CN116659646A - 一种基于机器视觉的风机叶片振动检测方法及装置 - Google Patents
一种基于机器视觉的风机叶片振动检测方法及装置 Download PDFInfo
- Publication number
- CN116659646A CN116659646A CN202310623303.8A CN202310623303A CN116659646A CN 116659646 A CN116659646 A CN 116659646A CN 202310623303 A CN202310623303 A CN 202310623303A CN 116659646 A CN116659646 A CN 116659646A
- Authority
- CN
- China
- Prior art keywords
- fan blade
- image information
- digital image
- vibration
- blade vibration
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 24
- 238000006073 displacement reaction Methods 0.000 claims abstract description 65
- 238000000034 method Methods 0.000 claims abstract description 55
- 230000004044 response Effects 0.000 claims abstract description 45
- 238000012545 processing Methods 0.000 claims abstract description 14
- 238000013135 deep learning Methods 0.000 claims abstract description 13
- 238000007781 pre-processing Methods 0.000 claims abstract description 10
- 230000009466 transformation Effects 0.000 claims abstract description 9
- 230000003044 adaptive effect Effects 0.000 claims abstract description 8
- 238000010606 normalization Methods 0.000 claims abstract description 7
- 230000003321 amplification Effects 0.000 claims description 15
- 238000003199 nucleic acid amplification method Methods 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 14
- 238000012549 training Methods 0.000 claims description 7
- 239000000654 additive Substances 0.000 claims description 6
- 230000000996 additive effect Effects 0.000 claims description 6
- 238000005286 illumination Methods 0.000 claims description 6
- 238000005457 optimization Methods 0.000 claims description 6
- 230000008859 change Effects 0.000 claims description 3
- 230000007613 environmental effect Effects 0.000 claims description 3
- 239000000284 extract Substances 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 230000036962 time dependent Effects 0.000 claims description 3
- 238000012795 verification Methods 0.000 claims description 3
- 230000002596 correlated effect Effects 0.000 claims description 2
- 230000008901 benefit Effects 0.000 abstract description 5
- 238000009434 installation Methods 0.000 abstract description 2
- 238000000605 extraction Methods 0.000 abstract 1
