域，根据风机叶片的边缘区域提取热成像图像中的风机叶片图像；
优选地，所述风机叶片提取步骤中，根据风机叶片的边缘区域提取热成像图像中的风机叶片，是根据风机叶片的边缘区域所在位置，将热成像图像中的边缘区域以外的背景去除，提到得到图像中的风机叶片图像。
具体的，所述风机叶片提取步骤中，获取待检测风机叶片的热成像图像后，对热成像图像进行二值化处理、以及将二值化处理后的热成像图像划分为N*n个图格，哪一步先进行都可以，其中N和n是可以根据设计需求和精度要求进行调整的，原则是划分的每一个图格尺寸不小于每个像素点，然后将每一个图格的中间与根据先验阈值设定的属于风机叶片边缘区域图格的灰度判定阈值进行比较，判定热成像图像中所有属于风机叶片边缘区域的图格，其中，每一个图格的中间灰度值是指图格中所包含的所有灰度值中处于中位数或者比重最大的灰度值。
风机叶片边缘确定步骤，将所述风机叶片提取步骤中提取的风机叶片图像边缘区域进行灰度值求导，并根据灰度值求导结果确定风机叶片边缘的像素点，提取得到风机叶片的边缘。
具体的，所述风机叶片边缘确定步骤中，首先对风机叶片图像进行二值化处理，然后对二值化处理后的图像逐个像素点进行灰度值求导处理，并将灰度值求导的结果与根据先验阈值设定的风机叶片边缘像素点的灰度求导判定阈值进行比较，判定热成像图像中所有属于风机叶片边缘的像素点，即构成热成像图像中风机叶片的边缘。
更进一步的，所述风机叶片边缘确定步骤中对热成像图像的灰度值进行求导，具体的，是对对热成像图像进行二值化处理后，对经过二值化处理的热成像图像设立二维坐标系，并将热成像图像中每个像素点都用二维坐标(x，y)来表示，一张图像有x方向和y方向也可以称为(x，y)坐标，求导只能求一个方向，所以建立二维的(x，y)两个方向的导数对应二值化的像素点，任意方向的导数超过设定值都可以判定该点为边缘点，然后利用梯度公式
Figure BDA0003108362080000021
计算每一个像素点的梯度的模，对应得到每一个像素点灰度值的变换率，其中，整体的梯度f的长度为M(x，y)，则
Figure BDA0003108362080000022
其中
Figure BDA0003108362080000023
分别表示在x方向上求导和早y方向上求导，灰度值的变换率即为灰度值求导的结果，对应的，所述灰度求导判定阈值为设定的变换率值。
当然，出于节省算力、降低实现成本、或者针对于进度要求没有那么高的使用场景而言，所述风机叶片边缘确定步骤中，还可以是，对风机叶片图像进行二值化处理、以及将二值化处理后的热成像图像划分为N*n个图格，哪一步先进行都可以，其中N和n是可以根据设计需求和精度要求进行调整的，原则是划分的每一个图格尺寸不小于每个像素点，然后对每一个图格的中间灰度值进行求导，并将灰度值求导的结果与根据先验阈值设定的风机叶片边缘图格的灰度求导判定阈值进行比较，判定热成像图像中所有属于风机叶片边缘的图格，所有判定出的图格即围成热成像图像中风机叶片的边缘，其中，每一个图格的中间灰度值是指图格中所包含的所有灰度值中处于中位数或者比重最大的灰度值。
图像增强步骤，将所述风机叶片边缘确定步骤中提取的热成像图像的风机叶片边缘，进行邻域卷积处理，计算出风机叶片边缘每一个位置与其上下、左右相邻位置的灰度差，实现对风机叶片边缘的极值检测，去掉所述风机叶片提取步骤中提取的热成像图像的风机叶片边缘中的伪边缘，得到图像增强模型。
所述图像增强步骤，是通过Prewitt算子对所述风机叶片提取步骤中提取的热成像图像的风机叶片边缘进行邻域卷积处理的，Prewitt算子是一种一阶微分算子的边缘检测，利用像素点上下、左右邻点的灰度差，在边缘处达到极值检测边缘，去掉部分伪边缘，对噪声具有平滑作用，其原理是在图像空间利用两个方向模板与图像进行邻域卷积来完成的，这两个方向模板一个检测水平边缘，一个检测垂直边缘，具体的：
是根据梯度值计算公式
Figure BDA0003108362080000031
或者P(xi,yj)＝G(xi)+G(yj)来对所述风机叶片提取步骤中提取的热成像图像的风机叶片边缘每一个像素点进行处理，计算每一个像素点与其上下、左右相邻像素点间的灰度差，完成边缘像素点极值检测，其中，
