CN113393431A - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN113393431A CN113393431A CN202110643548.8A CN202110643548A CN113393431A CN 113393431 A CN113393431 A CN 113393431A CN 202110643548 A CN202110643548 A CN 202110643548A CN 113393431 A CN113393431 A CN 113393431A
- Authority
- CN
- China
- Prior art keywords
- image
- thermal imaging
- processing
- imaging image
- fan blade
- 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
- 238000001931 thermography Methods 0.000 title claims abstract description 92
- 230000007547 defect Effects 0.000 title claims abstract description 41
- 238000012549 training Methods 0.000 title claims abstract description 41
- 238000000034 method Methods 0.000 title claims abstract description 39
- 238000001514 detection method Methods 0.000 title claims abstract description 33
- 238000012545 processing Methods 0.000 claims abstract description 82
- 238000001914 filtration Methods 0.000 claims abstract description 30
- 238000003707 image sharpening Methods 0.000 claims abstract description 14
- 230000003321 amplification Effects 0.000 claims abstract description 8
- 238000003199 nucleic acid amplification method Methods 0.000 claims abstract description 8
- 230000006870 function Effects 0.000 claims description 41
- 230000009466 transformation Effects 0.000 claims description 22
- 238000004590 computer program Methods 0.000 claims description 12
- 230000003416 augmentation Effects 0.000 claims description 9
- 238000003708 edge detection Methods 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 8
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 238000009826 distribution Methods 0.000 claims description 6
- 238000012886 linear function Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 238000003860 storage Methods 0.000 description 6
- 239000000306 component Substances 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000002372 labelling Methods 0.000 description 3
- 241000277284 Salvelinus fontinalis Species 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 238000011946 reduction process Methods 0.000 description 2
- 208000025274 Lightning injury Diseases 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 239000008358 core component Substances 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003014 reinforcing effect Effects 0.000 description 1
- 239000004576 sand Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
- 238000012795 verification 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
- 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
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 Processing (AREA)
- Image Analysis (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,本发明属于风力发电机技术领域,包括:步骤1,获取待检测风机叶片的热成像图像,并对热成像图像进行图像增广处理,增加热成像图像的数据量;步骤2,对经过步骤1图像增广处理后的热成像图像进行二值化处理,然后通过高斯滤波处理消除热成像图像中的高斯噪声,然后对高斯滤波处理后的图像再进行线性灰度增强处理;步骤3,对经过步骤2处理的图像进一步进行图像锐化处理,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。
Description
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:
