CN116012774A - 高空风电空中伞面的损伤检测方法及装置 - Google Patents

高空风电空中伞面的损伤检测方法及装置 Download PDF

Info

Publication number
CN116012774A
CN116012774A CN202211542943.8A CN202211542943A CN116012774A CN 116012774 A CN116012774 A CN 116012774A CN 202211542943 A CN202211542943 A CN 202211542943A CN 116012774 A CN116012774 A CN 116012774A
Authority
CN
China
Prior art keywords
umbrella surface
aerial
damage
umbrella
detected
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
CN202211542943.8A
Other languages
English (en)
Inventor
张翔
李仲元
朱滨
张松
任宗栋
李晓宇
孙健
陈自祥
王琨
孟祥娟
杨亚军
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.)
China Power Engineering Consulting Group Corp
China Energy Engineering Group Anhui Electric Power Design Institute Co Ltd
Original Assignee
China Power Engineering Consulting Group Corp
China Energy Engineering Group Anhui Electric Power Design Institute 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 China Power Engineering Consulting Group Corp, China Energy Engineering Group Anhui Electric Power Design Institute Co Ltd filed Critical China Power Engineering Consulting Group Corp
Priority to CN202211542943.8A priority Critical patent/CN116012774A/zh
Publication of CN116012774A publication Critical patent/CN116012774A/zh
Priority to CN202310513171.3A priority patent/CN116416578B/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
    • 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
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/36—Applying a local operator, i.e. means to operate on image points situated in the vicinity of a given point; Non-linear local filtering operations, e.g. median filtering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N7/00—Television systems
    • H04N7/18—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast
    • 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Multimedia (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computational Linguistics (AREA)
  • Medical Informatics (AREA)
  • Databases & Information Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Nonlinear Science (AREA)
  • Signal Processing (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供了一种高空风电空中伞面的损伤检测方法及装置，其中方法包括：获取高空风电的待测空中伞面图像；将所述待测空中伞面图像输入损伤检测模型中，得到所述待测空中伞面图像的伞面损伤信息；其中，所述损伤检测模型是以已知空中伞面图像作为样本训练得到的，所述已知空中伞面图像标注有伞面损伤信息，所述待测空中伞面图像和所述已知空中伞面图像均是通过固定在缆绳上的摄像机采集到的。本方案能够快速准确的检测出高空风能发电伞面的损伤情况。

