CN113723192A - 一种风机运行状态下叶片图像采集方法 - Google Patents

一种风机运行状态下叶片图像采集方法 Download PDF

Info

Publication number
CN113723192A
CN113723192A CN202110872550.2A CN202110872550A CN113723192A CN 113723192 A CN113723192 A CN 113723192A CN 202110872550 A CN202110872550 A CN 202110872550A CN 113723192 A CN113723192 A CN 113723192A
Authority
CN
China
Prior art keywords
blade
target
fan
image
center
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
Application number
CN202110872550.2A
Other languages
English (en)
Inventor
张超波
桂卫华
蒋朝辉
陈志文
曹婷
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.)
Peng Cheng Laboratory
Original Assignee
Peng Cheng Laboratory
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 Peng Cheng Laboratory filed Critical Peng Cheng Laboratory
Priority to CN202110872550.2A priority Critical patent/CN113723192A/zh
Publication of CN113723192A publication Critical patent/CN113723192A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • 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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Geometry (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种风机运行状态下叶片图像采集方法、装置及终端，方法包括：控制无人机飞行至目标风机的上方并垂直向下拍摄得到至少一张上方图像，根据至少一张上方图像调节无人机的位置以使得目标风机的塔筒中心在上方图像的中心位置；当塔筒中心在无人机拍摄的上方图像的中心位置后，根据无人机的航向和无人机拍摄的上方图像确定目标风机的叶片工作平面的三维空间位置；根据叶片工作平面的三维空间位置确定采集点，控制无人机移动至每个采集点拍摄叶片工作平面，得到多张目标图像；根据多张目标图像中的叶片像素占比将多张目标图像分别分类至各个叶片，得到目标风机的叶片图像。本发明能够在风机运行状态下采集叶片图像，不会产生发电量损失。

