CN115824957A - 一种基于图像实现风电叶片缺陷自动检测的方法 - Google Patents
一种基于图像实现风电叶片缺陷自动检测的方法 Download PDFInfo
- Publication number
- CN115824957A CN115824957A CN202111355749.4A CN202111355749A CN115824957A CN 115824957 A CN115824957 A CN 115824957A CN 202111355749 A CN202111355749 A CN 202111355749A CN 115824957 A CN115824957 A CN 115824957A
- Authority
- CN
- China
- Prior art keywords
- wind power
- power blade
- defects
- image
- detection
- 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
Links
- 230000007547 defect Effects 0.000 title claims abstract description 81
- 238000000034 method Methods 0.000 title claims abstract description 38
- 230000025518 detection of mechanical stimulus involved in sensory perception of wind Effects 0.000 title claims abstract description 14
- 238000001514 detection method Methods 0.000 claims abstract description 37
- 230000007246 mechanism Effects 0.000 claims abstract description 24
- 238000007689 inspection Methods 0.000 claims abstract description 21
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 16
- 238000004891 communication Methods 0.000 claims description 13
- 230000004927 fusion Effects 0.000 claims description 10
- 238000000605 extraction Methods 0.000 claims description 4
- 239000011159 matrix material Substances 0.000 claims description 3
- 230000004044 response Effects 0.000 claims description 3
- 238000012423 maintenance Methods 0.000 abstract description 5
- 230000006870 function Effects 0.000 description 8
- 230000008569 process Effects 0.000 description 8
- 238000003708 edge detection Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 210000002569 neuron Anatomy 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000013145 classification model Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000005611 electricity Effects 0.000 description 2
- 230000003028 elevating effect Effects 0.000 description 2
- 238000009499 grossing Methods 0.000 description 2