G(xi)＝|[f(xi-1,yj-1)+f(xi-1,yj)+f(xi-1,yj+1)]-[f(xi+1,yj-1)+f(xi+1,yj)+f(xi+1,yj+1)]|
G(yj)＝|[f(xi-1,yj+1)+f(xi,yj+1)+f(xi+1,yj+1)]-[f(xi-1,yj-1)+f(xi,yj-1)+f(xi+1,yj-1)]|
i表示二维坐标系中第i行，j表示二维坐标系中第j列。
对应上述用于风机叶片缺陷检测的热成像图像增强训练方法，本发明还提供了一种用于风机叶片缺陷检测的热成像图像增强训练装置，包括用于获取风机叶片热成像图像的图像获取单元，用于对热成像图像中风机叶片进行提取的提取单元，用于对热成像图像进行二值化处理、并通过灰度值求导对热成像图像中风机叶片进行边缘提取的确定单元，以及用于对边缘提取后热成像图像中风机叶片边缘进行邻域卷积处理、实现对风机叶片边缘的极值检测去掉风机叶片边缘中的伪边缘并最终得到图像增强模型的处理单元；所述提取单元用于对热成像图像中风机叶片边缘区域进行识别和提取，所述确定单元用于对风机叶片边缘区域行识灰度值求导判断像素点或图格是否属于风机叶片边缘。
以及，本发明还提供了一种用于风机叶片缺陷检测的热成像图像增强训练设备，其特征在于，包括处理器、存储器以及存储在所述存储器内的计算机程序，所述计算机程序能够被所述处理器执行以实现上述的用于风机叶片缺陷检测的热成像图像增强训练方法。
与现有技术方案相比本发明的技术方案至少具有以下优点：
以上方案，获取风机叶片的热成像图像，对所述热成像图像进行提取边缘图像处理，得到以疑似叶片边缘、包含叶片所在区域且去除背景的的第一图像，能够使得整个图像只有风机叶片部分，没有背景环境的影响，从而达到提高叶片图像检测模型的准确率；通过灰度值求导数确定所述第一图像中的叶片的准确边缘，得到第二图像，对所述第二图像进行边缘检测处理实现对风机叶片边缘的极值检测，得到图像增强模型，能够降低了对样本进行人工标注所需的人力成本，而且大大提高了叶片图像检测模型的精度。
附图说明
本发明的前述和下文具体描述在结合以下附图阅读时变得更清楚，附图中：
图1为本发明一实施例提供的一种用于风机叶片缺陷检测的热成像图像增强训练方法的流程示意图。
图2为本发明一实施例通过热成像相机获取风机叶片的热成像图像示意图。
图3为本发明一实施例通过热成像相机获取风机叶片的热成像图像示意图。
图4为本发明一实施例提供的一种用于风机叶片缺陷检测的热成像图像增强训练装置的结构示意图。
具体实施方式
下面通过几个具体的实施例来进一步说明实现本发明目的技术方案，需要说明的是，本发明要求保护的技术方案包括但不限于以下实施例。
本实施例提供一种用于风机叶片缺陷检测的热成像图像增强训练方法能够降低了对样本进行人工标注所需的人力成本，而且大大提高了叶片图像检测模型的精度。
参照图1，为本实施例这种用于风机叶片缺陷检测的热成像图像增强训练方法，包括以下步骤：
步骤S11，在具体实施时，通过热成像相机获取风机叶片的热成像图像，用以后续的训练，参照图2、图3所示为通过热成像相机获取风机叶片的热成像图像示意图，从图中可以明显观察到风机叶片存在的缺陷，其中，a1为表面缺陷、a2为气泡缺陷。因此，通过热成像相机获取风机叶片的热成像图像用以后续训练模型提供可靠的基础。
步骤S12，对所述热成像图像进行提取边缘图像处理，根据风机叶片的边缘区域提取热成像图像中的风机叶片图像作为第一图像。
其中，所述对所述热成像图像进行提取图像边缘处理，得到风机叶片图像的步骤包括：根据风机叶片的边缘区域所在位置，将热成像图像中的边缘区域以外的背景去除，提到得到图像中的风机叶片图像，具体的，一种优选地可实现方案，获取待检测风机叶片的热成像图像后，对热成像图像进行二值化处理、以及将二值化处理后的热成像图像划分为N*n个图格，哪一步先进行都可以，其中N和n是可以根据设计需求和精度要求进行调整的，原则是划分的每一个图格尺寸不小于每个像素点，然后将每一个图格的中间与根据先验阈值设定的属于风机叶片边缘区域图格的灰度判定阈值进行比较，判定热成像图像中所有属于风机叶片边缘区域的图格，其中，每一个图格的中间灰度值是指图格中所包含的所有灰度值中处于中位数或者比重最大的灰度值。