Description

一种风机运行状态下叶片图像采集方法
技术领域
本发明涉及风力发电领域，特别涉及一种风机运行状态下叶片图像采集方法、装置及终端。
背景技术
风能是重要的可持续能源，风力发电已称为应用最广泛的新能源技术之一，风机叶片作为风力发电机组实现能量转换的关键部件，由于长期处于恶劣的露天工作环境中，其表面不可避免地会产生划痕、裂纹、腐蚀等各种缺陷，及时发现和修复这些表面缺陷是保证风机正常工作和发电效率，并避免叶片断裂等重大安全事故的有效方法。
对风机巡检时，需要获取风机叶片表面的图像，现有的风机叶片图像采集方式是在风机停机后人工操控无人机拍摄风机叶片图像，这种方式人工操控难度大，而且风机停机也会导致发电量损失。
因此，现有技术还有待改进和提高。
发明内容
针对现有技术的上述缺陷，本发明提供一种风机运行状态下叶片图像采集方法、装置及终端，旨在解决现有技术中风机叶片图像采集时需要停机而损失发电量的问题。
为了解决上述技术问题，本发明所采用的技术方案如下：
本发明的第一方面，提供一种风机运行状态下叶片图像采集方法，所述方法包括：
控制无人机飞行至目标风机的上方并垂直向下拍摄得到至少一张上方图像，根据所述至少一张上方图像调节所述无人机的位置以使得所述目标风机的塔筒中心在上方图像的中心位置；
当所述塔筒中心在所述无人机拍摄的上方图像的中心位置后，根据所述无人机的航向和所述无人机拍摄的上方图像确定所述目标风机的叶片工作平面的三维空间位置；
根据所述叶片工作平面的三维空间位置确定至少一个采集点，控制所述无人机移动至每个所述采集点拍摄所述叶片工作平面，得到多张目标图像；
根据所述多张目标图像中的叶片像素占比将所述多张目标图像分别分类至各个叶片，得到所述目标风机的叶片图像。
所述的风机运行状态下叶片图像采集方法，其中，所述根据所述至少一张上方图像调节所述无人机的位置以使得所述目标风机的塔筒中心在上方图像中心位置，包括：
根据预先训练完成的第一神经网络识别至少一张连续拍摄的上方图像中的风机关键点，所述风机关键点包括机舱尾部中心点、轮毂中心点和叶尖点；
根据所述目标风机的物理参数确定所述目标风机的塔筒中心在上方图像中的位置；
当所述塔筒中心不在上方图像的中心位置时，控制所述无人机向所述塔筒中心移动并获取新的至少一张连续拍摄的上方图像；
重复执行所述识别至少一张连续拍摄的上方图像中的风机关键点的步骤直至所述塔筒中心在上方图像的中心位置。
所述的风机运行状态下叶片图像采集方法，其中，所述根据所述目标风机的物理参数确定所述目标风机的塔筒中心在上方图像中的位置，包括：
获取所述至少一张连续拍摄的上方图像中的机舱尾部中心点平均位置和轮毂中心点平均位置；
根据所述目标风机的第一物理参数和第二物理参数的比值，以及所述至少一张连续拍摄的上方图像中机舱尾部中心点平均位置和轮毂中心点平均位置的距离确定所述塔筒中心在上方图像中的位置；
其中，所述第一物理参数为轮毂中心点与塔筒中心的实际水平距离，所述第二物理参数为塔筒中心和机舱尾部中心的实际水平距离。
所述的风机运行状态下叶片图像采集方法，其中，所述根据所述无人机的航向和所述无人机拍摄的上方图像确定所述目标风机的叶片工作平面的三维空间位置，包括：
根据最新的至少一张连续拍摄的上方图像中所有叶尖点得到第一直线；
根据最新的至少一张连续拍摄的上方图像中所有机舱尾部中心点和轮毂中心点得到第二直线；
根据所述第一直线和所述第二直线的夹角确定所述目标风机的机舱在上方图像中的朝向；
根据所述无人机的航向和所述目标风机的机舱在上方图像中的朝向确定所述目标风机的机舱在地理坐标系下的朝向；
根据所述目标风机的机舱在地理坐标系下的朝向、所述目标风机的地理位置以及所述目标风机的物理参数确定所述叶片工作平面的三维空间位置。
所述的风机运行状态下叶片图像采集方法，其中，所述根据所述第一直线和所述第二直线的夹角确定所述目标风机的机舱在图像中的朝向，包括：
若所述第一直线和所述第二直线的夹角在预设范围内，则确定所述第二直线的方向为所述目标风机的机舱在上方图像中的朝向；
若所述第一直线和所述第二直线的夹角不在所述预设范围内，则确定所述第一直线的垂直方向为所述目标风机的机舱在上方图像中的朝向；
其中，所述预设范围为(90°-X°，90°+X°)，X为常数，X＞0。
所述的风机运行状态下叶片图像采集方法，其中，所述根据所述目标风机的机舱在地理坐标系下的朝向、所述目标风机的地理位置以及所述目标风机的物理参数确定所述叶片工作平面的三维空间位置，包括：
根据所述目标风机的第三物理参数以及所述目标风机的地理位置确定所述叶片工作平面的中心点在地理坐标系中的位置，所述第三物理参数为轮毂中心高度；
根据所述目标风机的第四物理参数确定所述叶片工作平面的面积，所述第四物理参数为叶轮半径；
根据所述目标风机的机舱在地理坐标系下的朝向确定所述叶片工作平面在地理坐标系下的朝向。
所述的风机运行状态下叶片图像采集方法，其中，所述至少一个采集点的高度均与所述叶片工作平面的中心高度一致；所述采集点满足所述无人机在每个所述采集点拍摄的图像与在相邻采集点拍摄的图像的重合区域大于第一预设阈值；每个所述采集点到所述叶片工作平面的距离大于第二预设阈值。
所述的风机运行状态下叶片图像采集方法，其中，所述控制所述无人机移动至每个所述采集点拍摄所述叶片工作平面，包括：
控制所述无人机在每个所述采集点分别采用预设角度仰拍和预设角度俯拍的方式拍摄所述叶片工作平面。
所述的风机运行状态下叶片图像采集方法，其中，所述根据所述多张目标图像中的叶片像素占比将所述多张目标图像分别分类至各个叶片，包括：
通过训练完成的第二神经网络提取每一张所述目标图像中的叶片部分以获取每一张所述目标图像中的叶片像素占比；
根据所述多张目标图像中的叶片像素占比的变化周期以及所述目标风机的叶片个数将所述多张目标图像分别分类至各个叶片。
本发明的第二方面，提供一种风机运行状态下叶片图像采集装置，包括：