步骤1,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,并对热成像图像进行图像增广处理,增加热成像图像的数据量;
具体的,所述步骤1中,对所述热成像图像进行图像增广处理包括:对所述热成像图像进行翻转、裁剪和变换颜色处理,能够实现对图像质量的改善,以便于计算分析,提高模型的泛化能力,还可以防止模型过拟合,从而导致检测精度降低。
优选的,所述对所述热成像图像进行翻转是将热成像图像进行左右上下翻转;所述变换颜色处理是将同一张热成像图像的颜色饱和度进行变换形成若干张颜色饱和度不同的热成像图像;所述裁剪是对热成像图像不同位置(如右下部分或者左上部分)进行剪裁。
步骤2,对经过步骤1图像增广处理后的热成像图像进行二值化处理,然后通过高斯滤波处理消除热成像图像中的高斯噪声,然后对高斯滤波处理后的图像再进行线性灰度增强处理;高斯滤波是一种线性平滑滤波,适用于消除高斯噪声,广泛应用于图像处理的减噪过程,通俗的讲,高斯滤波就是对整幅图像进行加权平均的过程,每一个像素点的值,都由其本身和邻域内的其他像素值经过加权平均后得到。
给定一张黑白图片,该图片可能黑白并不分明,整个图片最黑的像素点的像素值可能并没有达到0,而最白的像素点的像素值可能并没有达到255,换句话说,这张黑白图像的像素并不均匀,整体的像素值集中在某一块区域,因此需要进行线性的像素,所述步骤2中,所述线性灰度增强处理,是将高斯滤波处理后的图像中最黑的像素点像素值调整为0、将最白的像素点像素值调整为255,将其他的像素点的像素值根据其与最黑和/或最白的像素点间的颜色深度比值进行线性调整,比值比率和线性度可以根据先验阈值设定和调整。
优选的,所述步骤2中进行高斯滤波处理,具体的,是采用二维高斯分布对经过步骤1图像增广处理后的热成像图像中的特征变量x和y进行高斯滤波处理,其中,σ是可调参数,σ的大小决定高斯函数的宽度,G(x,y)表示关于x和y的高斯函数,x代表像素点的灰度值,y代表通过高斯函数计算后的灰度值。
进一步的,所述步骤2中进行线性灰度增强处理,具体的,是通过灰度线性变换函数对所述经过高斯滤波处理后的图像中的特征变量x和y进行线性灰度增强处理,其中,g(x,y)表示关于(x,y)的线性变换函数,其灰度范围为[c,d],前述高斯函数是先处理图像的噪声,线性变换函数再对图像内的像素进行线性扩展,f(x,y)为线性变换函数转换前的热成像图像灰度值,其灰度范围为[a,b]。
步骤3,对经过步骤2处理的图像进一步进行图像锐化处理,得到图像增强模型。
优选的,所述步骤3中是采用scharr算子进行图像锐化处理,采用scharr算子进行图像锐化处理,能够更加凸显图像的边缘细节,从而提高计算精度,为了能够有效的提取出较弱的边缘,需要将像素值间的差距增大,因此引入Scharr算子,Scharr算子是对Sobel算子差异性的增强,因此两者之间的在检测图像边缘的原理和使用方式上相同,charr算子的边缘检测滤波的尺寸为3×3,因此也有称其为Scharr滤波器,可以通过将Scharr算子中的权重系数放大来增大像素值间的差异,Scharr算子就是采用的这种思想,其在二值化图像的X方向和Y方向的边缘检测算子
对应上述方法,本发明还提供一种用于风机叶片缺陷检测的热成像图像增强训练装置,所述装置包括:
获取单元,用于获取风机叶片的热成像图像;
第一处理单元,用于对所述热成像图像进行图像增广处理,得到第一图像;
第二处理单元,采用二维高斯分布对所述第一图像进行高斯滤波处理,得到第二图像,其中,σ是可调参数,σ的大小决定高斯函数的宽度,G(x,y)表示关于x和y的高斯函数,x代表像素点的灰度值,y代表通过高斯函数计算后的灰度值;
第三处理单元,通过灰度线性变换函数对所述第二图像进行线性灰度增强处理,得到第三图像,其中,g(x,y)表示关于(x,y)的线性变换函数,其灰度范围为[c,d],前述高斯函数是先处理图像的噪声,线性变换函数再对图像内的像素进行线性扩展,f(x,y)为线性变换函数转换前的热成像图像灰度值,其灰度范围为[a,b];
锐化处理单元,采用scharr算子对所述第三图像进行图像锐化处理,得到图像增强模型。
对应上述方法和装置,本发明还提供一种用于风机叶片缺陷检测的热成像图像增强训练设备,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如上述实施例所述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。
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,通过将获取风机叶片的热成像图像依次进行图像增广处理、高斯滤波、线性灰度增强以及处理锐化处理,得到该图像增强模型,该图像增强模型能够降低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。
以上方案,所述对所述热成像图像进行图像增广处理的步骤包括:对所述热成像图像进行翻转、裁剪和变换颜色处理,能够实现对图像质量的改善,以便于计算分析,提高模型的泛化能力,还可以防止模型过拟合,从而导致检测精度降低。
以上方案,对所述第三图像进行图像锐化处理的步骤包括:对所述第三图像采用scharr算子进行图像锐化处理,能够更加凸显图像的边缘细节,从而提高计算精度。
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所示为本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,本实施例中,该方法包括:
步骤S11,获取风机叶片的热成像图像。
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,获取的热成像图像中应当有风机叶片且叶片清晰,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图像增广处理,得到第一图像。
其中,所述对所述热成像图像进行图像增广处理,进一步包括:至少对所述热成像图像进行翻转、裁剪和变换颜色处理,能够实现对图像质量的改善,以便于计算分析,提高模型的泛化能力,还可以防止模型过拟合,从而导致检测精度降低,优选的,所述对所述热成像图像进行翻转是将热成像图像进行左右上下翻转;所述变换颜色处理是将同一张热成像图像的颜色饱和度进行变换形成若干张颜色饱和度不同的热成像图像;所述裁剪是对热成像图像不同位置(如右下部分或者左上部分)进行剪裁。
即,在本实施例中,通过变换颜色可以增大数据库的图像数量。另外,通过对热成像图像进行翻转、裁剪和变换颜色处理都是为了防止后续模型过拟合,也就是防止模型过高阶,导致过于复杂,从而导致检测精度降低。
步骤S13,对经过步骤S12图像增广处理后的第一图像进行二值化处理,然后通过高斯滤波处理消除热成像图像中的高斯噪声;高斯滤波是一种线性平滑滤波,适用于消除高斯噪声,广泛应用于图像处理的减噪过程,通俗的讲,高斯滤波就是对整幅图像进行加权平均的过程,每一个像素点的值,都由其本身和邻域内的其他像素值经过加权平均后得到。