- 238000004891 communication Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013075 data extraction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
- G01H9/00—Measuring mechanical vibrations or ultrasonic, sonic or infrasonic waves by using radiation-sensitive means, e.g. optical means
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F03—MACHINES OR ENGINES FOR LIQUIDS; WIND, SPRING, OR WEIGHT MOTORS; PRODUCING MECHANICAL POWER OR A REACTIVE PROPULSIVE THRUST, NOT OTHERWISE PROVIDED FOR
- F03D—WIND MOTORS
- F03D17/00—Monitoring or testing of wind motors, e.g. diagnostics
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- 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
- 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
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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)
- Software Systems (AREA)
- Medical Informatics (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Geometry (AREA)
- Computer Hardware Design (AREA)
- Mechanical Engineering (AREA)
- Combustion & Propulsion (AREA)
- Sustainable Energy (AREA)
- Sustainable Development (AREA)
- Life Sciences & Earth Sciences (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本申请提出了一种基于机器视觉的风机叶片振动检测方法及装置,涉及叶片振动检测领域,该方法包括:采集风机叶片振动图像,并将风机叶片振动图像转化为数字图像信息;对数字图像信息进行预处理与初步去噪,基于历史风机叶片图像训练的深度学习识别模型对初步去噪后的数字图像信息进行深度去噪;基于自适应视频放大方法对数字图像信息进行放大,并通过亚像素模板匹配算法从放大后视频中提取风机叶片振动的位移时程响应;对位移时程响应进行归一化处理,得到实际位移时程响应,对实际位移时程响应进行快速傅里叶变换获取风机叶片的振动频率。本申请提出的方法具有可靠性强、抗干扰能力强、安装简便、成本低、可针对性提取特征、识别准确率高等优点。
Description
技术领域
本申请涉及叶片振动检测领域,尤其涉及一种基于机器视觉的风机叶片振动检测方法及装置。
背景技术
振动信号是风机叶片动态分析的重要特征指标,包含风机叶片大量的运行状态信息。传统的风机叶片振动检测方法是在风机叶片上安装加速度传感器,通过对传感器采集到的振动信号进行分析处理得到叶片的振动频率,这种方法采集到的振动信号从风机叶片传递时会出现衰减,且检测信号叠加了其他干扰噪声,不利于后期数据的提取和分析。
发明内容
针对上述问题,提出了一种基于机器视觉的风机叶片振动检测方法及装置,以完成风机叶片振动频率点检测。
本申请第一方面提出了一种基于机器视觉的风机叶片振动检测方法,包括:
采集风机叶片振动图像,并将所述风机叶片振动图像转化为数字图像信息;
对所述数字图像信息进行预处理与初步去噪,基于历史风机叶片图像训练的深度学习识别模型对初步去噪后的所述数字图像信息进行深度去噪;
基于自适应视频放大方法对所述数字图像信息进行放大,并通过亚像素模板匹配算法从放大后的视频中提取风机叶片振动的位移时程响应;
对所述位移时程响应进行归一化处理,得到实际位移时程响应,对所述实际位移时程响应进行快速傅里叶变换获取风机叶片的振动频率。
可选的,所述对所述数字图像信息进行预处理,包括:
利用图像处理软件对所述数字图像信息进行裁剪、旋转和缩放。
可选的,所述基于历史风机叶片图像训练的深度学习识别模型,包括:
建立包含不同场景、光照、角度的历史风机叶片图像集,并将所述历史风机叶片图像集划分为训练集和验证集,以开展深度学习识别模型的训练。
可选的,所述基于自适应视频放大方法对所述数字图像信息进行放大,包括:
采用交替方向乘子法求解所述数字图像信息内的凸变差检测优化问题;
基于增强的相关系数,使用前向加性迭代方法解决所述数字图像信息内的相关扰动问题,从而通过迭代来最小化原始序列和放大序列之间的差异。
可选的,所述通过亚像素模板匹配算法从放大后的视频中提取风机叶片振动的位移时程响应,包括:
对于两张具有相同尺寸(M×N)的图像f(x,y)和h(x,y),其中h(x,y)与参考图像f(x,y)具有相对位移,通过傅里叶变换后f(x,y)和h(x,y)之间的相互关系定义为:
其中,M和N为图像的尺寸,(x0,y0)为坐标移位量,*表示复共轭,F(u,v)和H*(u,v)分别表示f(x,y)和h(x,y)的离散傅里叶变换;
通过定位R(x0,y0)的峰值提取风机叶片振动的像素级位移,并在R(x0,y0)初始峰值附近领域内,基于时效性矩阵乘法离散傅里叶变换的互相关,提取风机叶片振动的亚像素级位移。
可选的,所述对所述位移时程响应进行归一化处理,得到实际位移时程响应,包括:
其中,x为风机叶片振动的真实位移,xm为风机叶片振动放大后的位移,A为风机叶片振动的位移幅值,α为放大的倍数,δ为由视频光照变化和环境噪声引起的位移识别误差。
本申请第二方面提出一种基于机器视觉的风机叶片振动检测装置,包括:
采集模块,用于采集风机叶片振动图像,并将所述风机叶片振动图像转化为数字图像信息;
去噪模块,用于对所述数字图像信息进行预处理与初步去噪,基于历史风机叶片图像训练的深度学习识别模型对初步去噪后的所述数字图像信息进行深度去噪;
放大模块,基于自适应视频放大方法对所述数字图像信息进行放大,并通过亚像素模板匹配算法从放大后的视频中提取风机叶片振动的位移时程响应;
输出模块,用于对所述位移时程响应进行归一化处理,得到实际位移时程响应,对所述实际位移时程响应进行快速傅里叶变换获取风机叶片的振动频率。
可选的,所述放大模块,还包括:
第一求解模块,用于采用交替方向乘子法求解所述数字图像信息内的凸变差检测优化问题;
第二求解模块,基于增强的相关系数,使用前向加性迭代方法解决所述数字图像信息内的相关扰动问题,从而通过迭代来最小化原始序列和放大序列之间的差异。
本申请第三方面提出一种计算机设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时,实现如上述第一方面中任一所述的方法。
本申请第四方面提出一种非临时性计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现如上述第一方面中任一所述的方法。
本申请的实施例提供的技术方案至少带来以下有益效果:
通过自适应视频放大方法和亚像素模板匹配算法处理风机叶片的振动图像,并基于归一化提取风机叶片振动的亚像素级位移,由此获得风机叶片的振动频率,具有可靠性强、抗干扰能力强、安装简便、成本低、可针对性提取特征、识别准确率高等优点。
本申请附加的方面和优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本申请的实践了解到。
附图说明
本申请上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解,其中:
图1是根据本申请实施例示出的一种基于机器视觉的风机叶片振动检测方法的流程图;
图2是根据本申请实施例示出的一种基于机器视觉的风机叶片振动检测装置的框图;
图3是一种电子设备的框图。
具体实施方式
下面详细描述本申请的实施例,实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,旨在用于解释本申请,而不能理解为对本申请的限制。
图1是根据本申请实施例示出的一种基于机器视觉的风机叶片振动检测方法的流程图,包括:
步骤101,采集风机叶片振动图像,并将风机叶片振动图像转化为数字图像信息。
本申请实施例中,通过高速相机来采集风机叶片的振动图像,并通过高速相机采集卡将风机叶片的振动图像上传转化为数字图像信息。
本申请不对高速相机的具体型号作进一步限定。
一种可能的实施例中,本申请提出的高速相机为两百万像素数字式高速相机MS110K。
步骤102,对数字图像信息进行预处理与初步去噪,基于历史风机叶片图像训练的深度学习识别模型对初步去噪后的数字图像信息进行深度去噪。
首先通过图像处理软件对数字图像信息进行常规预处理,例如裁剪、旋转和缩放等,从而便于统一格式后,后续的去噪处理,再通过图像处理软件自带的功能对数字图像信息进行初步去噪。
一种可能的实施例中,图像处理软件为ImageJ。
需要说明的是,在进行初步去噪后,通过训练好的深度学习识别模型对数字图像信息进行进一步去噪,从而提高对风机叶片振动特征识别的准确性。
具体的,建立包含不同场景、光照、角度的历史风机叶片图像集,并将历史风机叶片图像集划分为训练集和验证集,以开展深度学习识别模型的训练。
步骤103,基于自适应视频放大方法对数字图像信息进行放大,并通过亚像素模板匹配算法从放大后的视频中提取风机叶片振动的位移时程响应。
本申请提出的视频放大技术可以揭示在图像序列中难以甚至不可能用肉眼观察到的微妙时间变化,并且以指示性的方式显示这些变化。
为了有效对放大变换进行建模,本申请首先采用交替方向乘子法求解数字图像信息内的凸变差检测优化问题,在转换步骤之后,再基于增强的相关系数,使用前向加性迭代方法来解决相关扰动问题,从而通过迭代来最小化原始序列和放大序列之间的差异。
需要说明的是,本申请提出的自适应视频放大方法可应用于不同时间变化叠加的视频,获得较好的运动放大效果。
本申请实施例中,在对数字图像信息放大后,再通过亚像素模板匹配算法从放大后的视频中提取风机叶片振动的位移时程响应。