Description

高空风电空中伞面的损伤检测方法及装置
技术领域
本发明实施例涉及高空风能发电技术领域，特别涉及一种高空风电空中伞面的损伤检测方法及装置。
背景技术
高空风能发电是把轻量级飞行器(例如风筝、降落伞等)系在缆绳上放飞到高空，飞行器在风力作用下做爬升运动从而拉动发电机旋转产生电能。当达到一定高度后，飞行器通过特殊操纵降低高度回到初始位置，缆绳重绕，进入下一个循环。
降落伞是高空风能发电常见的飞行器形式，承担捕获风能带动缆绳上升的作用，是高空风能发电系统中最重要的空中设备之一。工程应用中，由于降落伞伞面长期暴露在强紫外线辐射、强日照、降雨等气象条件下，伞面容易发生损伤，如磨损、老化、伞布缝合处撕裂、伞面破裂等情况。当伞面发生损伤时，不仅会影响系统的做功发电能力，对空中系统运行的稳定性和安全性也将产生严重危害。因此，快速准确的识别伞面损伤对发电系统的安全运行具有重要意义。
因此，目前亟待需要一种高空风电空中伞面的损伤检测方法及装置来解决上述技术问题。
发明内容
本发明实施例提供了一种高空风电空中伞面的损伤检测方法及装置，能够快速准确的检测出高空风能发电伞面的损伤情况。
第一方面，本发明实施例提供了一种高空风电空中伞面的损伤检测方法，包括：
获取高空风电的待测空中伞面图像；
将所述待测空中伞面图像输入损伤检测模型中，得到所述待测空中伞面图像的伞面损伤信息；其中，所述损伤检测模型是以已知空中伞面图像作为样本训练得到的，所述已知空中伞面图像标注有伞面损伤信息，所述待测空中伞面图像和所述已知空中伞面图像均是通过固定在缆绳上的摄像机采集到的。
在一种可能的设计中，所述将所述待测空中伞面图像输入损伤检测模型中，包括：
将所述待测空中伞面图像依次进行灰度处理和中值滤波处理，得到处理后的空中伞面图像；
将所述处理后的空中伞面图像输入损伤检测模型中。
在一种可能的设计中，所述伞面损伤信息包括伞面破损置信度、伞面的破损面积和破损长度。
在一种可能的设计中，所述摄像机相对所述缆绳可做周向旋转且所述摄像机与所述缆绳的夹角可调整；
所述摄像机是通过如下方式采集空中伞面图像的：
按照预设的角度间隔调整所述摄像机的周向角度和俯仰角度，以使所述摄像机遍历伞面的每个位置；
针对遍历到的每个位置，均采集当前位置的伞面图像，得到高空发电的空中伞面图像。
在一种可能的设计中，所述损伤检测模型是通过如下方式确定的：
构建基于深度学习的神经网络模型；
利用已知空中伞面图像对所述神经网络模型进行训练；
根据训练结果调整所述神经网络模型中各参数的权重，直至模型收敛，得到损伤检测模型。
在一种可能的设计中，所述神经网络模型为Fast R-CNN模型。
在一种可能的设计中，所述Fast R-CNN模型包括主干网络和RPN网络；
所述主干网络包括卷积层、Relu层和池化层，所述RPN网络包括Reshape层、Softmax层、Proposal层和池化层，所述主干网络用于对输入的伞面图像进行分析，所述RPN网络用于生成检测框以确定伞面图像的损伤信息。
第二方面，本发明实施例还提供了一种高空风电空中伞面的损伤检测装置，包括：
获取模块，用于获取高空风电的待测空中伞面图像；
检测模块，用于将所述待测空中伞面图像输入损伤检测模型中，得到所述待测空中伞面图像的伞面损伤信息；其中，所述损伤检测模型是以已知空中伞面图像作为样本训练得到的，所述已知空中伞面图像标注有伞面损伤信息，所述待测空中伞面图像和所述已知空中伞面图像均是通过固定在缆绳上的摄像机采集到的。
第三方面，本发明实施例还提供了一种计算设备，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器执行所述计算机程序时，实现本说明书任一实施例所述的方法。
第四方面，本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，当所述计算机程序在计算机中执行时，令计算机执行本说明书任一实施例所述的方法。
本发明实施例提供了一种高空风电空中伞面的损伤检测方法及装置，该方法首先构建用于检测空中伞面损伤信息的损伤检测模型，然后利用已知空中伞面图像对该损伤检测模型进行训练，得到训练好的损伤检测模型。如此，对于待测空中伞面图像，只要将其输入至该损伤检测模型中，就可以得到待测空中伞面图像的伞面损伤信息。本方案，能够快速准确的检测出高空风能发电伞面的损伤情况。
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，下面将对实施例或现有技术描述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的前提下，还可以根据这些附图获得其他的附图。
图1是本发明一实施例提供的一种高空风电空中伞面的损伤检测方法流程图；
图2是本发明一实施例提供的利用摄像机采集空中伞面图像的结构示意图；
图3是本发明一实施例提供的一种计算设备的硬件架构图；
图4是本发明一实施例提供的一种高空风电空中伞面的损伤检测装置结构图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，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的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。