步骤S13，将所述风机叶片提取步骤中提取的风机叶片图像边缘区域(即上述第一图像)进行灰度值求导，并根据灰度值求导结果确定风机叶片边缘的像素点，提取得到风机叶片的边缘，即第二图像。
具体的，所述风机叶片边缘确定步骤中，首先对风机叶片图像进行二值化处理，然后对二值化处理后的图像逐个像素点进行灰度值求导处理，并将灰度值求导的结果与根据先验阈值设定的风机叶片边缘像素点的灰度求导判定阈值进行比较，判定热成像图像中所有属于风机叶片边缘的像素点，即构成热成像图像中风机叶片的边缘。
更进一步的，所述风机叶片边缘确定步骤中对热成像图像的灰度值进行求导，具体的，是对对热成像图像进行二值化处理后，对经过二值化处理的热成像图像设立二维坐标系，并将热成像图像中每个像素点都用二维坐标(x，y)来表示，一张图像有x方向和y方向也可以称为(x，y)坐标，求导只能求一个方向，所以建立二维的(x，y)两个方向的导数对应二值化的像素点，任意方向的导数超过设定值都可以判定该点为边缘点，然后利用梯度公式
Figure BDA0003108362080000061
计算每一个像素点的梯度的模，对应得到每一个像素点灰度值的变换率，其中，整体的梯度f的长度为M(x，y)，则
Figure BDA0003108362080000062
其中
Figure BDA0003108362080000063
分别表示在x方向上求导和早y方向上求导，灰度值的变换率即为灰度值求导的结果，对应的，所述灰度求导判定阈值为设定的变换率值。
当然，出于节省算力、降低实现成本、或者针对于进度要求没有那么高的使用场景而言，所述风机叶片边缘确定步骤中，还可以是，对风机叶片图像进行二值化处理、以及将二值化处理后的热成像图像划分为N*n个图格，哪一步先进行都可以，其中N和n是可以根据设计需求和精度要求进行调整的，原则是划分的每一个图格尺寸不小于每个像素点，然后对每一个图格的中间灰度值进行求导，并将灰度值求导的结果与根据先验阈值设定的风机叶片边缘图格的灰度求导判定阈值进行比较，判定热成像图像中所有属于风机叶片边缘的图格，所有判定出的图格即围成热成像图像中风机叶片的边缘，其中，每一个图格的中间灰度值是指图格中所包含的所有灰度值中处于中位数或者比重最大的灰度值。
步骤S14，将所述风机叶片边缘确定步骤中提取的热成像图像的风机叶片边缘，进行邻域卷积处理，计算出风机叶片边缘每一个位置与其上下、左右相邻位置的灰度差，实现对风机叶片边缘的极值检测，去掉所述风机叶片提取步骤中提取的热成像图像的风机叶片边缘中的伪边缘，得到图像增强模型。
具体的，是通过Prewitt算子对所述风机叶片提取步骤中提取的热成像图像的风机叶片边缘进行邻域卷积处理的，Prewitt算子是一种一阶微分算子的边缘检测，利用像素点上下、左右邻点的灰度差，在边缘处达到极值检测边缘，去掉部分伪边缘，对噪声具有平滑作用，其原理是在图像空间利用两个方向模板与图像进行邻域卷积来完成的，这两个方向模板一个检测水平边缘，一个检测垂直边缘，具体的：
是根据梯度值计算公式
Figure BDA0003108362080000071
或者P(xi,yj)＝G(xi)+G(yj)来对所述风机叶片提取步骤中提取的热成像图像的风机叶片边缘每一个像素点进行处理，计算每一个像素点与其上下、左右相邻像素点间的灰度差，完成边缘像素点极值检测，其中，
G(xi)＝|[f(xi-1,yj-1)+f(xi-1,yj)+f(xi-1,yj+1)]-[f(xi+1,yj-1)+f(xi+1,yj)+f(xi+1,yj+1)]|
G(yj)＝|[f(xi-1,yj+1)+f(xi,yj+1)+f(xi+1,yj+1)]-[f(xi-1,yj-1)+f(xi,yj-1)+f(xi+1,yj-1)]|
i表示二维坐标系中第i行，j表示二维坐标系中第j列。
风机叶片图像的训练得到的图像增强模型用于对待检测图像进行检测，大大提高了叶片图像检测模型的精度。
本实施例提供一种用于风机叶片缺陷检测的热成像图像增强训练方法获取风机叶片的热成像图像，对所述热成像图像进行提取边缘图像处理，得到以疑似叶片边缘、包含叶片所在区域且去除背景的的第一图像，能够使得整个图像只有风机叶片部分，没有背景环境的影响，从而达到提高叶片图像检测模型的准确率；通过灰度值求导数确定所述第一图像中的叶片的准确边缘，得到第二图像，对所述第二图像进行边缘检测处理实现对风机叶片边缘的极值检测，得到图像增强模型，能够降低了对样本进行人工标注所需的人力成本，而且大大提高了叶片图像检测模型的精度。