上方图像拍摄控制模块，所述上方图像拍摄控制模块用于控制无人机飞行至目标风机的上方并垂直向下拍摄得到至少一张上方图像，根据所述至少一张上方图像调节所述无人机的位置以使得所述目标风机的塔筒中心在上方图像的中心位置；
叶片工作平面确定模块，所述叶片工作平面确定模块用于当所述塔筒中心在所述无人机拍摄的上方图像的中心位置后，根据所述无人机的航向和所述无人机拍摄的上方图像确定所述目标风机的叶片工作平面的三维空间位置；
目标图像拍摄控制模块，所述目标图像拍摄控制模块用于根据所述叶片工作平面的三维空间位置确定至少一个采集点，控制所述无人机移动至每个所述采集点拍摄所述叶片工作平面，得到多张目标图像；
叶片图像分类模块，所述叶片图像分类模块用于根据所述多张目标图像中的叶片像素占比将所述多张目标图像分别分类至各个叶片，得到所述目标风机的叶片图像。
本发明的第三方面，提供一种终端，所述终端包括处理器、与处理器通信连接的计算机可读存储介质，所述计算机可读存储介质适用于存储多条指令，所述处理器适用于调用所述计算机可读存储介质中的指令，以执行实现上述任一项所述的风机运行状态下叶片图像采集方法的步骤。
本发明的第四方面，提供一种计算机可读存储介质，所述计算机可读存储介质存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现上述任一项所述的风机运行状态下叶片图像采集方法的步骤。
与现有技术相比，本发明提供了一种风机运行状态下叶片图像采集方法、装置及终端，所述的风机运行状态下叶片图像采集方法，先控制无人机飞行至目标风机的上方并垂直向下拍摄目标风机的上方图像，并根据拍摄得到的上方图像调节无人机的位置使得目标风机的塔筒中心在无人机拍摄的上方图像的中心位置，再根据无人机的航向和无人机拍摄的上方图像确定目标风机的叶片工作平面的三维空间位置，根据叶片工作平面的三维空间位置确定至少一个采集点，控制无人机移动至每个采集点拍摄叶片工作平面，得到多张目标图像，根据叶片工作平面的三维空间位置确定拍摄叶片的图像的采集点就可以避免无人机与叶片工作平面产生干涉，提升无人机的安全性，再根据多张目标图像中的叶片像素占比将多张目标图像分别分类至各个叶片，得到目标风机的叶片图像，实现了在风机运行状态下的叶片图像采集，全程不需要人工操控也不会产生发电量损失。
附图说明
图1为本发明提供的风机运行状态下叶片图像采集方法的实施例的流程图；
图2为本发明提供的风机运行状态下叶片图像采集方法的实施例中识别上方图像中的风机关键点的示意图；
图3为本发明提供的风机运行状态下叶片图像采集方法的实施例中目标风机的物理参数的示意图；
图4为本发明提供的风机运行状态下叶片图像采集方法的实施例中目标风机的机舱在上方图像中的朝向的示意图；
图5为本发明提供的风机运行状态下叶片图像采集方法的实施例中采集点的示意图；
图6为本发明提供的风机运行状态下叶片图像采集方法的实施例中无人机在采集点进行拍摄的示意图；
图7为本发明提供的风机运行状态下叶片图像采集方法的实施例中叶片像素占比周期性变化的示意图；
图8为本发明提供的风机运行状态下叶片图像采集装置的实施例的结构原理图；
图9为本发明提供的终端的实施例的原理示意图。
具体实施方式
为使本发明的目的、技术方案及效果更加清楚、明确，以下参照附图并举实施例对本发明进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
本发明提供的风机运行状态下叶片图像采集方法，可以是由终端执行，所述终端为具有计算能力的设备，所述终端可以为用于拍摄目标风机的图像的无人机或者是与拍摄目标风机的图像的无人机通信连接的设备。
实施例一
如图1所示，所述风机运行状态下叶片图像采集方法的一个实施例中，包括步骤：
S100、控制无人机飞行至目标风机的上方并垂直向下拍摄得到至少一张上方图像，根据所述至少一张上方图像调节所述无人机的位置以使得所述目标风机的塔筒中心在上方图像的中心位置。
在本实施例中，将无人机在目标风机的上方垂直向下拍摄得到的图像称为上方图像。本实施例提供的风机运行状态下叶片图像采集方法中首先控制无人机拍摄至少一张上方图像，再根据所述至少一张上方图像调节所述无人机的位置，以使得所述目标风机的塔筒中心在上方图像的中心位置。所述无人机在拍摄上方图像时，所述无人机的飞行高度应大于叶轮半径与塔筒高度之和且上方图像中应包括所述目标风机的俯视全貌。所述根据所述至少一张上方图像调节所述无人机的位置，具体包括：
S110、根据预先训练完成的第一神经网络识别至少一张连续拍摄的上方图像中的风机关键点，所述风机关键点包括机舱尾部中心点、轮毂中心点和叶尖点；
S120、根据所述目标风机的物理参数确定所述目标风机的塔筒中心在上方图像中的位置；
S130、当所述塔筒中心不在上方图像的中心位置时，控制所述无人机向所述塔筒中心移动并获取新的至少一张连续拍摄的上方图像；
S140、重复执行所述识别至少一张连续拍摄的上方图像中的风机关键点的步骤直至所述塔筒中心在上方图像的中心位置。
在本实施例中，所述无人机每次至少连续拍摄一张上方图像(例如拍摄3张、5张等)，并识别本次拍摄的上方图像中的风机关键点，包括机舱尾部中心点、轮毂中心点和叶尖点(如图2所示)，具体地，可以是通过预先训练完成的第一神经网络进行所述风机关键点的识别，所述第一神经网络可以通过多组训练数据训练得到，用于训练所述第一神经网络的每组训练数据包括样本图像和样本图像中的风机关键点标记，从而使得训练完成后的所述第一神经网络能够实现识别输入的图像中的风机关键点的功能。
在识别出所述至少一张连续拍摄的上方图像中的风机关键点后，根据所述目标风机的物理参数确定所述目标风机的塔筒中心在上方图像中的位置，具体包括：
S121、获取所述至少一张连续拍摄的上方图像中的机舱尾部中心点平均位置和轮毂中心点平均位置；
S122、根据所述目标风机的第一物理参数和第二物理参数的比值，以及所述至少一张连续拍摄的上方图像中机舱尾部中心点平均位置和轮毂中心点平均位置的距离确定所述塔筒中心在上方图像中的位置。