具体的,对于两张具有相同尺寸(M×N)的图像f(x,y)和h(x,y),其中h(x,y)与参考图像f(x,y)具有相对位移,通过傅里叶变换后f(x,y)和h(x,y)之间的相互关系定义为:
其中,M和N为图像的尺寸,(x0,y0)为坐标移位量,*表示复共轭,F(u,v)和H*(u,v)分别表示f(x,y)和h(x,y)的离散傅里叶变换;
通过定位R(x0,y0)的峰值提取风机叶片振动的像素级位移,并在R(x0,y0)初始峰值附近领域内,基于时效性矩阵乘法离散傅里叶变换的互相关,提取风机叶片振动的亚像素级位移。
步骤104,对位移时程响应进行归一化处理,得到实际位移时程响应,对实际位移时程响应进行快速傅里叶变换获取风机叶片的振动频率。
需要说明的是,在采用自适应视频放大方法对风机叶片振动视频进行处理时,将风机叶片振动位移幅度放大了α倍,并且基于亚像素模板匹配算法获取的位移时程响应并非结构实际的位移时程响应,需要将放大后的位移除以1+α,对运动进行归一化处理后获取风机叶片微小振动的实际位移时程响应。
由于风机叶片振动视频信号在未进行自适应视频放大处理前,风机叶片振动位移为x=A+δ,而采用自适应视频放大方法和处理后,从视频中获取的风机叶片位移时程响应为xm=(1+α)A+δ,从而利用下式对运动进行归一化处理,获得结构的实际位移时程响应。
其中,x为风机叶片振动的真实位移,xm为风机叶片振动放大后的位移,A为风机叶片振动的位移幅值,α为放大的倍数,δ为由视频光照变化和环境噪声引起的位移识别误差。
后续中,通过对实际位移时程响应进行快速傅里叶变换(FFT)获取风机叶片的振动频率。
本申请实施例通过自适应视频放大方法和亚像素模板匹配算法处理风机叶片的振动图像,并基于归一化提取风机叶片振动的亚像素级位移,由此获得风机叶片的振动频率,具有可靠性强、抗干扰能力强、安装简便、成本低、可针对性提取特征、识别准确率高等优点。
图2是根据本申请实施例示出的一种基于机器视觉的风机叶片振动检测装置的框图,包括采集模块210、去噪模块220、放大模块230以及输出模块240。
采集模块210,用于采集风机叶片振动图像,并将风机叶片振动图像转化为数字图像信息;
去噪模块220,用于对数字图像信息进行预处理与初步去噪,基于历史风机叶片图像训练的深度学习识别模型对初步去噪后的数字图像信息进行深度去噪;
放大模块230,基于自适应视频放大方法对数字图像信息进行放大,并通过亚像素模板匹配算法从放大后的视频中提取风机叶片振动的位移时程响应;
输出模块240,用于对位移时程响应进行归一化处理,得到实际位移时程响应,对实际位移时程响应进行快速傅里叶变换获取风机叶片的振动频率。
可选的,放大模块,还包括:
第一求解模块,用于采用交替方向乘子法求解数字图像信息内的凸变差检测优化问题;
第二求解模块,基于增强的相关系数,使用前向加性迭代方法解决数字图像信息内的相关扰动问题,从而通过迭代来最小化原始序列和放大序列之间的差异。
关于上述实施例中的装置,其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述,此处将不做详细阐述说明。
图3示出了可以用来实施本公开的实施例的示例电子设备300的示意性框图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本公开的实现。
如图3所示,设备300包括计算单元301,其可以根据存储在只读存储器(ROM)302中的计算机程序或者从存储单元303加载到随机访问存储器(RAM)303中的计算机程序,来执行各种适当的动作和处理。在RAM 303中,还可存储设备300操作所需的各种程序和数据。计算单元301、ROM 302以及RAM 303通过总线304彼此相连。输入/输出(I/O)接口305也连接至总线304。
设备300中的多个部件连接至I/O接口305,包括:输入单元306,例如键盘、鼠标等;输出单元307,例如各种类型的显示器、扬声器等;存储单元308,例如磁盘、光盘等;以及通信单元309,例如网卡、调制解调器、无线通信收发机等。通信单元309允许设备300通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元301可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元301的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元301执行上文所描述的各个方法和处理,例如语音指令响应方法。例如,在一些实施例中,语音指令响应方法可被实现为计算机软件程序,其被有形地包含于机器可读介质,例如存储单元308。在一些实施例中,计算机程序的部分或者全部可以经由ROM 302和/或通信单元309而被载入和/或安装到设备300上。当计算机程序加载到RAM 303并由计算单元301执行时,可以执行上文描述的语音指令响应方法的一个或多个步骤。备选地,在其他实施例中,计算单元301可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行语音指令响应方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器,使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中,机器可读介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互,可以在计算机上实施此处描述的系统和技术,该计算机具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)、互联网和区块链网络。