其中,所述对所述第一图像进行高斯滤波处理的步骤包括:
是采用二维高斯分布对经过第一图像中的特征变量x和y进行高斯滤波处理,其中,σ是可调参数,σ的大小决定高斯函数的宽度,G(x,y)表示关于x和y的高斯函数,x代表像素点的灰度值,y代表通过高斯函数计算后的灰度值。
步骤S14,对所述第二图像进行线性灰度增强处理,得到第三图像。
其中,所述对所述第二图像进行线性灰度增强处理的步骤包括:
是通过灰度线性变换函数对所述第二图像的特征变量x和y进行线性灰度增强处理,其中,g(x,y)表示关于(x,y)的线性变换函数,其灰度范围为[c,d],前述高斯函数是先处理图像的噪声,线性变换函数再对图像内的像素进行线性扩展,f(x,y)为线性变换函数转换前的热成像图像灰度值,其灰度范围为[a,b]。
步骤S15,对所述第三图像进行图像锐化处理,得到图像增强模型。
其中,所述对所述第三图像进行图像锐化处理,是采用scharr算子对所述第三图像进行图像锐化处理。采用scharr算子进行图像锐化处理,能够更加凸显图像的边缘细节,从而提高计算精度,为了能够有效的提取出较弱的边缘,需要将像素值间的差距增大,因此引入Scharr算子,Scharr算子是对Sobel算子差异性的增强,因此两者之间的在检测图像边缘的原理和使用方式上相同,charr算子的边缘检测滤波的尺寸为3×3,因此也有称其为Scharr滤波器,可以通过将Scharr算子中的权重系数放大来增大像素值间的差异,Scharr算子就是采用的这种思想,其在二值化图像的X方向和Y方向的边缘检测算子
通过上述方法对风机叶片图像的训练以及修补增强,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,具体从检测验证数据中能够得出可以使深度学习的检测结果精度平均提高了35%。
对应上述方法,参照图4,本实施例还提供一种用于风机叶片缺陷检测的热成像图像增强训练装置,所述装置包括:
获取单元,用于获取风机叶片的热成像图像;
第一处理单元,用于对所述热成像图像进行图像增广处理,得到第一图像;
第二处理单元,采用二维高斯分布对所述第一图像进行高斯滤波处理,得到第二图像,其中,σ是可调参数,σ的大小决定高斯函数的宽度,G(x,y)表示关于x和y的高斯函数,x代表像素点的灰度值,y代表通过高斯函数计算后的灰度值;
第三处理单元,通过灰度线性变换函数对所述第二图像进行线性灰度增强处理,得到第三图像,其中,g(x,y)表示关于(x,y)的线性变换函数,其灰度范围为[c,d],前述高斯函数是先处理图像的噪声,线性变换函数再对图像内的像素进行线性扩展,f(x,y)为线性变换函数转换前的热成像图像灰度值,其灰度范围为[a,b];
锐化处理单元,采用scharr算子对所述第三图像进行图像锐化处理,得到图像增强模型。
本发明提供一种用于风机叶片缺陷检测的热成像图像增强训练装置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。
该装置的各个单元模块可分别执行上述方法实施例中对应步骤,故在此不对各单元模块进行赘述,详细请参见以上对应步骤的说明。
以及进一步的对应上述方法和装置,本实施例还提供一种用于风机叶片缺陷检测的热成像图像增强训练设备,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如上述实施例所述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。
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)
1.一种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:
步骤1,获取待检测风机叶片的热成像图像,并对热成像图像进行图像增广处理,增加热成像图像的数据量;
步骤2,对经过步骤1图像增广处理后的热成像图像进行二值化处理,然后通过高斯滤波处理消除热成像图像中的高斯噪声,然后对高斯滤波处理后的图像再进行线性灰度增强处理;
步骤3,对经过步骤2处理的图像进一步进行图像锐化处理,得到图像增强模型。
2.如权利要求1所述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,其特征在于:所述步骤1中,对所述热成像图像进行图像增广处理包括:对所述热成像图像进行翻转、裁剪和变换颜色处理。
3.如权利要求2所述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,其特征在于:所述对所述热成像图像进行翻转是将热成像图像进行左右上下翻转;所述变换颜色处理是将同一张热成像图像的颜色饱和度进行变换形成若干张颜色饱和度不同的热成像图像。
4.如权利要求1所述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,其特征在于:所述步骤2中,所述线性灰度增强处理,是将高斯滤波处理后的图像中最黑的像素点像素值调整为0、将最白的像素点像素值调整为255,将其他的像素点的像素值根据其与最黑和/或最白的像素点间的颜色深度比值进行线性调整。
8.一种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:获取单元,用于获取风机叶片的热成像图像;
第一处理单元,用于对所述热成像图像进行图像增广处理,得到第一图像;
第三处理单元,通过灰度线性变换函数对所述第二图像进行线性灰度增强处理,得到第三图像,其中,g(x,y)表示关于(x,y)的线性变换函数,其灰度范围为[c,d],f(x,y)为线性变换函数转换前的热成像图像灰度值,其灰度范围为[a,b];
锐化处理单元,采用scharr算子对所述第三图像进行图像锐化处理,得到图像增强模型。
9.一种用于风机叶片缺陷检测的热成像图像增强训练设备,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如上述权利要求1-7中任意一项所述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。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110643548.8A CN113393431A (zh) | 2021-06-09 | 2021-06-09 | 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 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110643548.8A CN113393431A (zh) | 2021-06-09 | 2021-06-09 | 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 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113393431A true CN113393431A (zh) | 2021-09-14 |