进一步的，对应上述方法本实施例还提供了一种用于风机叶片缺陷检测的热成像图像增强训练装置，包括用于获取风机叶片热成像图像的图像获取单元，用于对热成像图像中风机叶片进行提取的提取单元，用于对热成像图像进行二值化处理、并通过灰度值求导对热成像图像中风机叶片进行边缘提取的确定单元，以及用于对边缘提取后热成像图像中风机叶片边缘进行邻域卷积处理、实现对风机叶片边缘的极值检测去掉风机叶片边缘中的伪边缘并最终得到图像增强模型的处理单元；所述提取单元用于对热成像图像中风机叶片边缘区域进行识别和提取，所述确定单元用于对风机叶片边缘区域行识灰度值求导判断像素点或图格是否属于风机叶片边缘。
以及，还提供了一种用于风机叶片缺陷检测的热成像图像增强训练设备，其特征在于，包括处理器、存储器以及存储在所述存储器内的计算机程序，所述计算机程序能够被所述处理器执行以实现上述的用于风机叶片缺陷检测的热成像图像增强训练方法。
所述用于风机叶片缺陷检测的热成像图像增强训练设备可包括但不仅限于处理器、存储器。本领域技术人员可以理解，所述示意图仅仅是用于风机叶片缺陷检测的热成像图像增强训练设备的示例，并不构成对用于风机叶片缺陷检测的热成像图像增强训练设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述用于风机叶片缺陷检测的热成像图像增强训练设备还可以包括输入输出设备、网络接入设备、总线等。
所称处理器可以是中央处理单元(CentralProcessingUnit，CPU)，还可以是其他通用处理器、数字信号处理器(DigitalSignalProcessor，DSP)、专用集成电路(ApplicationSpecificIntegratedCircuit，ASIC)、现成可编程门阵列(Field-ProgrammableGateArray，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等，所述用于风机叶片缺陷检测的热成像图像增强训练设备的控制中心，利用各种接口和线路连接整个用于风机叶片缺陷检测的热成像图像增强训练设备的各个部分。
所述存储器可用于存储所述计算机程序和/或模块，所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块，以及调用存储在存储器内的数据，实现所述用于风机叶片缺陷检测的热成像图像增强训练设备的各种功能。所述存储器可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据手机的使用所创建的数据(比如音频数据、电话本等)等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡(SmartMediaCard,SMC)，安全数字(SecureDigital,SD)卡，闪存卡(FlashCard)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
其中，所述用于风机叶片缺陷检测的热成像图像增强训练设备集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。
需说明的是，以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。另外，本发明提供的装置实施例附图中，模块之间的连接关系表示它们之间具有通信连接，具体可以实现为一条或多条通信总线或信号线。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。
上述实施例中的实施方案可以进一步组合或者替换，且实施例仅仅是对本发明的优选实施例进行描述，并非对本发明的构思和范围进行限定，在不脱离本发明设计思想的前提下，本领域中专业技术人员对本发明的技术方案作出的各种变化和改进，均属于本发明的保护范围。