其中，所述第一物理参数为轮毂中心点与塔筒中心的实际水平距离，即图3中的a，所述第二物理参数为塔筒中心和机舱尾部中心的实际水平距离，即图3中的b。所述目标风机的所述第一物理参数和所述第二物理参数可以根据所述目标风机的设计图纸等得到。如图3所示，上方图像中机舱尾部中心点到塔筒中心的距离和轮毂中心点到塔筒中心的距离的比值应等于所述第二物理参数和所述第一物理参数的比值，这样可以确定塔筒中心在上方图像中的位置。在本实施例中，可以是确定塔筒中心在任意一张所述无人机拍摄的上方图像中的位置，例如是所述至少一张连续拍摄的上方图像中的最后一张、第一张等。
当确定的塔筒中心在上方图像中的位置不是上方图像的中心位置时，控制所述无人机向所述塔筒中心移动并获取新的至少一张连续拍摄的上方图像，即所述无人机向所述塔筒中心移动一定距离(可以是预先设置的一个值)后再连续拍摄至少一张上方图像，再对新拍摄的至少一张连续拍摄的上方图像重新执行上述步骤S110-S130，直至所述塔筒中心在上方图像的中心位置，这样，说明所述无人机在所述塔筒中心的正上方。
请再次参阅图1，本实施例提供的风机运行状态下叶片图像采集方法，还包括步骤：
S200、当所述塔筒中心在所述无人机拍摄的上方图像的中心位置后，根据所述无人机的航向和所述无人机拍摄的上方图像确定所述目标风机的叶片工作平面的三维空间位置。
具体地，所述根据所述无人机的航向和所述无人机拍摄的上方图像确定所述目标风机的叶片工作平面的三维空间位置，包括步骤：
S210、根据最新的至少一张连续拍摄的上方图像中所有叶尖点得到第一直线；
S220、根据最新的至少一张连续拍摄的上方图像中所有机舱尾部中心点和轮毂中心点得到第二直线；
S230、根据所述第一直线和所述第二直线的夹角确定所述目标风机的机舱在上方图像中的朝向；
S240、根据所述无人机的航向和所述目标风机的机舱在上方图像中的朝向确定所述目标风机的机舱在地理坐标系下的朝向；
S250、根据所述目标风机的机舱在地理坐标系下的朝向、所述目标风机的地理位置以及所述目标风机的物理参数确定所述叶片工作平面的三维空间位置。
根据调节所述无人机的位置使得所述目标风机的塔筒中心在上方图像的中心位置的过程中最后一次拍摄的至少一张连续的上方图像中的所有叶尖点得到所述第一直线，具体地，对所有叶尖点通过最小二乘法拟合直线，得到所述第一直线，对调节所述无人机的位置使得所述目标风机的塔筒中心在上方图像的中心位置的过程中最后一次拍摄的至少一张连续的上方图像中的所有机舱尾部中心点和轮毂中心点通过最小二乘法拟合直线，得到所述第二直线。根据所述第一直线和所述第二直线的夹角确定所述目标风机的机舱在上方图像中的朝向，具体包括：
若所述第一直线和所述第二直线的夹角在预设范围内，则确定所述第二直线的方向为所述目标风机的机舱在上方图像中的朝向；
若所述第一直线和所述第二直线的夹角不在所述预设范围内，则确定所述第一直线的垂直方向为所述目标风机的机舱在上方图像中的朝向；
其中，所述预设范围为(90°-X°，90°+X°)，X为常数，X＞0。也就是说，当所述第一直线和所述第二直线的夹角接近90°，那么选择所述第二直线的方向为所述目标风机的机舱在上方图像中的朝向，反之则选取所述第一直线的方向为所述目标风机的机舱在上方图像中的朝向。这是因为风机叶尖点比机舱尾部中心点和轮毂中心点更容易检测且能够提供更多的离散位置点。本领域技术人员可以理解，X的值可以自行设定，例如X可取3、2等。
在确定所述目标风机的机舱在上方图像中的朝向后，结合所述无人机的航向确定所述目标风机的机舱在地理坐标系下的朝向。具体地，所述无人机的航向是指所述无人机的机头朝向与北极方向的夹角，由于所述无人机垂直向下拍摄得到上方图像，且所述目标风机的塔筒中心在上方图像的中心位置，如图4所示，因此上方图像的竖向对称轴与所述无人机的航向一致，那么根据所述目标风机的机舱在上方图像中的朝向可以确定所述目标风机的机舱在地理坐标系下的朝向(即所述目标风机的机舱朝向与北极方向的夹角)。
所述叶片工作平面的三维空间位置包括所述叶片工作平面的地理位置、面积和方向。所述根据所述目标风机的机舱在地理坐标系下的朝向、所述目标风机的地理位置以及所述目标风机的物理参数确定所述叶片工作平面的三维空间位置，包括：
根据所述目标风机的第三物理参数以及所述目标风机的地理位置确定所述叶片工作平面的中心点在地理坐标系中的位置，所述第三物理参数为轮毂中心高度；
根据所述目标风机的第四物理参数确定所述叶片工作平面的面积，所述第四物理参数为叶轮半径；
根据所述目标风机的机舱在地理坐标系下的朝向确定所述叶片工作平面在地理坐标系下的朝向。
具体地，所述目标风机的地理位置为所述目标风机的塔筒的经纬度，如图3所示，根据所述目标风机的塔筒的经纬度和轮毂中心高度可以确定轮毂中心在地理坐标系中的位置，根据所述目标风机的叶轮半径可以确定所述目标风机的叶片工作平面的面积，所述叶片工作平面在地理坐标系下的朝向应该垂直与所述目标风机的机舱在地理坐标系下的朝向。
请再次参阅图1，本实施例提供的风机运行状态下叶片图像采集方法，还包括步骤：
S300、根据所述叶片工作平面的三维空间位置确定至少一个采集点，控制所述无人机移动至每个所述采集点拍摄所述叶片工作平面，得到多张目标图像。
根据所述叶片工作平面的三维空间可以确定至少一个采集点，所述至少一个采集点形成一条巡检路线，所述无人机沿着巡检路线飞行，在每个采集点处悬停拍摄所述叶片工作平面，得到多张目标图像。
如图5所示，由于所述目标风机的叶片长度可能非常大，为了采集到完整的叶片图像，所述采集点设置有多个，在所述目标风机的正面和背面均有分布以采集到所述目标风机的叶片的正面和背面图像，具体地，每个所述至少一个采集点的高度均与所述叶片工作平面的中心高度及所述目标风机的轮毂中心的高度一致。值得说明的是，这里所说的一致，并不限于数值完全相同，而是可以存在一定的误差范围。所述采集点应满足所述无人机在每个所述采集点拍摄的图像与在相邻采集点拍摄的图像的重合区域大于第一预设阈值，所述第一预设阈值可以为1/2、1/3等。同时为了保证所述无人机的安全，不与所述叶片工作平面产生干涉，且不被所述叶片工作平面产生的气流扰动影响，每个所述采集点到所述叶片工作平面的距离大于第二预设阈值，所述第二预设阈值可以为5-10米。