下面描述以上构思的具体实现方式。
请参考图1，本发明实施例提供了一种高空风电空中伞面的损伤检测方法，该方法包括：
步骤100，获取高空风电的待测空中伞面图像；
步骤102，将待测空中伞面图像输入损伤检测模型中，得到待测空中伞面图像的伞面损伤信息；其中，损伤检测模型是以已知空中伞面图像作为样本训练得到的，已知空中伞面图像标注有伞面损伤信息，待测空中伞面图像和已知空中伞面图像均是通过固定在缆绳上的摄像机采集到的。
本发明实施例中，首先构建用于检测空中伞面损伤信息的损伤检测模型，然后利用已知空中伞面图像对该损伤检测模型进行训练，得到训练好的损伤检测模型。如此，对于待测空中伞面图像，只要将其输入至该损伤检测模型中，就可以得到待测空中伞面图像的伞面损伤信息。本方案，能够快速准确的检测出高空风能发电伞面的损伤情况。
在一些实施方式中，当摄像机采集到空中伞面图像后，为了获得质量更高、更有利于损伤检测模型识别的图像，需要对采集到的伞面图像(包括待测空中伞面图像和已知空中伞面图像)进行预处理，预处理包括：
步骤A1，对采集到的伞面图像进行灰度变换，即对于图像中的RGB值进行均值化处理，将三通道的彩色图像转化为单通道的灰度图像；
步骤A2，将变换后的灰度图像进行中值滤波处理，例如采用3*3的采样框，对图像的每个像素点进行历遍，得到滤波后的图像，从而消除图像中的噪声，使图像更真实。
在一些实施方式中，若摄像机采集到的伞面图像为非正方形图像，则在步骤A1之前，还包括：
对采集到的伞面图像进行正方形分割，以得到多个正方形的图像。分割完成之后，再对每个正方形图像做步骤A1和步骤A2的处理，最后，将处理后的正方形图像作为损伤检测模型的输入，有利于模型对图像特征的识别与处理。
在一些实施方式中，伞面损伤信息包括伞面破损置信度、伞面的破损面积和破损长度。
在该实施例中，伞面破损置信度表示伞面被损坏的概率，当伞面破损置信度高于设定值时，则需要对伞面做进一步处理，以防止空中系统发生安全事故。当然，当伞面存在破损时，还能检测出伞面的破损面积和破损长度，根据这些信息，制定应对策略。
如图2所示，在一些实施方式中，摄像机相对缆绳可做周向旋转且摄像机与缆绳的夹角可调整；
摄像机是通过如下方式采集空中伞面图像的：
按照预设的角度间隔调整摄像机的周向角度和俯仰角度，以使摄像机遍历伞面的每个位置；
针对遍历到的每个位置，均采集当前位置的伞面图像，得到高空发电的空中伞面图像。
如图2所示，摄像机沿着缆绳做周向旋转的旋转范围为0～360°，摄像机与缆绳的夹角范围为0～90°，摄像机设置在伞面边缘所在平面与缆绳正交的位置，预设的角度间隔是根据摄像机的视场角确定的，优选预设的角度间隔等于摄像机的视场角。例如摄像机的视场角为20°，则初始采集图像时，可以将摄像机与缆绳的夹角设置为80°，且摄像机沿周向以20°的间隔旋转，即每隔20°采集一次图像，直至旋转一周，得到18张图像；然后，将摄像机与缆绳的夹角调整至60°，摄像机继续沿周向以20°的角度间隔采集图像，直至旋转一周；按照同样的步骤调整摄像机采集图像的角度，直至遍历完伞面的每个位置。如此，获得的图像可以覆盖整个伞面，且各张图像之间不存在重叠，从而以最少的图像数量，获得伞面的损伤情况。当然，预设的角度间隔等于摄像机的视场角只是一种优选方式，本申请并不以此为限，只要采集到的图像能够覆盖整个伞面，以防止漏检破损部位即可。此外，采用该方式采集图像，摄像机的俯仰角度不要频繁调整，一个完整的周向运动只需要调整一次俯仰角即可，利于摄像机的控制。
在一些实施方式中，摄像机也可以沿着从伞顶至伞底的方向采集图像，即摄像机的水平角度固定，通过改变摄像机的俯仰角，完成某一角度下从伞顶到伞顶的图像采集；然后调整水平角度，再次通过改变摄像机的俯仰角，完成另一角度下从伞顶到伞顶的图像采集。但该方式需要频繁的调整摄像机的俯仰角，不利于摄像机的控制。
在一些实施方式中，损伤检测模型是通过如下方式确定的：
步骤B1，构建基于深度学习的神经网络模型；
步骤B2，利用已知空中伞面图像对神经网络模型进行训练；
步骤B3，根据训练结果调整神经网络模型中各参数的权重，直至模型收敛，得到损伤检测模型。
在步骤B2中，已知空中伞面图像为正方形图像，例如尺寸为224×224的图像，为了增加图像样本的多样性，可以对已知伞面图像进行翻转、平移、旋转和缩放，以的得到更丰富的样本图像，对全部样本图像进行灰度变换和滤波处理后，将样本图像划分为训练集、验证集和测试集，以对神经网络模型进行训练。
在步骤B3中，在对神经网络模型训练的过程中，需要根据每次的训练结果调整各参数的权重，其任务就是根据损失函数的偏差值来对参数进行调整，直到模型收敛，达到设定的目标预测准确率，权重调整阶段采用SGD优化器梯度下降的方法进行前向传递更新参数，模型训练完毕。
在一些实施方式中，神经网络模型为Fast R-CNN模型，该模型具有较高的准确率。
在一些实施方式中，Fast R-CNN模型包括主干网络和RPN网络；
主干网络包括卷积层、Relu层和池化层，RPN网络包括Reshape层、Softmax层、Proposal层和池化层，主干网络用于对输入的伞面图像进行分析，RPN网络用于生成检测框以确定伞面图像的损伤信息。
在该实施例中，主干网络具有15个卷积层，卷积核大小为3*3，15个Relu层以及4个池化层，池化核大小为2*2；RPN网络包括2个Reshape层，1个Softmax层，1个Proposal层以及1个池化层。当然上述网络结构是一种优选方式，本申请并不以此为限。