- 238000005286 illumination Methods 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 239000008358 core component Substances 0.000 description 1
- 239000011152 fibreglass Substances 0.000 description 1
- 239000003292 glue Substances 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000007847 structural defect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 210000003934 vacuole Anatomy 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- 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
Abstract
本发明公开了一种基于图像实现风电叶片缺陷自动检测的方法，包括如下步骤：S1、使巡检机器人行驶至需要进行缺陷检测的风电叶片内；S2、随着巡检机器人的移动，设于巡检机器人上的高清摄像仪对风电叶片的内壁进行拍摄，并将拍摄的图像传递给计算机；S3、计算机采用Python软件对接收的图像通过HED网络、显著性检测、基于注意力机制的卷积神经网络的处理，实现风电叶片内壁缺陷的定位和分类。本发明可实现对风电叶片缺陷进行远距离、全方位、自动化检测，具有检测速度快、检测精度高、抗干扰性好等优点，可为风电叶片的安全运营、预警、及时维护提供有力的支撑。
Description
技术领域
本发明是涉及一种基于图像实现风电叶片缺陷自动检测的方法，属于风电叶片缺陷检 测技术领域。
背景技术
风电叶片是将风能转化成机械能的核心部件之一，其质量的好坏直接影响整机的性能 和发电效率。目前大型风电叶片的结构都是玻璃钢蒙皮与主梁形式，在制造过程中，受工 艺影响，叶片制作盲区难免会出现空泡、裂纹、缺胶、固化不良等多种类型的结构缺陷。 这些缺陷在长期交变载荷的作用下，会不断扩展并发展成为疲劳损伤。随着风机行业大型 化趋势愈发明显，叶片长度在不断加长，对叶片的质量提出了更高的要求，因此，在叶片 制造、测试及运输过程中通过有效检测手段及早发现缺陷显得尤为重要。
目前，风电叶片的缺陷检测多采用目视法和敲击法。这两种方法虽然操作简单，但是 难以准确检测出风电叶片的缺陷，且漏检率高，检测效率低，检测维护成本很高，因此不能很好地满足风电叶片安全运营、预警、及时维护的需求。
发明内容
针对现有技术存在的上述问题，本发明的目的是提供一种基于图像实现风电叶片缺陷 自动检测的方法。
为实现上述目的，本发明采用如下技术方案：
一种基于图像实现风电叶片缺陷自动检测的方法，包括如下步骤：
S1、使巡检机器人行驶至需要进行缺陷检测的风电叶片内，所述巡检机器人的前端设 有自适应旋转升降机构，所述自适应旋转升降机构连接有高清摄像仪，所述高清摄像仪信 号连接有计算机；
S2、随着巡检机器人的移动，设于巡检机器人上的高清摄像仪对风电叶片的内壁进行 拍摄，并将拍摄的图像传递给计算机；
S3、计算机采用Python软件对接收的图像通过HED网络、显著性检测、基于注意力机 制的卷积神经网络的处理，实现风电叶片内壁缺陷的定位和分类。
一种实施方案，所述步骤S3包括如下具体操作：
S31、计算机采用Python软件构建HED网络(即整体嵌套边缘检测网络)，完成对风电叶片内壁图像中缺陷边缘特征的提取，并采用图像显著性检测方法完成缺陷边缘特征的增强，实现缺陷的准确定位；
S32、将所得到的风电叶片内壁的显著性特征图片输入基于注意力机制的卷积神经网 络，从而清晰地辨别风电叶片内部缺陷的种类。
一种优选方案，步骤S31中，采用HED网络对接收图像中缺陷边缘特征的提取方法为： 将拍摄的风电叶片内壁图片作为输入，使用HED网络来进行边缘检测任务。由于该网络采 用多尺度、多级别学习的方式，因此将风电叶片内壁图像进行不同感受野情况下卷积后插 入输出层，就可以得到多尺度下的风电叶片内壁图像，最后将特征响应融合为一个单一的 网格结构，从而得到风电叶片缺陷边缘特征图像。
采用图像显著性检测方法对风电叶片内壁缺陷进行准确定位的方法为：将经过HED网 络处理后的风电叶片内壁图像作为输入，基于协方差矩阵进行非线性特征的融合以捕捉风 电叶片内壁图像中缺陷的显著性区域，对显著图的二值分割图像进行连通域标记，清楚、 全面地提取了缺陷区域，并对缺陷进行定位，可有效避免图像中复杂纹理特征导致的误判， 提高缺陷定位的准确率。