所述目标风机的叶片表面可能并不是一个平面，在一种可能的实现方式中，所述控制所述无人机移动至每个采集点拍摄所述叶片工作平面，包括：
控制所述无人机在每个所述采集点分别采用预设角度仰拍和预设角度俯拍的方式拍摄所述叶片工作平面。
如图6所示，所述预设角度可以为30°，当然，本领域技术人员可以理解，所述预设角度可以根据所述目标风机的叶片形状进行调整，本发明对此并不做具体的限定。
在一种可能的实现方式中，可以根据所述目标风机的叶片旋转线速度确定所述无人机对拍摄所述目标图像的拍摄模式为视频拍摄还是定时照片拍摄。具体地，当所述无人机处于悬停状态进行拍摄时，所述目标风机的叶片旋转会使得叶片在拍摄画面中的占比周期性变化，可以根据叶片在拍摄画面中的占比的变化周期以及所述目标风机的叶片长度得到所述目标风机的叶片旋转线速度，当所述目标风机的叶片旋转线速度大于一定值时，采用视频拍摄模式拍摄所述目标图像，当所述目标风机的叶片旋转线速度小于一定值时，采用定时照片拍摄模式拍摄所述目标图像。具体地，叶片在拍摄画面中的占比可以统计叶片部分的像素占比，可以通过预先已训练的第二神经网络提取拍摄的图像中的叶片部分以获取叶片部分的像素占比，所述第二神经网络具体将在后文被说明。
请再次参阅图1，本实施例提供的风机运行状态下叶片图像采集方法还包括步骤：
S400、根据所述多张目标图像中的叶片像素占比将所述多张目标图像分别分类至各个叶片。
具体地，所述根据所述多张目标图像中的叶片像素占比将所述多张目标图像分别分类至各个叶片，包括：
S410、通过训练完成的第二神经网络提取每一张所述目标图像中的叶片部分以获取每一张所述目标图像中的叶片像素占比；
S420、根据所述多张目标图像中的叶片像素占比的变化周期以及所述目标风机的叶片个数将所述多张目标图像分别分类至各个叶片。
所述第二神经网络由多组样本数据训练得到，用于训练所述第二神经网络的每组样本数据中包括样本图像和样本图像中的风机叶片区域标记，从而使得训练完成的所述第二神经网络能够提取出输入至所述第二神经网络的图像中的风机叶片区域。
通过所述第二神经网络提取所述目标图像中的叶片部分后，统计所述目标图像中的叶片像素占比，如图7所示，正如前文所说明的，在所述多张目标图像中的叶片像素占比应成周期性变化，那么可以根据所述多张目标图像中的叶片像素占比的变化周期以及所述目标风机的叶片个数将所述多张目标图像分别分类至各个叶片。例如，假设所述目标风机有三个叶片，编号为1,2,3。每个叶片在连续的所述目标图像中的叶片像素占比应按照少-多-少的顺序周期性变化，那么可以将出现这一周期性变化的连续的目标图像归类为编号为1的叶片，将下一个出现这一周期性变化的目标图像归类为编号为2的叶片，下一个出现这一周期性变化的目标图像归类为编号为3的叶片，再重复将下一个出现这一周期性变化的目标图像归类为编号为1的叶片，以此类推。
在对所有的目标图像进行归类后，就得到了所述目标风机中的各个叶片的图像，虽然并不存在完整的叶片图像，但是采集到了叶片的各个部位的图像，并不影响图像用于叶片质量检测。
综上所述，本实施例提供一种风机运行状态下叶片图像采集方法，先控制无人机飞行至目标风机的上方并垂直向下拍摄目标风机的上方图像，并根据拍摄得到的上方图像调节无人机的位置使得目标风机的塔筒中心在无人机拍摄的上方图像的中心位置，再根据无人机的航向和无人机拍摄的上方图像确定目标风机的叶片工作平面的三维空间位置，根据叶片工作平面的三维空间位置确定至少一个采集点，控制无人机移动至每个采集点拍摄叶片工作平面，得到多张目标图像，根据叶片工作平面的三维空间位置确定拍摄叶片的图像的采集点就可以避免无人机与叶片工作平面产生干涉，提升无人机的安全性，再根据多张目标图像中的叶片像素占比将多张目标图像分别分类至各个叶片，得到目标风机的叶片图像，实现了在风机运行状态下的叶片图像采集，全程不需要人工操控也不会产生发电量损失。
应该理解的是，虽然本发明说明书附图中给出的的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是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非易失性计算机可读取计算机可读存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本发明所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
实施例二
基于上述实施例，本发明还相应提供了一种风机运行状态下叶片图像采集装置，如图8所示，所述风机运行状态下叶片图像采集装置包括：
上方图像拍摄控制模块，所述上方图像拍摄控制模块用于控制无人机飞行至目标风机的上方并垂直向下拍摄得到至少一张上方图像，根据所述至少一张上方图像调节所述无人机的位置以使得所述目标风机的塔筒中心在上方图像的中心位置，具体如实施例一中所述；
叶片工作平面确定模块，所述叶片工作平面确定模块用于当所述塔筒中心在所述无人机拍摄的上方图像的中心位置后，根据所述无人机的航向和所述无人机拍摄的上方图像确定所述目标风机的叶片工作平面的三维空间位置，具体如实施例一中所述；
目标图像拍摄控制模块，所述目标图像拍摄控制模块用于根据所述叶片工作平面的三维空间位置确定至少一个采集点，控制所述无人机移动至每个所述采集点拍摄所述叶片工作平面，得到多张目标图像，具体如实施例一中所述；
叶片图像分类模块，所述叶片图像分类模块用于根据所述多张目标图像中的叶片像素占比将所述多张目标图像分别分类至各个叶片，得到所述目标风机的叶片图像，具体如实施例一中所述。
实施例三
基于上述实施例，本发明还相应提供了一种终端，如图9所示，所述终端包括处理器10以及存储器20。图9仅示出了终端的部分组件，但是应理解的是，并不要求实施所有示出的组件，可以替代的实施更多或者更少的组件。