Claims (9)

1.用于风机叶片缺陷检测的热成像图像增强训练方法，其特征在于，包括以下步骤：
风机叶片提取步骤，获取待检测风机叶片的热成像图像，对所述热成像图像进行图像进行分割并提取热成像图像中风机叶片边缘区域，根据风机叶片的边缘区域提取热成像图像中的风机叶片图像；
风机叶片边缘确定步骤，将所述风机叶片提取步骤中提取的风机叶片图像边缘区域进行灰度值求导，并根据灰度值求导结果确定风机叶片边缘的像素点，提取得到风机叶片的边缘；
图像增强步骤，将所述风机叶片边缘确定步骤中提取的热成像图像的风机叶片边缘，进行邻域卷积处理，计算出风机叶片边缘每一个位置与其上下、左右相邻位置的灰度差，实现对风机叶片边缘的极值检测，去掉所述风机叶片提取步骤中提取的热成像图像的风机叶片边缘中的伪边缘，得到图像增强模型。
2.如权利要求1所述的用于风机叶片缺陷检测的热成像图像增强训练方法，其特征在于：所述风机叶片提取步骤中，根据风机叶片的边缘区域提取热成像图像中的风机叶片，是根据风机叶片的边缘区域所在位置，将热成像图像中的边缘区域以外的背景去除，提到得到图像中的风机叶片图像。
3.如权利要求1或2所述的用于风机叶片缺陷检测的热成像图像增强训练方法，其特征在于：所述风机叶片提取步骤中，获取待检测风机叶片的热成像图像后，对热成像图像进行二值化处理、以及将二值化处理后的热成像图像划分为N*n个图格，然后将每一个图格的中间与根据先验阈值设定的属于风机叶片边缘区域图格的灰度判定阈值进行比较，判定热成像图像中所有属于风机叶片边缘区域的图格。
4.如权利要求1所述的用于风机叶片缺陷检测的热成像图像增强训练方法，其特征在于：所述风机叶片边缘确定步骤中，首先对风机叶片图像进行二值化处理，然后对二值化处理后的图像逐个像素点进行灰度值求导处理，并将灰度值求导的结果与根据先验阈值设定的风机叶片边缘像素点的灰度求导判定阈值进行比较，判定热成像图像中所有属于风机叶片边缘的像素点，即构成热成像图像中风机叶片的边缘。
5.如权利要求1或4所述的用于风机叶片缺陷检测的热成像图像增强训练方法，其特征在于：所述风机叶片边缘确定步骤中对热成像图像的灰度值进行求导，具体的，是对对热成像图像进行二值化处理后，对经过二值化处理的热成像图像设立二维坐标系，并将热成像图像中每个像素点都用二维坐标(x，y)来表示，一张图像有x方向和y方向也可以称为(x，y)坐标，求导只能求一个方向，所以建立二维的(x，y)两个方向的导数对应二值化的像素点，任意方向的导数超过设定值都可以判定该点为边缘点，然后利用梯度公式
Figure FDA0003108362070000021
计算每一个像素点的梯度的模，对应得到每一个像素点灰度值的变换率，其中，整体的梯度f的长度为M(x，y)，则
Figure FDA0003108362070000022
其中
Figure FDA0003108362070000023
分别表示在x方向上求导和早y方向上求导，灰度值的变换率即为灰度值求导的结果，对应的，所述灰度求导判定阈值为设定的变换率值。
6.如权利要求1或4所述的用于风机叶片缺陷检测的热成像图像增强训练方法，其特征在于：所述风机叶片边缘确定步骤中，对风机叶片图像进行二值化处理、以及将二值化处理后的热成像图像划分为N*n个图格，然后对每一个图格的中间灰度值进行求导，并将灰度值求导的结果与根据先验阈值设定的风机叶片边缘图格的灰度求导判定阈值进行比较，判定热成像图像中所有属于风机叶片边缘的图格，所有判定出的图格即围成热成像图像中风机叶片的边缘。
7.如权利要求1所述的用于风机叶片缺陷检测的热成像图像增强训练方法，其特征在于，所述图像增强步骤，是通过Prewitt算子对所述风机叶片提取步骤中提取的热成像图像的风机叶片边缘进行邻域卷积处理的，具体的：
是根据梯度值计算公式
Figure FDA0003108362070000024
或者P(xi,yj)＝G(xi)+G(yj)来对所述风机叶片提取步骤中提取的热成像图像的风机叶片边缘每一个像素点进行处理，计算每一个像素点与其上下、左右相邻像素点间的灰度差，完成边缘像素点极值检测，其中，
G(xi)＝|[f(xi-1,yj-1)+f(xi-1,yj)+f(xi-1,yj+1)]-[f(xi+1,yj-1)+f(xi+1,yj)+f(xi+1,yj+1)]|
G(yj)＝|[f(xi-1,yj+1)+f(xi,yj+1)+f(xi+1,yj+1)]-[f(xi-1,yj-1)+f(xi,yj-1)+f(xi+1,yj-1)]|
i表示二维坐标系中第i行，j表示二维坐标系中第j列。
8.用于风机叶片缺陷检测的热成像图像增强训练装置，其特征在于：包括用于获取风机叶片热成像图像的图像获取单元，用于对热成像图像中风机叶片进行提取的提取单元，用于对热成像图像进行二值化处理、并通过灰度值求导对热成像图像中风机叶片进行边缘提取的确定单元，以及用于对边缘提取后热成像图像中风机叶片边缘进行邻域卷积处理、实现对风机叶片边缘的极值检测去掉风机叶片边缘中的伪边缘并最终得到图像增强模型的处理单元；所述提取单元用于对热成像图像中风机叶片边缘区域进行识别和提取，所述确定单元用于对风机叶片边缘区域行识灰度值求导判断像素点或图格是否属于风机叶片边缘。
9.用于风机叶片缺陷检测的热成像图像增强训练设备，其特征在于：包括处理器、存储器以及存储在所述存储器内的计算机程序，所述计算机程序能够被所述处理器执行以实现上述的用于风机叶片缺陷检测的热成像图像增强训练方法。
CN202110642148.5A 2021-06-09 2021-06-09 用于风机叶片缺陷检测的热成像图像增强训练方法和装置 Active CN113393430B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110642148.5A CN113393430B (zh) 2021-06-09 2021-06-09 用于风机叶片缺陷检测的热成像图像增强训练方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110642148.5A CN113393430B (zh) 2021-06-09 2021-06-09 用于风机叶片缺陷检测的热成像图像增强训练方法和装置