一种优选方案，步骤S32中，所述基于注意力机制的卷积神经网络辨别风电叶片内壁 缺陷的种类的过程为：首先，构建卷积神经网络，并在卷积神经网络的卷积层嵌入注意力 机制模块并预测出一定的注意区域；然后，将注意力机制模块中生成的注意力特征与卷积 神经网络的最后一层卷积层输入的全局特征进行双线性融合，以此来进一步增强特征；最 后，经过Softmax层进行分类，将交叉熵损失函数作Loss计算，不断迭代优化网络模型结构，得到风电叶片内壁缺陷图像的分类模型，从而更精确地实现缺陷类别的划分。
一种实施方案，所述自适应旋转升降机构包括垂向设置的可升降的升降支架，所述升 降支架的顶部设有可水平旋转的旋转件，所述高清摄像仪与旋转件相连。
一种优选方案，所述巡检机器人上设有水平设置的连接件，所述连接件的后端与旋转 件相连，连接件的前端连接有安装板，所述高清摄像仪安装在安装板上。
一种优选方案，在巡检机器人的前端还设有照明灯。
一种优选方案，在巡检机器人上还设有无线通信模块，所述无线通信模块与计算机相 连接，所述高清摄像仪通过无线通信模块与计算机相连接。
一种优选方案，在巡检机器人上还设有报警模块，所述报警模块与计算机相连接。
一种优选方案，在巡检机器人上还设有移动电源。
相较于现有技术，本发明的有益技术效果在于：
本发明提供的基于图像实现风电叶片缺陷自动检测的方法，可实现对风电叶片缺陷进 行远距离、全方位、自动化检测，具有检测速度快、检测精度高、抗干扰性好等优点，可为风电叶片的安全运营、预警、及时维护提供有力的支撑。因此，本发明相对于现有技术，具有显著进步性和应用价值。
附图说明
图1是本发明实施例中提供的一种基于图像实现风电叶片缺陷自动检测的装置的结构 示意图；
图2是本发明实施例中提供的基于图像实现风电叶片缺陷自动检测的装置的使用示意 图；
图中标号示意如下：1、巡检机器人；2、自适应旋转升降机构；21、升降支架；22、 旋转件；3、高清摄像仪；4、风电叶片；5、连接件；6、安装板；7、照明灯；8、无线通 信模块；9、报警模块；10、移动电源。
具体实施方式
以下将结合附图和实施例对本发明的技术方案做进一步清楚、完整地描述。
实施例
本发明提供的一种基于图像实现风电叶片缺陷自动检测的方法，包括如下步骤：
S1、使巡检机器人行驶至需要进行缺陷检测的风电叶片内；
S2、随着巡检机器人的移动，设于巡检机器人上的高清摄像仪对风电叶片的内壁进行 拍摄，并将拍摄的图像传递给计算机(可通过无线通信模块将拍摄的图像传递给计算机)；
S3、计算机采用Python软件对接收的图像通过HED网络、显著性检测、基于注意力机 制的卷积神经网络的处理，实现风电叶片内壁缺陷的定位和分类，具体包括如下操作：
S31、计算机采用Python软件构建HED网络，完成对风电叶片内壁图像中缺陷边缘特 征的提取，并采用图像显著性检测方法完成缺陷边缘特征的增强，实现缺陷的准确定位； 具体方法如下：
将拍摄的风电叶片内壁图片作为输入，使用整体嵌套边缘检测(HED)网络来进行边 缘检测任务；由于该网络采用多尺度、多级别学习的方式，因此将风电叶片内壁图像进行 不同感受野情况下卷积后插入输出层，就可以得到多尺度下的风电叶片内壁图像；最后， 将特征响应融合为一个单一的网格结构，从而得到风电叶片缺陷边缘特征图像，具体过程 如下：
对于风电叶片内壁图像，我们进行测试，HED预测M个side output层和一个融合层， 如下式所示：
其中：
表示融合层，
表示output层，共计M个，CNN表示对于输入风电叶片内壁 图像进行像素卷积操作；
其中HED的输入是side output层和融合层的均值，如下式所示：
其中Average为平均值函数，
为side output层和融合层的均值；
为了增强风电叶片图像中缺陷信息，HED网络对边缘位置损失函数的系数进行了放大， 对于边缘像素点加大其分类损失的权重，对于非边缘像素点减少其分类损失的权重，假设 进行m次不同尺度的卷积，然后将m阶段进行融合，其损失函数如下：
式中：Y-，Y+，表示存在于标签中登记为非边缘的元素以及登记为边缘的元素，其中β＝|Y-|/|Y|，β是用于平衡边缘检测的正负样本不均衡的类别权值；X是卷积特征向量，w(m)是第m层网络将要学习的所有参数，Pr(yi＝1|X；w(m))代表的是第m阶段中位于像素点i处 的预测值，其激活函数是sigmoid函数，Lside是第m阶段的损失函数；具体实现过程如下：
首先，采用特征叠加求和的网络融合方式，并应用梯度下降算法进行网络训练模型的 自我优化；然后，将风电叶片内壁缺陷图像输入网络训练模型，进而输出风电叶片内壁缺 陷的轮廓信息；