如图3、图4所示，本发明实施例提供了一种高空风电空中伞面的损伤检测装置。装置实施例可以通过软件实现，也可以通过硬件或者软硬件结合的方式实现。从硬件层面而言，如图3所示，为本发明实施例提供的一种高空风电空中伞面的损伤检测装置所在计算设备的一种硬件架构图，除了图3所示的处理器、内存、网络接口、以及非易失性存储器之外，实施例中装置所在的计算设备通常还可以包括其他硬件，如负责处理报文的转发芯片等等。以软件实现为例，如图4所示，作为一个逻辑意义上的装置，是通过其所在计算设备的CPU将非易失性存储器中对应的计算机程序读取到内存中运行形成的。本实施例提供的一种高空风电空中伞面的损伤检测装置，包括：
获取模块400，用于获取高空风电的待测空中伞面图像；
检测模块402，用于将待测空中伞面图像输入损伤检测模型中，得到待测空中伞面图像的伞面损伤信息；其中，损伤检测模型是以已知空中伞面图像作为样本训练得到的，已知空中伞面图像标注有伞面损伤信息，待测空中伞面图像和已知空中伞面图像均是通过固定在缆绳上的摄像机采集到的。
在本发明实施例中，获取模块400可用于执行上述方法实施例中的步骤100，检测模块402可用于执行上述方法实施例中的步骤102。
在一些实施方式中，将待测空中伞面图像输入损伤检测模型中，包括：
将待测空中伞面图像依次进行灰度处理和中值滤波处理，得到处理后的空中伞面图像；
将处理后的空中伞面图像输入损伤检测模型中。
在一些实施方式中，伞面损伤信息包括伞面破损置信度、伞面的破损面积和破损长度。
在一些实施方式中，摄像机相对缆绳可做周向旋转且摄像机与缆绳的夹角可调整；
摄像机是通过如下方式采集空中伞面图像的：
按照预设的角度间隔调整摄像机的周向角度和俯仰角度，以使摄像机遍历伞面的每个位置；
针对遍历到的每个位置，均采集当前位置的伞面图像，得到高空发电的空中伞面图像。
在一些实施方式中，损伤检测模型是通过如下方式确定的：
构建基于深度学习的神经网络模型；
利用已知空中伞面图像对神经网络模型进行训练；
根据训练结果调整神经网络模型中各参数的权重，直至模型收敛，得到损伤检测模型。
在一些实施方式中，神经网络模型为Fast R-CNN模型。
在一些实施方式中，Fast R-CNN模型包括主干网络和RPN网络；
主干网络包括卷积层、Relu层和池化层，RPN网络包括Reshape层、Softmax层、Proposal层和池化层，主干网络用于对输入的伞面图像进行分析，RPN网络用于生成检测框以确定伞面图像的损伤信息。
可以理解的是，本发明实施例示意的结构并不构成对一种高空风电空中伞面的损伤检测装置的具体限定。在本发明的另一些实施例中，一种高空风电空中伞面的损伤装置可以包括比图示更多或者更少的部件，或者组合某些部件，或者拆分某些部件，或者不同的部件布置。图示的部件可以以硬件、软件或者软件和硬件的组合来实现。
上述装置内的各模块之间的信息交互、执行过程等内容，由于与本发明方法实施例基于同一构思，具体内容可参见本发明方法实施例中的叙述，此处不再赘述。
本发明实施例还提供了一种计算设备，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器执行所述计算机程序时，实现本发明任一实施例中的一种高空风电空中伞面的损伤方法。
本发明实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序在被处理器执行时，使所述处理器执行本发明任一实施例中的一种高空风电空中伞面的损伤方法。
具体地，可以提供配有存储介质的系统或者装置，在该存储介质上存储着实现上述实施例中任一实施例的功能的软件程序代码，且使该系统或者装置的计算机(或CPU或MPU)读出并执行存储在存储介质中的程序代码。
在这种情况下，从存储介质读取的程序代码本身可实现上述实施例中任何一项实施例的功能，因此程序代码和存储程序代码的存储介质构成了本发明的一部分。
用于提供程序代码的存储介质实施例包括软盘、硬盘、磁光盘、光盘(如CD-ROM、CD-R、CD-RW、DVD-ROM、DVD-RAM、DVD-RW、DVD+RW)、磁带、非易失性存储卡和ROM。可选择地，可以由通信网络从服务器计算机上下载程序代码。
此外，应该清楚的是，不仅可以通过执行计算机所读出的程序代码，而且可以通过基于程序代码的指令使计算机上操作的操作系统等来完成部分或者全部的实际操作，从而实现上述实施例中任意一项实施例的功能。
此外，可以理解的是，将由存储介质读出的程序代码写到插入计算机内的扩展板中所设置的存储器中或者写到与计算机相连接的扩展模块中设置的存储器中，随后基于程序代码的指令使安装在扩展板或者扩展模块上的CPU等来执行部分和全部实际操作，从而实现上述实施例中任一实施例的功能。
需要说明的是，在本文中，诸如第一和第二之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。
本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储在计算机可读取的存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质中。
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 (10)