Publications (2)

Publication Number Publication Date
CN113393430A true CN113393430A (zh) 2021-09-14
CN113393430B CN113393430B (zh) 2023-05-12

Family

ID=77620008

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110642148.5A Active CN113393430B (zh) 2021-06-09 2021-06-09 用于风机叶片缺陷检测的热成像图像增强训练方法和装置

Country Status (1)

Country Link
CN (1) CN113393430B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114937027A (zh) * 2022-06-20 2022-08-23 创新奇智(上海)科技有限公司 风机叶片缺陷检测的方法、装置、电子设备及存储介质
CN115690130A (zh) * 2022-12-30 2023-02-03 杭州咏柳科技有限公司 一种图像处理方法和装置

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107729907A (zh) * 2016-08-12 2018-02-23 南京理工大学 一种基于红外热成像系统的故障识别方法
CN108961291A (zh) * 2018-08-10 2018-12-07 广东工业大学 一种图像边缘检测的方法、系统及相关组件
CN109101854A (zh) * 2018-06-25 2018-12-28 华南理工大学 一种多条形码定位方法
CN109117858A (zh) * 2017-06-26 2019-01-01 北京金风科创风电设备有限公司 监测风力发电机叶片结冰的方法及装置
CN110910349A (zh) * 2019-10-23 2020-03-24 南通大学 一种基于航拍视觉的风电机组状态获取方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112098416A (zh) * 2020-08-21 2020-12-18 深圳大学 一种基于机器视觉的风机叶片缺陷检测方法及系统