接着，采用图像显著性检测方法对风电叶片内壁缺陷进行准确定位：将经过HED网络 处理后的风电叶片内壁图像作为输入，基于协方差矩阵进行非线性特征的融合以捕捉风电 叶片内壁图像中缺陷的显著性区域，对显著图的二值分割图像进行连通域标记，最后，清 楚、全面地提取了缺陷区域，并对缺陷的进行定位，可有效避免图像中复杂纹理特征导致 的误判，提高缺陷定位的准确率；
所采用的显著性检测方法为像素显著性检测，计算公式如下：
N(P(x,y))＝||IU(P(x,y))||-||IG(P(x,y))|| (4)
其中，P(x,y)为风电叶片图像的像素点，IU为风电叶片内壁图像像素点P(x,y)的Lab 颜色特征，IG为像素点P(x,y)在高斯平滑后的Lab颜色特征，||·||为欧几里得范数，即计算 Lab颜色空间的欧氏距离，高斯平滑公式为
(x,y)为像素点在图像中的坐标，I(x,y)表示该点的像素值，σ为尺度空间因子；
由此，可以得到风电叶片内壁缺陷显著性特征图，从而清楚全面地提取缺陷区域，并 有效避免图像中复杂纹理特征对定位的干扰，提高缺陷定位的准确率；
S32、将所得到的风电叶片内壁的显著性特征图片输入基于注意力机制的卷积神经网 络，从而清晰地辨别风电叶片内部缺陷的种类；注意力机制模块是基于解码器神经元的历 史输出和编码器各个神经元的输出，计算出编码器各个时间步的输出，数学表达式为：
wj·i＝g(yn,zi) (6)
其中，wj·i表示编码器神经元的第i个时间步输出对解码器第j个时间步输出的权重，zi是 第i个编码器的输出，yn是第n个时间步；具体实现过程如下：
首先，构建卷积神经网络，并在卷积神经网络的卷积层嵌入注意力机制模块，并预测 出一定的注意区域；然后，将注意力机制模块中生成的注意力特征与卷积神经网络的最后 一层卷积层输入的全局特征进行双线性融合，以此来进一步增强特征；最后，经过Softmax 层进行分类，将交叉熵损失函数作Loss计算，不断迭代优化网络模型结构，从而得到风电 叶片内壁缺陷图像的分类模型，从而更精确地实现缺陷类别的划分。
请参阅图1和图2所示，一种实现本发明上述方法的基于图像实现风电叶片缺陷自动 检测的装置，包括与风电叶片4相适配的巡检机器人1，所述巡检机器人1的前端设有自适 应旋转升降机构2，所述自适应旋转升降机构2连接有高清摄像仪3，所述高清摄像仪3信号连接有计算机(图中未显示)。
本实施例中，所述自适应旋转升降机构2包括垂向设置的可升降的升降支架21，所述 升降支架21的顶部设有可水平旋转的旋转件22，所述高清摄像仪3与旋转件22相连，使得高清摄像仪3可以自动升降和旋转，从而可根据要求灵活调节高清摄像仪3的位置，进 而灵活调节高清摄像仪3每次拍照的范围，进而可以能够全方位拍摄采集风电叶片4内壁 的图像，不会发生漏检现象，提高了检测的完整性。本实施例图中省略掉了用于驱动升降 支架21升降和驱动旋转件22水平旋转的驱动机构，这部分属于公知常识，此处就不再一 一赘述。
本实施例中，所述巡检机器人1上设有水平设置的连接件5，所述连接件5的后端与旋 转件22相连，连接件5的前端连接有安装板6，所述高清摄像仪3安装在安装板6上，加 强了高清摄像仪3与自适应旋转升降机构2之间连接的稳固性。
本实施例中，在巡检机器人1的前端还设有照明灯7，以避免在夜间或较暗环境下高清 摄像仪3拍摄模糊无法识别缺陷的问题，避免漏检，提升了检测的适应性。照明灯7的数 量根据需要灵活设定，例如，本实施例中，是在巡检机器人1的前端设有一个照明灯7。
本实施例中，在巡检机器人1上还设有无线通信模块8，所述无线通信模块8与计算机 相连接，所述高清摄像仪3通过无线通信模块8与计算机相连接，便于将高清摄像仪3拍摄的图像通过无线通信模块8传输至计算机进行分析处理，无线通信模块8可以解决检测数据量过大的问题，确保检测数据的可靠发送。
本实施例中，在巡检机器人1上还设有报警模块9，所述报警模块9与计算机信号连接， 以便发现风电叶片4上有缺陷存在时，可以通过计算机驱动报警模块9进行报警。所述报 警模块9采用市售报警器即可。
本实施例中，在巡检机器人1上还设有移动电源10，以实现对所述装置进行移动供电。
由上所述可见，本发明先利用高清摄像仪3拍摄采集风电叶片内壁图像；接着将拍摄 采集的图像信息传送至计算机进行处理分析；计算机采用Python软件构建HED网络，完成 对风电叶片内壁图像中缺陷边缘特征的提取，并采用图像显著性检测方法完成缺陷边缘特 征的增强，实现缺陷的准确定位；通过将风电叶片内壁的显著性特征图片输入基于注意力 机制的卷积神经网络，从而可清晰地辨别风电叶片内壁缺陷的种类。因此，本发明可实现 对风电叶片缺陷进行远距离、全方位、自动化检测，具有检测速度快、检测精度高、抗干 扰性好等优点，可为风电叶片的安全运营、预警、及时维护提供有力的支撑，相对于现有技术，具有显著进步性和应用价值。