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,又称为云计算服务器或云主机,是云计算服务体系中的一项主机产品,以解决了传统物理主机与VPS服务("Virtual Private Server",或简称"VPS")中,存在的管理难度大,业务扩展性弱的缺陷。服务器也可以为分布式系统的服务器,或者是结合了区块链的服务器。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本发公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本公开公开的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本公开保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等,均应包含在本公开保护范围之内。
Claims (10)
1.一种基于机器视觉的风机叶片振动检测方法,其特征在于,包括:
采集风机叶片振动图像,并将所述风机叶片振动图像转化为数字图像信息;
对所述数字图像信息进行预处理与初步去噪,基于历史风机叶片图像训练的深度学习识别模型对初步去噪后的所述数字图像信息进行深度去噪;
基于自适应视频放大方法对所述数字图像信息进行放大,并通过亚像素模板匹配算法从放大后的视频中提取风机叶片振动的位移时程响应;
对所述位移时程响应进行归一化处理,得到实际位移时程响应,对所述实际位移时程响应进行快速傅里叶变换获取风机叶片的振动频率。
2.根据权利要求1所述的方法,其特征在于,所述对所述数字图像信息进行预处理,包括:
利用图像处理软件对所述数字图像信息进行裁剪、旋转和缩放。
3.根据权利要求1所述的方法,其特征在于,所述基于历史风机叶片图像训练的深度学习识别模型,包括:
建立包含不同场景、光照、角度的历史风机叶片图像集,并将所述历史风机叶片图像集划分为训练集和验证集,以开展深度学习识别模型的训练。
4.根据权利要求1所述的方法,其特征在于,所述基于自适应视频放大方法对所述数字图像信息进行放大,包括:
采用交替方向乘子法求解所述数字图像信息内的凸变差检测优化问题;
基于增强的相关系数,使用前向加性迭代方法解决所述数字图像信息内的相关扰动问题,从而通过迭代来最小化原始序列和放大序列之间的差异。
5.根据权利要求1所述的方法,其特征在于,所述通过亚像素模板匹配算法从放大后的视频中提取风机叶片振动的位移时程响应,包括:
对于两张具有相同尺寸(M×N)的图像f(x,y)和h(x,y),其中h(x,y)与参考图像f(x,y)具有相对位移,通过傅里叶变换后f(x,y)和h(x,y)之间的相互关系定义为:
其中,M和N为图像的尺寸,(x0,y0)为坐标移位量,*表示复共轭,F(u,v)和H*(u,v)分别表示f(x,y)和h(x,y)的离散傅里叶变换;
通过定位R(x0,y0)的峰值提取风机叶片振动的像素级位移,并在R(x0,y0)初始峰值附近领域内,基于时效性矩阵乘法离散傅里叶变换的互相关,提取风机叶片振动的亚像素级位移。
6.根据权利要求1所述的方法,其特征在于,所述对所述位移时程响应进行归一化处理,得到实际位移时程响应,包括:
其中,x为风机叶片振动的真实位移,xm为风机叶片振动放大后的位移,A为风机叶片振动的位移幅值,α为放大的倍数,δ为由视频光照变化和环境噪声引起的位移识别误差。
7.一种基于机器视觉的风机叶片振动检测装置,其特征在于,包括:
采集模块,用于采集风机叶片振动图像,并将所述风机叶片振动图像转化为数字图像信息;
去噪模块,用于对所述数字图像信息进行预处理与初步去噪,基于历史风机叶片图像训练的深度学习识别模型对初步去噪后的所述数字图像信息进行深度去噪;
放大模块,基于自适应视频放大方法对所述数字图像信息进行放大,并通过亚像素模板匹配算法从放大后的视频中提取风机叶片振动的位移时程响应;
输出模块,用于对所述位移时程响应进行归一化处理,得到实际位移时程响应,对所述实际位移时程响应进行快速傅里叶变换获取风机叶片的振动频率。
8.根据权利要求7所述的装置,其特征在于,所述放大模块,还包括:
第一求解模块,用于采用交替方向乘子法求解所述数字图像信息内的凸变差检测优化问题;
第二求解模块,基于增强的相关系数,使用前向加性迭代方法解决所述数字图像信息内的相关扰动问题,从而通过迭代来最小化原始序列和放大序列之间的差异。
9.一种计算机设备,其特征在于,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时,实现如权利要求1-7中任一所述的方法。