1.一种高空风电空中伞面的损伤检测方法，其特征在于，包括：
获取高空风电的待测空中伞面图像；
将所述待测空中伞面图像输入损伤检测模型中，得到所述待测空中伞面图像的伞面损伤信息；其中，所述损伤检测模型是以已知空中伞面图像作为样本训练得到的，所述已知空中伞面图像标注有伞面损伤信息，所述待测空中伞面图像和所述已知空中伞面图像均是通过固定在缆绳上的摄像机采集到的。
2.根据权利要求1所述的方法，其特征在于，所述将所述待测空中伞面图像输入损伤检测模型中，包括：
将所述待测空中伞面图像依次进行灰度处理和中值滤波处理，得到处理后的空中伞面图像；
将所述处理后的空中伞面图像输入损伤检测模型中。
3.根据权利要求1所述的方法，其特征在于，所述伞面损伤信息包括伞面破损置信度、伞面的破损面积和破损长度。
4.根据权利要求1所述的方法，其特征在于，所述摄像机相对所述缆绳可做周向旋转且所述摄像机与所述缆绳的夹角可调整；
所述摄像机是通过如下方式采集空中伞面图像的：
按照预设的角度间隔调整所述摄像机的周向角度和俯仰角度，以使所述摄像机遍历伞面的每个位置；
针对遍历到的每个位置，均采集当前位置的伞面图像，得到高空发电的空中伞面图像。
5.根据权利要求1所述的方法，其特征在于，所述损伤检测模型是通过如下方式确定的：
构建基于深度学习的神经网络模型；
利用已知空中伞面图像对所述神经网络模型进行训练；
根据训练结果调整所述神经网络模型中各参数的权重，直至模型收敛，得到损伤检测模型。
6.根据权利要求5所述的方法，其特征在于，所述神经网络模型为Fast R-CNN模型。
7.根据权利要求6所述的方法，其特征在于，所述Fast R-CNN模型包括主干网络和RPN网络；
所述主干网络包括卷积层、Relu层和池化层，所述RPN网络包括Reshape层、Softmax层、Proposal层和池化层，所述主干网络用于对输入的伞面图像进行分析，所述RPN网络用于生成检测框以确定伞面图像的损伤信息。
8.一种高空风电空中伞面的损伤检测装置，其特征在于，包括：
获取模块，用于获取高空风电的待测空中伞面图像；
检测模块，用于将所述待测空中伞面图像输入损伤检测模型中，得到所述待测空中伞面图像的伞面损伤信息；其中，所述损伤检测模型是以已知空中伞面图像作为样本训练得到的，所述已知空中伞面图像标注有伞面损伤信息，所述待测空中伞面图像和所述已知空中伞面图像均是通过固定在缆绳上的摄像机采集到的。
9.一种计算设备，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器执行所述计算机程序时，实现如权利要求1-7中任一项所述的方法。
10.一种计算机可读存储介质，其上存储有计算机程序，当所述计算机程序在计算机中执行时，令计算机执行权利要求1-7中任一项所述的方法。
CN202211542943.8A 2022-12-02 2022-12-02 高空风电空中伞面的损伤检测方法及装置 Pending CN116012774A (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202211542943.8A CN116012774A (zh) 2022-12-02 2022-12-02 高空风电空中伞面的损伤检测方法及装置
CN202310513171.3A CN116416578B (zh) 2022-12-02 2023-05-08 高空风电空中伞面的损伤检测方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211542943.8A CN116012774A (zh) 2022-12-02 2022-12-02 高空风电空中伞面的损伤检测方法及装置