最后有必要在此指出的是：以上所述仅为本发明较佳的具体实施方式，但本发明的保 护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻 易想到的变化或替换，都应涵盖在本发明的保护范围之内。
Claims (9)
1.一种基于图像实现风电叶片缺陷自动检测的方法，其特征在于，包括如下步骤：
S1、使巡检机器人行驶至需要进行缺陷检测的风电叶片内，所述巡检机器人的前端设有自适应旋转升降机构，所述自适应旋转升降机构连接有高清摄像仪，所述高清摄像仪信号连接有计算机；
S2、随着巡检机器人的移动，设于巡检机器人上的高清摄像仪对风电叶片的内壁进行拍摄，并将拍摄的图像传递给计算机；
S3、计算机采用Python软件对接收的图像通过HED网络、显著性检测、基于注意力机制的卷积神经网络的处理，实现风电叶片内壁缺陷的定位和分类。
2.根据权利要求1所述的基于图像实现风电叶片缺陷自动检测的方法，其特征在于，所述步骤S3包括如下具体操作：
S31、计算机采用Python软件构建HED网络，完成对风电叶片内壁图像中缺陷边缘特征的提取，并采用图像显著性检测方法完成缺陷边缘特征的增强，实现缺陷的准确定位；
S32、将所得到的风电叶片内壁的显著性特征图片输入基于注意力机制的卷积神经网络，从而清晰地辨别风电叶片内部缺陷的种类。
3.根据权利要求2所述的基于图像实现风电叶片缺陷自动检测的方法，其特征在于，步骤S31中，基于HED网络，得到多尺度下的风电叶片内壁图像，通过特征响应融合，获取风电叶片内壁缺陷的边缘图像，并基于显著性检测方法，通过协方差矩阵进行非线性特征的融合以捕捉风电叶片内壁图像中缺陷的显著性区域，实现缺陷的准确定位。
4.根据权利要求1所述的基于图像实现风电叶片缺陷自动检测的方法，其特征在于：所述自适应旋转升降机构包括垂向设置的可升降的升降支架，所述升降支架的顶部设有可水平旋转的旋转件，所述高清摄像仪与旋转件相连。
5.根据权利要求4所述的基于图像实现风电叶片缺陷自动检测的方法，其特征在于：所述巡检机器人上设有水平设置的连接件，所述连接件的后端与旋转件相连，连接件的前端连接有安装板，所述高清摄像仪安装在安装板上。
6.根据权利要求1所述的基于图像实现风电叶片缺陷自动检测的方法，其特征在于：在巡检机器人的前端还设有照明灯。
7.根据权利要求1所述的基于图像实现风电叶片缺陷自动检测的方法，其特征在于：在巡检机器人上还设有无线通信模块，所述无线通信模块与计算机相连接，所述高清摄像仪通过无线通信模块与计算机连接。
8.根据权利要求1所述的基于图像实现风电叶片缺陷自动检测的方法，其特征在于：在巡检机器人上还设有报警模块，所述报警模块与计算机相连接。
9.根据权利要求1所述的基于图像实现风电叶片缺陷自动检测的方法，其特征在于：在巡检机器人上还设有移动电源。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111355749.4A CN115824957B (zh) | 2021-11-16 | 2021-11-16 | 一种基于图像实现风电叶片缺陷自动检测的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111355749.4A CN115824957B (zh) | 2021-11-16 | 2021-11-16 | 一种基于图像实现风电叶片缺陷自动检测的方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115824957A true CN115824957A (zh) | 2023-03-21 |
| CN115824957B CN115824957B (zh) | 2023-12-01 |
Family
ID=85515447
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111355749.4A Active CN115824957B (zh) | 2021-11-16 | 2021-11-16 | 一种基于图像实现风电叶片缺陷自动检测的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115824957B (zh) |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20120132804A (ko) * | 2011-05-30 | 2012-12-10 | 대우조선해양 주식회사 | 풍력 블레이드 자동 검사장치 및 검사방법 |