所述存储器20在一些实施例中可以是所述终端的内部存储单元，例如终端的硬盘或内存。所述存储器20在另一些实施例中也可以是所述终端的外部存储设备，例如所述终端上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(SecureDigital,SD)卡，闪存卡(Flash Card)等。进一步地，所述存储器20还可以既包括所述终端的内部存储单元也包括外部存储设备。所述存储器20用于存储安装于所述终端的应用软件及各类数据。所述存储器20还可以用于暂时地存储已经输出或者将要输出的数据。在一实施例中，存储器20上存储有风机运行状态下叶片图像采集程序30，该风机运行状态下叶片图像采集程序30可被处理器10所执行，从而实现本申请中风机运行状态下叶片图像采集方法。
所述处理器10在一些实施例中可以是一中央处理器(Central Processing Unit,CPU)，微处理器或其他芯片，用于运行所述存储器20中存储的程序代码或处理数据，例如执行所述风机运行状态下叶片图像采集方法等。
在一实施例中，当处理器10执行所述存储器20中风机运行状态下叶片图像采集程序30时实现以下步骤：
控制无人机飞行至目标风机的上方并垂直向下拍摄得到至少一张上方图像，根据所述至少一张上方图像调节所述无人机的位置以使得所述目标风机的塔筒中心在上方图像的中心位置；
当所述塔筒中心在所述无人机拍摄的上方图像的中心位置后，根据所述无人机的航向和所述无人机拍摄的上方图像确定所述目标风机的叶片工作平面的三维空间位置；
根据所述叶片工作平面的三维空间位置确定至少一个采集点，控制所述无人机移动至每个所述采集点拍摄所述叶片工作平面，得到多张目标图像；
根据所述多张目标图像中的叶片像素占比将所述多张目标图像分别分类至各个叶片，得到所述目标风机的叶片图像。
其中，所述根据所述至少一张上方图像调节所述无人机的位置以使得所述目标风机的塔筒中心在上方图像中心位置，包括：
根据预先训练完成的第一神经网络识别至少一张连续拍摄的上方图像中的风机关键点，所述风机关键点包括机舱尾部中心点、轮毂中心点和叶尖点；
根据所述目标风机的物理参数确定所述目标风机的塔筒中心在上方图像中的位置；
当所述塔筒中心不在上方图像的中心位置时，控制所述无人机向所述塔筒中心移动并获取新的至少一张连续拍摄的上方图像；
重复执行所述识别至少一张连续拍摄的上方图像中的风机关键点的步骤直至所述塔筒中心在上方图像的中心位置。
其中，所述根据所述目标风机的物理参数确定所述目标风机的塔筒中心在上方图像中的位置，包括：
获取所述至少一张连续拍摄的上方图像中的机舱尾部中心点平均位置和轮毂中心点平均位置；
根据所述目标风机的第一物理参数和第二物理参数的比值，以及所述至少一张连续拍摄的上方图像中机舱尾部中心点平均位置和轮毂中心点平均位置的距离确定所述塔筒中心在上方图像中的位置；
其中，所述第一物理参数为轮毂中心点与塔筒中心的实际水平距离，所述第二物理参数为塔筒中心和机舱尾部中心的实际水平距离。
其中，所述根据所述无人机的航向和所述无人机拍摄的上方图像确定所述目标风机的叶片工作平面的三维空间位置，包括：
根据最新的至少一张连续拍摄的上方图像中所有叶尖点得到第一直线；
根据最新的至少一张连续拍摄的上方图像中所有机舱尾部中心点和轮毂中心点得到第二直线；
根据所述第一直线和所述第二直线的夹角确定所述目标风机的机舱在上方图像中的朝向；
根据所述无人机的航向和所述目标风机的机舱在上方图像中的朝向确定所述目标风机的机舱在地理坐标系下的朝向；
根据所述目标风机的机舱在地理坐标系下的朝向、所述目标风机的地理位置以及所述目标风机的物理参数确定所述叶片工作平面的三维空间位置。
其中，所述根据所述第一直线和所述第二直线的夹角确定所述目标风机的机舱在图像中的朝向，包括：
若所述第一直线和所述第二直线的夹角在预设范围内，则确定所述第二直线的方向为所述目标风机的机舱在上方图像中的朝向；
若所述第一直线和所述第二直线的夹角不在所述预设范围内，则确定所述第一直线的垂直方向为所述目标风机的机舱在上方图像中的朝向；
其中，所述预设范围为(90°-X°，90°+X°)，X为常数，X＞0。
其中，所述根据所述目标风机的机舱在地理坐标系下的朝向、所述目标风机的地理位置以及所述目标风机的物理参数确定所述叶片工作平面的三维空间位置，包括：
根据所述目标风机的第三物理参数以及所述目标风机的地理位置确定所述叶片工作平面的中心点在地理坐标系中的位置，所述第三物理参数为轮毂中心高度；
根据所述目标风机的第四物理参数确定所述叶片工作平面的面积，所述第四物理参数为叶轮半径；
根据所述目标风机的机舱在地理坐标系下的朝向确定所述叶片工作平面在地理坐标系下的朝向。
其中，所述至少一个采集点的高度均与所述叶片工作平面的中心高度一致；所述采集点满足所述无人机在每个所述采集点拍摄的图像与在相邻采集点拍摄的图像的重合区域大于第一预设阈值；每个所述采集点到所述叶片工作平面的距离大于第二预设阈值。
其中，所述控制所述无人机移动至每个所述采集点拍摄所述叶片工作平面，包括：
控制所述无人机在每个所述采集点分别采用预设角度仰拍和预设角度俯拍的方式拍摄所述叶片工作平面。
其中，所述根据所述多张目标图像中的叶片像素占比将所述多张目标图像分别分类至各个叶片，包括：
通过训练完成的第二神经网络提取每一张所述目标图像中的叶片部分以获取每一张所述目标图像中的叶片像素占比；
根据所述多张目标图像中的叶片像素占比的变化周期以及所述目标风机的叶片个数将所述多张目标图像分别分类至各个叶片。
实施例四
本发明还提供一种计算机可读存储介质，其中，存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现如上所述的风机运行状态下叶片图像采集方法的步骤。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (12)