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107729907A (zh) * 2016-08-12 2018-02-23 南京理工大学 一种基于红外热成像系统的故障识别方法
CN109117858A (zh) * 2017-06-26 2019-01-01 北京金风科创风电设备有限公司 监测风力发电机叶片结冰的方法及装置
CN109101854A (zh) * 2018-06-25 2018-12-28 华南理工大学 一种多条形码定位方法
CN108961291A (zh) * 2018-08-10 2018-12-07 广东工业大学 一种图像边缘检测的方法、系统及相关组件
CN110910349A (zh) * 2019-10-23 2020-03-24 南通大学 一种基于航拍视觉的风电机组状态获取方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
毛希玮 等: "基于无人机的风机叶片缺陷自动检测技术", 《复合材料科学与工程》 *
琦格琦: "基于红外热成像技术的风力机叶片涂层损伤监测的研究", 《中国优秀硕士学位论文全文数据库（电子期刊）工程科技II辑》 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114937027A (zh) * 2022-06-20 2022-08-23 创新奇智(上海)科技有限公司 风机叶片缺陷检测的方法、装置、电子设备及存储介质
CN114937027B (zh) * 2022-06-20 2024-03-15 创新奇智(上海)科技有限公司 风机叶片缺陷检测的方法、装置、电子设备及存储介质
CN115690130A (zh) * 2022-12-30 2023-02-03 杭州咏柳科技有限公司 一种图像处理方法和装置

Also Published As

Publication number Publication date
CN113393430B (zh) 2023-05-12

Similar Documents

Publication Publication Date Title
CN109670500B (zh) 一种文字区域获取方法、装置、存储介质及终端设备
CN108121991B (zh) 一种基于边缘候选区域提取的深度学习舰船目标检测方法
CN102999886B (zh) 图像边缘检测器及标尺光栅栅线精度检测系统
CN108564579B (zh) 一种基于时空相关的混凝土裂缝检测方法及检测装置
CN109919002B (zh) 黄色禁停线识别方法、装置、计算机设备及存储介质
CN106709500B (zh) 一种图像特征匹配的方法
CN110472580B (zh) 基于全景影像的检测车位的方法、装置、存储介质
CN107038416B (zh) 一种基于二值图像改进型hog特征的行人检测方法
CN113393430B (zh) 用于风机叶片缺陷检测的热成像图像增强训练方法和装置
CN107704797B (zh) 基于安防视频中行人和车辆的实时检测方法和系统及设备
CN105303153A (zh) 一种车辆车牌识别方法及装置
CN105160682A (zh) 图像边缘检测方法及装置
CN116168351B (zh) 电力设备巡检方法及装置
CN111950523A (zh) 基于航拍的船只检测优化方法、装置、电子设备及介质
CN112132892B (zh) 目标位置标注方法、装置及设备
CN111597939B (zh) 一种基于深度学习的高铁线路鸟窝缺陷检测方法
CN113378837A (zh) 车牌遮挡识别方法、装置、电子设备和存储介质
CN115761613B (zh) 一种基于卷积网络的隧道裂缝自动检测方法
CN103778629A (zh) 一种非相参雷达图像的背景模型实时更新方法
CN114862889A (zh) 基于遥感图像的道路边缘提取方法和装置
CN112183556B (zh) 一种基于空间聚类与分水岭变换的港口矿堆轮廓提取方法
CN114627463A (zh) 一种基于机器识别的非接触式配电数据识别方法
CN111523583B (zh) 一种利用无人机对设备铭牌照片自动识别分类的方法
CN110276260B (zh) 一种基于深度摄像头的商品检测方法
CN114240924A (zh) 一种基于数字化技术的电网设备质量评估方法

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
TR01 Transfer of patent right

Effective date of registration: 20240612

Address after: 610000 East Section of Ningbo Road, Zhengxing Street, Tianfu New Area, Chengdu, Sichuan, China (Sichuan) Pilot Free Trade Zone

Patentee after: Dongfang Electric Group Research Institute of science and Technology Co.,Ltd.

Country or region after: China

Patentee after: Dongfang Electric Yangtze River Delta (Hangzhou) Innovation Research Institute Co.,Ltd.

Address before: 610000 China (Sichuan) pilot Free Trade Zone, Chengdu, Sichuan

Patentee before: Dongfang Electric Group Research Institute of science and Technology Co.,Ltd.

Country or region before: China