| CN104103082A (zh) * | 2014-06-06 | 2014-10-15 | 华南理工大学 | 一种基于区域描述和先验知识的图像显著性检测方法 |
| CN205823555U (zh) * | 2016-07-05 | 2016-12-21 | 北京国电思达科技有限公司 | 一种风电机组叶片腔体巡检仪 |
| US20180342069A1 (en) * | 2017-05-25 | 2018-11-29 | General Electric Company | Neural network feature recognition system |
| CN108960255A (zh) * | 2018-06-28 | 2018-12-07 | 西安工程大学 | 基于颜色相似性和位置聚集性的显著性织物疵点检测方法 |
| CN109741320A (zh) * | 2019-01-07 | 2019-05-10 | 哈尔滨理工大学 | 一种基于航拍图像的风电叶片故障检测方法 |
| CN110044923A (zh) * | 2019-04-29 | 2019-07-23 | 北京工业大学 | 一种基于边缘算法的现浇结构外观质量检测智能机器人 |
| KR20200031860A (ko) * | 2018-09-17 | 2020-03-25 | 윈디텍 주식회사 | 안전점검 기준표와 분류별 결함 데이터를 활용한 풍력 발전기 블레이드 안전 관리 시스템 및 방법 |
| CN112418223A (zh) * | 2020-12-11 | 2021-02-26 | 互助土族自治县北山林场 | 一种基于改进优化的野生动物图像显著性目标检测方法 |
| CN112950634A (zh) * | 2021-04-22 | 2021-06-11 | 内蒙古电力(集团)有限责任公司内蒙古电力科学研究院分公司 | 基于无人机巡检的风力机叶片损伤识别方法、设备和系统 |
| CN113610749A (zh) * | 2021-04-21 | 2021-11-05 | 北京智慧空间科技有限责任公司 | 基于神经网络的风机叶片缺陷检测方法 |
-
2021
- 2021-11-16 CN CN202111355749.4A patent/CN115824957B/zh active Active
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20120132804A (ko) * | 2011-05-30 | 2012-12-10 | 대우조선해양 주식회사 | 풍력 블레이드 자동 검사장치 및 검사방법 |
| CN104103082A (zh) * | 2014-06-06 | 2014-10-15 | 华南理工大学 | 一种基于区域描述和先验知识的图像显著性检测方法 |
| CN205823555U (zh) * | 2016-07-05 | 2016-12-21 | 北京国电思达科技有限公司 | 一种风电机组叶片腔体巡检仪 |
| US20180342069A1 (en) * | 2017-05-25 | 2018-11-29 | General Electric Company | Neural network feature recognition system |
| CN108960255A (zh) * | 2018-06-28 | 2018-12-07 | 西安工程大学 | 基于颜色相似性和位置聚集性的显著性织物疵点检测方法 |
| KR20200031860A (ko) * | 2018-09-17 | 2020-03-25 | 윈디텍 주식회사 | 안전점검 기준표와 분류별 결함 데이터를 활용한 풍력 발전기 블레이드 안전 관리 시스템 및 방법 |
| CN109741320A (zh) * | 2019-01-07 | 2019-05-10 | 哈尔滨理工大学 | 一种基于航拍图像的风电叶片故障检测方法 |
| CN110044923A (zh) * | 2019-04-29 | 2019-07-23 | 北京工业大学 | 一种基于边缘算法的现浇结构外观质量检测智能机器人 |
| CN112418223A (zh) * | 2020-12-11 | 2021-02-26 | 互助土族自治县北山林场 | 一种基于改进优化的野生动物图像显著性目标检测方法 |
| CN113610749A (zh) * | 2021-04-21 | 2021-11-05 | 北京智慧空间科技有限责任公司 | 基于神经网络的风机叶片缺陷检测方法 |