10.一种非临时性计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1-7中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310623303.8A CN116659646A (zh) | 2023-05-29 | 2023-05-29 | 一种基于机器视觉的风机叶片振动检测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310623303.8A CN116659646A (zh) | 2023-05-29 | 2023-05-29 | 一种基于机器视觉的风机叶片振动检测方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116659646A true CN116659646A (zh) | 2023-08-29 |
Family
ID=87713108
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310623303.8A Pending CN116659646A (zh) | 2023-05-29 | 2023-05-29 | 一种基于机器视觉的风机叶片振动检测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116659646A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117714903A (zh) * | 2024-02-06 | 2024-03-15 | 成都唐米科技有限公司 | 一种基于跟拍的视频合成方法、装置及电子设备 |
-
2023
- 2023-05-29 CN CN202310623303.8A patent/CN116659646A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117714903A (zh) * | 2024-02-06 | 2024-03-15 | 成都唐米科技有限公司 | 一种基于跟拍的视频合成方法、装置及电子设备 |
CN117714903B (zh) * | 2024-02-06 | 2024-05-03 | 成都唐米科技有限公司 | 一种基于跟拍的视频合成方法、装置及电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112949767B (zh) | 样本图像增量、图像检测模型训练及图像检测方法 | |
CN112597837B (zh) | 图像检测方法、装置、设备、存储介质和计算机程序产品 | |
CN113436100B (zh) | 用于修复视频的方法、装置、设备、介质和产品 | |
CN113971751A (zh) | 训练特征提取模型、检测相似图像的方法和装置 | |
CN113378712B (zh) | 物体检测模型的训练方法、图像检测方法及其装置 | |
CN116659646A (zh) | 一种基于机器视觉的风机叶片振动检测方法及装置 | |
EP3872762A1 (en) | Edge-based three-dimensional tracking and registration method and apparatus for augmented reality, and storage medium | |
US20220172376A1 (en) | Target Tracking Method and Device, and Electronic Apparatus | |
CN116482680B (zh) | 一种身体干扰识别方法、装置、系统和存储介质 | |
CN113569707A (zh) | 活体检测方法、装置、电子设备以及存储介质 | |
CN116188917B (zh) | 缺陷数据生成模型训练方法、缺陷数据生成方法及装置 | |
CN113112398A (zh) | 图像处理方法和装置 | |
CN114724144B (zh) | 文本识别方法、模型的训练方法、装置、设备及介质 | |
WO2023020268A1 (zh) | 一种手势识别方法、装置、设备及介质 | |
CN114677566B (zh) | 深度学习模型的训练方法、对象识别方法和装置 | |
CN114119990B (zh) | 用于图像特征点匹配的方法、装置及计算机程序产品 | |
CN112991451B (zh) | 图像识别方法、相关装置及计算机程序产品 | |
CN113032071B (zh) | 页面元素定位方法、页面测试方法、装置、设备和介质 | |
CN115830715A (zh) | 基于手势识别的无人车控制方法、装置和设备 | |
CN112507957B (zh) | 一种车辆关联方法、装置、路侧设备及云控平台 | |
CN114093006A (zh) | 活体人脸检测模型的训练方法、装置、设备以及存储介质 | |
CN115147902B (zh) | 人脸活体检测模型的训练方法、装置及计算机程序产品 | |
CN117746069B (zh) | 以图搜图的模型训练方法、和以图搜图方法 | |
CN117292395B (zh) | 审图模型的训练方法和训练装置及审图的方法和装置 | |
CN112926356B (zh) | 一种目标跟踪方法和装置 |
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 |