Family
ID=77620067
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110643548.8A Pending CN113393431A (zh) | 2021-06-09 | 2021-06-09 | 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 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113393431A (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110335204A (zh) * | 2019-05-07 | 2019-10-15 | 中国人民解放军陆军工程大学 | 一种热成像图像增强方法 |
WO2019233166A1 (zh) * | 2018-06-04 | 2019-12-12 | 杭州海康威视数字技术股份有限公司 | 一种表面缺陷检测方法、装置及电子设备 |
CN111833328A (zh) * | 2020-07-14 | 2020-10-27 | 汪俊 | 基于深度学习的飞机发动机叶片表面缺陷检测方法 |
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 |
US20210115899A1 (en) * | 2018-11-29 | 2021-04-22 | Beijing Goldwind Science & Creation Windpower Equipment Co., Ltd. | Method, device and system for correcting installation errors of wind vane |
CN112837294A (zh) * | 2021-02-07 | 2021-05-25 | 浙江工业大学 | 基于卷积自编码器图像扩增的热成像缺陷检测方法 |
-
2021
- 2021-06-09 CN CN202110643548.8A patent/CN113393431A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019233166A1 (zh) * | 2018-06-04 | 2019-12-12 | 杭州海康威视数字技术股份有限公司 | 一种表面缺陷检测方法、装置及电子设备 |
US20210115899A1 (en) * | 2018-11-29 | 2021-04-22 | Beijing Goldwind Science & Creation Windpower Equipment Co., Ltd. | Method, device and system for correcting installation errors of wind vane |
CN110335204A (zh) * | 2019-05-07 | 2019-10-15 | 中国人民解放军陆军工程大学 | 一种热成像图像增强方法 |
CN111833328A (zh) * | 2020-07-14 | 2020-10-27 | 汪俊 | 基于深度学习的飞机发动机叶片表面缺陷检测方法 |
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 |
CN112837294A (zh) * | 2021-02-07 | 2021-05-25 | 浙江工业大学 | 基于卷积自编码器图像扩增的热成像缺陷检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107944452B (zh) | 一种圆形印章文字识别方法 | |
CN110569899B (zh) | 坝面缺陷分类模型训练方法及装置 | |
CN109543489B (zh) | 基于二维码的定位方法、装置和存储介质 | |
CN107038416B (zh) | 一种基于二值图像改进型hog特征的行人检测方法 | |
CN110991310B (zh) | 人像检测方法、装置、电子设备及计算机可读介质 | |
CN109993161B (zh) | 一种文本图像旋转矫正方法及系统 | |
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 | |
CN112789623A (zh) | 文本检测方法、装置及存储介质 | |
US20190354791A1 (en) | Character recognition method | |
CN105447508A (zh) | 一种字符图像验证码识别的方法及系统 | |
CN103942762A (zh) | 一种二维码预处理的方法及其装置 | |
CN111680690A (zh) | 一种文字识别方法及装置 | |
US20210327070A1 (en) | Systems and methods for image segmentation | |
CN114022383A (zh) | 一种文字图像的摩尔纹祛除方法、装置及电子设备 | |
CN110569379A (zh) | 一种汽车配件图片数据集制作方法 | |
CN116958503B (zh) | 一种基于图像处理的污泥干化等级识别方法及系统 | |
CN113393430A (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 | |
CN117094975A (zh) | 钢铁表面缺陷检测方法、装置及电子设备 | |
CN111797827A (zh) | 一种文字方向混排的自动化ocr识别方法 | |
CN111027564A (zh) | 基于深度学习一体化的低照度成像车牌识别方法及装置 | |
CN111597845A (zh) | 一种二维码检测方法、装置、设备及可读存储介质 | |
CN114519788A (zh) | 图像处理方法、装置、电子设备及计算机可读存储介质 | |
CN113393431A (zh) | 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 | |
CN117274999A (zh) | 印章弯曲文本识别方法、系统、电子设备及存储介质 | |
CN110070103A (zh) | 身份证识别的方法及终端设备 |
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 |