Publications (1)

Publication Number Publication Date
CN116012774A true CN116012774A (zh) 2023-04-25

Family

ID=86025648

Family Applications (2)

Application Number Title Priority Date Filing Date
CN202211542943.8A Pending CN116012774A (zh) 2022-12-02 2022-12-02 高空风电空中伞面的损伤检测方法及装置
CN202310513171.3A Active CN116416578B (zh) 2022-12-02 2023-05-08 高空风电空中伞面的损伤检测方法及装置

Family Applications After (1)

Application Number Title Priority Date Filing Date
CN202310513171.3A Active CN116416578B (zh) 2022-12-02 2023-05-08 高空风电空中伞面的损伤检测方法及装置

Country Status (1)

Country Link
CN (2) CN116012774A (zh)

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103133252B (zh) * 2011-11-21 2016-12-21 戴宁 一种风力发电装置
CN105386931A (zh) * 2014-09-09 2016-03-09 韩万龙 高空可控卡门涡街主副翼风筝风力发电系统
CN205001122U (zh) * 2015-09-17 2016-01-27 佛山南海高空风能技术有限公司 一种高空风能风力发电装置及风能动力系统
EP3589837A1 (en) * 2017-03-06 2020-01-08 Marco GHIVARELLO System of conversion of wind energy toward electric energy, by a high altitude generator
CN211874644U (zh) * 2020-01-21 2020-11-06 山西大学 一种伞艇高空风力发电系统
CN112233091B (zh) * 2020-10-15 2021-05-18 青岛理工大学 一种风力机叶片图像损伤检测和定位方法
CN112581443A (zh) * 2020-12-14 2021-03-30 北京华能新锐控制技术有限公司 一种风力发电机叶片表面损伤轻量化识别方法
CN114693657A (zh) * 2022-04-06 2022-07-01 重庆大学 基于Faster R-CNN的大型复杂结构件表面多尺寸多类别缺陷智能检测方法及系统

Also Published As

Publication number Publication date
CN116416578B (zh) 2024-06-18
CN116416578A (zh) 2023-07-11

Similar Documents

Publication Publication Date Title
CN112233091B (zh) 一种风力机叶片图像损伤检测和定位方法
KR102386221B1 (ko) 풍력 발전기 블레이드 결함 인식/분석 장치 및 방법
Wang et al. A two-stage data-driven approach for image-based wind turbine blade crack inspections
Su et al. RCAG-Net: Residual channelwise attention gate network for hot spot defect detection of photovoltaic farms
CN108596886A (zh) 基于深度学习的航拍图像绝缘子掉片故障快速检测方法
CN113610749B (zh) 基于神经网络的风机叶片缺陷检测方法
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
CN111860593B (zh) 一种基于生成对抗网络的风机叶片故障检测方法
KR20190108832A (ko) 풍력 발전기 블레이드 결함 인식/분석 장치 및 방법
CN107527037A (zh) 基于无人机遥感数据的蓝藻识别与分析系统
CN113822844A (zh) 风电机组叶片无人机巡检缺陷检测方法、装置和存储介质
US20210115899A1 (en) Method, device and system for correcting installation errors of wind vane
CN113252701A (zh) 基于云边协同的输电线路绝缘子自爆缺陷检测系统及方法
CN115170816A (zh) 多尺度特征提取系统、方法和风机桨叶缺陷检测方法
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
Hao et al. Detection of bird nests on power line patrol using single shot detector
Özer et al. An approach based on deep learning methods to detect the condition of solar panels in solar power plants
CN116416578B (zh) 高空风电空中伞面的损伤检测方法及装置
KR102171597B1 (ko) 풍력 발전기 블레이드 인식/분석 장치 및 방법
CN116129352A (zh) 高空风电空中伞面的损伤检测方法及装置
CN115912183B (zh) 高压输电线路生态措施巡视方法、系统及可读存储介质
Lee et al. A Drone-driven X-ray Image-based Diagnosis of Wind Turbine Blades for Reliable Operation of Wind Turbine
CN116029440A (zh) 光伏电站超短期功率预测方法和装置
JP2022036054A (ja) 架渉線の点検装置、点検方法及び点検プログラム
Wang et al. High-Voltage Transmission Line Foreign Object and Power Component Defect Detection Based on Improved YOLOv5

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
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20230425

WD01 Invention patent application deemed withdrawn after publication