| CN112950634A (zh) * | 2021-04-22 | 2021-06-11 | 内蒙古电力(集团)有限责任公司内蒙古电力科学研究院分公司 | 基于无人机巡检的风力机叶片损伤识别方法、设备和系统 |
Non-Patent Citations (2)
| Title |
|---|
| 覃禹舜: "基于深度神经网络的图像边缘检测算法研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》, pages 12 * |
| 郑一欢;王永芳;叶鹏;: "基于区域协方差矩阵融合深度的显著性检测方法", 工业控制计算机, no. 09, pages 605 - 615 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115824957B (zh) | 2023-12-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110031477B (zh) | 基于图像监控数据的桥梁关键构件病害预警系统及方法 | |
| WO2022077605A1 (zh) | 一种风力机叶片图像损伤检测和定位方法 | |
| CN111696075A (zh) | 一种基于双光谱图像的风机叶片缺陷智能检测方法 | |
| Rahman et al. | CNN-based deep learning approach for micro-crack detection of solar panels | |
| CN110147772B (zh) | 一种基于迁移学习的水下坝体表面裂缝识别方法 | |
| CN109409327B (zh) | 基于端到端深度神经网络的rru模块物件位姿检测方法 | |
| CN114943689A (zh) | 基于半监督学习的钢铁冷轧退火炉元器件检测方法 | |
| CN112258490A (zh) | 基于光学和红外图像融合的低发射率涂层智能探损方法 | |
| CN110991359A (zh) | 基于多尺度深度卷积神经网络的卫星图像目标检测方法 | |
| CN114743115A (zh) | 一种光伏电子设备的遮挡物识别方法及故障预警系统 | |
| CN113205039A (zh) | 基于多dcnn网络的电力设备故障图像识别勘灾系统及方法 | |
| Prabhakaran et al. | Deep Learning-Based Model for Defect Detection and Localization on Photovoltaic Panels. | |
| CN115311584A (zh) | 一种基于深度学习的无人机高压电网视频巡检飘挂物方法 | |
| CN112950576A (zh) | 基于深度学习的输电线路缺陷智能识别方法及系统 | |
| CN113837994B (zh) | 一种基于边缘检测卷积神经网络的光伏板缺陷诊断方法 | |
| CN110188624A (zh) | 一种基于深度学习的变电站风漂物识别方法及系统 | |
| Le et al. | Thermal inspection of photovoltaic modules with deep convolutional neural networks on edge devices in AUV | |
| CN115824957B (zh) | 一种基于图像实现风电叶片缺陷自动检测的方法 | |
| CN108198164A (zh) | 一种电缆隧道电缆完整性的检测装置及方法 | |
| TWI732683B (zh) | 太陽能發電模組缺陷智慧診斷系統與方法 | |
| TWI732682B (zh) | 太陽能發電模組失效分析系統與方法 | |
| CN106814088A (zh) | 基于机器视觉对电池片颜色分选的检测装置及方法 | |
| CN111539950A (zh) | 一种基于机器视觉的太阳能板缺陷检测系统 | |
| CN115410154A (zh) | 一种风电机舱电气设备热故障识别方法 | |
| Sun et al. | Dust Detection Techniques for Photovoltaic Panels from a Machine Vision Perspective: A Review |
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 |