1.一种风机运行状态下叶片图像采集方法，其特征在于，所述方法包括：
控制无人机飞行至目标风机的上方并垂直向下拍摄得到至少一张上方图像，根据所述至少一张上方图像调节所述无人机的位置以使得所述目标风机的塔筒中心在上方图像的中心位置；
当所述塔筒中心在所述无人机拍摄的上方图像的中心位置后，根据所述无人机的航向和所述无人机拍摄的上方图像确定所述目标风机的叶片工作平面的三维空间位置；
根据所述叶片工作平面的三维空间位置确定至少一个采集点，控制所述无人机移动至每个所述采集点拍摄所述叶片工作平面，得到多张目标图像；
根据所述多张目标图像中的叶片像素占比将所述多张目标图像分别分类至各个叶片，得到所述目标风机的叶片图像。
2.根据权利要求1所述的风机运行状态下叶片图像采集方法，其特征在于，所述根据所述至少一张上方图像调节所述无人机的位置以使得所述目标风机的塔筒中心在上方图像中心位置，包括：
根据预先训练完成的第一神经网络识别至少一张连续拍摄的上方图像中的风机关键点，所述风机关键点包括机舱尾部中心点、轮毂中心点和叶尖点；
根据所述目标风机的物理参数确定所述目标风机的塔筒中心在上方图像中的位置；
当所述塔筒中心不在上方图像的中心位置时，控制所述无人机向所述塔筒中心移动并获取新的至少一张连续拍摄的上方图像；
重复执行所述识别至少一张连续拍摄的上方图像中的风机关键点的步骤直至所述塔筒中心在上方图像的中心位置。
3.根据权利要求2所述的风机运行状态下叶片图像采集方法，其特征在于，所述根据所述目标风机的物理参数确定所述目标风机的塔筒中心在上方图像中的位置，包括：
获取所述至少一张连续拍摄的上方图像中的机舱尾部中心点平均位置和轮毂中心点平均位置；
根据所述目标风机的第一物理参数和第二物理参数的比值，以及所述至少一张连续拍摄的上方图像中机舱尾部中心点平均位置和轮毂中心点平均位置的距离确定所述塔筒中心在上方图像中的位置；
其中，所述第一物理参数为轮毂中心点与塔筒中心的实际水平距离，所述第二物理参数为塔筒中心和机舱尾部中心的实际水平距离。
4.根据权利要求1所述的风机运行状态下叶片图像采集方法，其特征在于，所述根据所述无人机的航向和所述无人机拍摄的上方图像确定所述目标风机的叶片工作平面的三维空间位置，包括：
根据最新的至少一张连续拍摄的上方图像中所有叶尖点得到第一直线；
根据最新的至少一张连续拍摄的上方图像中所有机舱尾部中心点和轮毂中心点得到第二直线；
根据所述第一直线和所述第二直线的夹角确定所述目标风机的机舱在上方图像中的朝向；
根据所述无人机的航向和所述目标风机的机舱在上方图像中的朝向确定所述目标风机的机舱在地理坐标系下的朝向；
根据所述目标风机的机舱在地理坐标系下的朝向、所述目标风机的地理位置以及所述目标风机的物理参数确定所述叶片工作平面的三维空间位置。
5.根据权利要求4所述的风机运行状态下叶片图像采集方法，其特征在于，所述根据所述第一直线和所述第二直线的夹角确定所述目标风机的机舱在图像中的朝向，包括：
若所述第一直线和所述第二直线的夹角在预设范围内，则确定所述第二直线的方向为所述目标风机的机舱在上方图像中的朝向；
若所述第一直线和所述第二直线的夹角不在所述预设范围内，则确定所述第一直线的垂直方向为所述目标风机的机舱在上方图像中的朝向；
其中，所述预设范围为(90°-X°，90°+X°)，X为常数，X＞0。
6.根据权利要求4所述的风机运行状态下叶片图像采集方法，其特征在于，所述根据所述目标风机的机舱在地理坐标系下的朝向、所述目标风机的地理位置以及所述目标风机的物理参数确定所述叶片工作平面的三维空间位置，包括：
根据所述目标风机的第三物理参数以及所述目标风机的地理位置确定所述叶片工作平面的中心点在地理坐标系中的位置，所述第三物理参数为轮毂中心高度；
根据所述目标风机的第四物理参数确定所述叶片工作平面的面积，所述第四物理参数为叶轮半径；
根据所述目标风机的机舱在地理坐标系下的朝向确定所述叶片工作平面在地理坐标系下的朝向。
7.根据权利要求1所述的风机运行状态下叶片图像采集方法，其特征在于，所述至少一个采集点的高度均与所述叶片工作平面的中心高度一致；所述采集点满足所述无人机在每个所述采集点拍摄的图像与在相邻采集点拍摄的图像的重合区域大于第一预设阈值；每个所述采集点到所述叶片工作平面的距离大于第二预设阈值。
8.根据权利要求1所述的风机运行状态下叶片图像采集方法，其特征在于，所述控制所述无人机移动至每个所述采集点拍摄所述叶片工作平面，包括：
控制所述无人机在每个所述采集点分别采用预设角度仰拍和预设角度俯拍的方式拍摄所述叶片工作平面。
9.根据权利要求1所述的风机运行状态下叶片图像采集方法，其特征在于，所述根据所述多张目标图像中的叶片像素占比将所述多张目标图像分别分类至各个叶片，包括：
通过训练完成的第二神经网络提取每一张所述目标图像中的叶片部分以获取每一张所述目标图像中的叶片像素占比；
根据所述多张目标图像中的叶片像素占比的变化周期以及所述目标风机的叶片个数将所述多张目标图像分别分类至各个叶片。
10.一种风机运行状态下叶片图像采集装置，其特征在于，包括：
上方图像拍摄控制模块，所述上方图像拍摄控制模块用于控制无人机飞行至目标风机的上方并垂直向下拍摄得到至少一张上方图像，根据所述至少一张上方图像调节所述无人机的位置以使得所述目标风机的塔筒中心在上方图像的中心位置；
叶片工作平面确定模块，所述叶片工作平面确定模块用于当所述塔筒中心在所述无人机拍摄的上方图像的中心位置后，根据所述无人机的航向和所述无人机拍摄的上方图像确定所述目标风机的叶片工作平面的三维空间位置；
目标图像拍摄控制模块，所述目标图像拍摄控制模块用于根据所述叶片工作平面的三维空间位置确定至少一个采集点，控制所述无人机移动至每个所述采集点拍摄所述叶片工作平面，得到多张目标图像；
叶片图像分类模块，所述叶片图像分类模块用于根据所述多张目标图像中的叶片像素占比将所述多张目标图像分别分类至各个叶片，得到所述目标风机的叶片图像。
11.一种终端，其特征在于，所述终端包括：处理器、与处理器通信连接的计算机可读存储介质，所述计算机可读存储介质适用于存储多条指令，所述处理器适用于调用所述计算机可读存储介质中的指令，以执行实现上述权利要求1-9任一项所述的风机运行状态下叶片图像采集方法的步骤。
12.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现如权利要求1-9任一项所述的风机运行状态下叶片图像采集方法的步骤。
CN202110872550.2A 2021-07-30 2021-07-30 一种风机运行状态下叶片图像采集方法 Pending CN113723192A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110872550.2A CN113723192A (zh) 2021-07-30 2021-07-30 一种风机运行状态下叶片图像采集方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110872550.2A CN113723192A (zh) 2021-07-30 2021-07-30 一种风机运行状态下叶片图像采集方法

Publications (1)

Publication Number Publication Date
CN113723192A true CN113723192A (zh) 2021-11-30

Family

ID=78674406

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110872550.2A Pending CN113723192A (zh) 2021-07-30 2021-07-30 一种风机运行状态下叶片图像采集方法

Country Status (1)

Country Link
CN (1) CN113723192A (zh)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114215704A (zh) * 2021-12-14 2022-03-22 复亚智能科技(太仓)有限公司 一种发电风机桨叶图像采集装置、方法及存储介质
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
CN114428518A (zh) * 2021-12-09 2022-05-03 西安因诺航空科技有限公司 一种用于无人机风机叶片自动巡检的风机定向方法
CN114723184A (zh) * 2022-06-08 2022-07-08 广东数字生态科技有限责任公司 一种基于视觉感知的风力发电机测量方法、装置以及设备
CN115442532A (zh) * 2022-09-29 2022-12-06 上海扩博智能技术有限公司 风机不停机巡检的方法、系统、设备及存储介质
CN116206094A (zh) * 2023-04-28 2023-06-02 尚特杰电力科技有限公司 风机扇叶角度测量方法、装置、系统及电子设备
CN116823872A (zh) * 2023-08-25 2023-09-29 尚特杰电力科技有限公司 基于目标追踪和图像分割的风机巡检方法及系统

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114428518A (zh) * 2021-12-09 2022-05-03 西安因诺航空科技有限公司 一种用于无人机风机叶片自动巡检的风机定向方法
CN114428518B (zh) * 2021-12-09 2024-03-22 西安因诺航空科技有限公司 一种用于无人机风机叶片自动巡检的风机定向方法
CN114215704A (zh) * 2021-12-14 2022-03-22 复亚智能科技(太仓)有限公司 一种发电风机桨叶图像采集装置、方法及存储介质
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
CN114723184A (zh) * 2022-06-08 2022-07-08 广东数字生态科技有限责任公司 一种基于视觉感知的风力发电机测量方法、装置以及设备
CN114723184B (zh) * 2022-06-08 2022-10-11 广东数字生态科技有限责任公司 一种基于视觉感知的风力发电机测量方法、装置以及设备
CN115442532A (zh) * 2022-09-29 2022-12-06 上海扩博智能技术有限公司 风机不停机巡检的方法、系统、设备及存储介质
CN115442532B (zh) * 2022-09-29 2023-12-29 上海扩博智能技术有限公司 风机不停机巡检的方法、系统、设备及存储介质
CN116206094A (zh) * 2023-04-28 2023-06-02 尚特杰电力科技有限公司 风机扇叶角度测量方法、装置、系统及电子设备
CN116823872A (zh) * 2023-08-25 2023-09-29 尚特杰电力科技有限公司 基于目标追踪和图像分割的风机巡检方法及系统
CN116823872B (zh) * 2023-08-25 2024-01-26 尚特杰电力科技有限公司 基于目标追踪和图像分割的风机巡检方法及系统

Similar Documents

Publication Publication Date Title
CN113723192A (zh) 一种风机运行状态下叶片图像采集方法
CN111289533B (zh) 风机叶片的巡检方法、装置、无人机和存储介质
CN113485453B (zh) 一种海上无人机巡检飞行路径生成方法、装置及无人机
CA3100569C (en) Ship identity recognition method base on fusion of ais data and video data
CN107014827B (zh) 基于影像处理的输电线路缺陷分析方法、装置和系统
CN106897998B (zh) 太阳能直射辐射强度信息预测方法和系统
CN114266299A (zh) 基于无人机作业的铁路桥梁钢结构缺陷检测方法及系统
Xi et al. A vision-based inspection strategy for large-scale photovoltaic farms using an autonomous UAV
CN112700498A (zh) 一种基于深度学习的风力发电机叶尖定位方法及系统
CN108961276B (zh) 基于视觉伺服的配电线路巡检数据自动采集方法及系统
Zhang et al. Aerial image analysis based on improved adaptive clustering for photovoltaic module inspection
Hao et al. Detection of bird nests on power line patrol using single shot detector
CN112613334A (zh) 无人机在输电线路上高精度自主巡检图像识别方法
CN112036336B (zh) 一种基于ai智能图像分析的工程监测方法及系统
CN111273701B (zh) 一种云台视觉控制系统以及控制方法
CN111736156B (zh) 一种基于天气雷达的逆风区识别方法与装置
CN116486290B (zh) 一种无人机监测追踪方法、装置、电子设备及存储介质
CN115686073B (zh) 一种基于无人机的输电线路巡检控制方法及系统
CN116974298A (zh) 基于单线激光雷达输电线路仿线飞行方法及系统
CN111539919B (zh) 一种杆塔部件位置判断和轨迹巡检方法及装置
CN114428518A (zh) 一种用于无人机风机叶片自动巡检的风机定向方法
CN114659499A (zh) 一种基于无人机技术的智慧城市3d地图模型摄影建立方法
KR102171597B1 (ko) 풍력 발전기 블레이드 인식/분석 장치 및 방법
WO2022220692A1 (en) Bird detection and species determination
CN109886355B (zh) 一种空中非合作目标固定翼要害点检测方法

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