CN116740619B - 基于数字图像处理的海上风力机角速度测量方法 - Google Patents

基于数字图像处理的海上风力机角速度测量方法 Download PDF

Info

Publication number
CN116740619B
CN116740619B CN202310999961.7A CN202310999961A CN116740619B CN 116740619 B CN116740619 B CN 116740619B CN 202310999961 A CN202310999961 A CN 202310999961A CN 116740619 B CN116740619 B CN 116740619B
Authority
CN
China
Prior art keywords
wind turbine
image
video data
roi
angular velocity
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.)
Active
Application number
CN202310999961.7A
Other languages
English (en)
Other versions
CN116740619A (zh
Inventor
薛佳慧
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.)
Ocean University of China
Original Assignee
Ocean University of China
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 Ocean University of China filed Critical Ocean University of China
Priority to CN202310999961.7A priority Critical patent/CN116740619B/zh
Publication of CN116740619A publication Critical patent/CN116740619A/zh
Application granted granted Critical
Publication of CN116740619B publication Critical patent/CN116740619B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • G01—MEASURING; TESTING
    • G01P—MEASURING LINEAR OR ANGULAR SPEED, ACCELERATION, DECELERATION, OR SHOCK; INDICATING PRESENCE, ABSENCE, OR DIRECTION, OF MOVEMENT
    • G01P3/00—Measuring linear or angular speed; Measuring differences of linear or angular speeds
    • G01P3/36—Devices characterised by the use of optical means, e.g. using infrared, visible, or ultraviolet light
    • G01P3/38—Devices characterised by the use of optical means, e.g. using infrared, visible, or ultraviolet light using photographic means
    • 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
    • G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
    • 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
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/761—Proximity, similarity or dissimilarity measures
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/40—Scenes; Scene-specific elements in video content
    • G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/40—Scenes; Scene-specific elements in video content
    • G06V20/46—Extracting features or characteristics from the video content, e.g. video fingerprints, representative shots or key frames

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Multimedia (AREA)
  • Software Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computational Linguistics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Molecular Biology (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Biophysics (AREA)
  • Medical Informatics (AREA)
  • Chemical & Material Sciences (AREA)
  • Sustainable Development (AREA)
  • Sustainable Energy (AREA)
  • Combustion & Propulsion (AREA)
  • Mechanical Engineering (AREA)
  • Electromagnetism (AREA)
  • Power Engineering (AREA)
  • Indicating Or Recording The Presence, Absence, Or Direction Of Movement (AREA)

Abstract

本发明提供一种基于数字图像处理的海上风力机角速度测量方法，属于海洋能源技术领域，包括以下步骤：S1：获取风力涡轮机的视频数据；S2：进行模型训练获得风机识别模型；S3：使用模型对视频数据进行标记；S4：对标记后的视频依次进行正则化处理和超分辨率重建；S5：应用哈希算法判断同一风力涡轮机的两帧R0I图像之间的相似度，基于相似度最高的两帧ROI图像之间的持续时间应用角速度计算公式计算该风力涡轮机的平均角速度。本发明基于视频目标检测模型和哈希算法，能够通过风机的实时录像数据测量风力涡轮机的角速度，判断风机是否正常运行，极大减少了风机角速度测量过程的计算量，实现了远程的风机运行状况检测。

Description

基于数字图像处理的海上风力机角速度测量方法
技术领域
本发明涉及海洋能源技术领域，尤其涉及一种基于数字图像处理的海上风力机角速度测量方法。
背景技术
海上风电是指在潮间带、近海海域等主要区域建立风力发电场，将风能转换为电能，是一种使用离岸风力能源的方式。风力发电的原理是利用风力带动风车叶片旋转，再通过增速机提升旋转的速度，来促使发电机发电。但如果风速过高，叶片旋转过快，叶片的平衡就会被破坏，导致偏心率的增加，甚至会导致叶片的断裂。而叶片的结构损伤，将导致风力涡轮机关闭，高空工作停机。因此对于风力涡轮机的定期检查和风力涡轮机角速度测量是风力发电场后期维护的两个主要任务。
现有技术中对海上风力涡轮机叶片状态进行检测的常用方法是通过风力涡轮机的实时录像数据计算风力涡轮机叶片的角速度，判断风力涡轮机的运行状态，实现风力涡轮机运行状况的远程检测。通过实时录像数据计算风力涡轮机叶片角速度的常见方法是采用霍夫变换来识别涡轮机的叶片，并在单位时间内跟踪叶片，然后通过数学方法得到实际的旋转角，计算叶片的角速度。然而，风力涡轮机实时录像数据的拍摄角度相差很大，采用这种方法通常需要大量的计算才能得到不同视角下的实际涡轮旋转角度，角速度计算过程较为复杂。
发明内容
本发明的目的在于解决上述技术问题之一，提供一种基于数字图像处理的海上风力机角速度测量方法。
为实现上述目的，本发明采用的技术方案是：
一种基于数字图像处理的海上风力机角速度测量方法，包括以下步骤：
S1：获取风力涡轮机的视频数据；
S2：基于风力涡轮机的视频数据对YOLOv5模型进行训练，获得基于YOLOv5的风机识别模型；
S3：使用基于YOLOv5的风机识别模型对风力涡轮机的视频数据中的风力涡轮机进行ROI标记，以生成带有ROI标记的ROI视频数据；
S4：对ROI视频数据依次进行正则化处理和超分辨率重建,获得正则化ROI视频数据；
S5：应用哈希算法判断正则化ROI视频数据中同一风力涡轮机的两帧R0I图像之间的相似度，以确定同一风力涡轮机叶片旋转预定角度前后的两帧ROI图像，基于两帧ROI图像之间的持续时间确定该风力涡轮机的旋转周期，应用角速度计算公式（1）计算该风力涡轮机的平均角速度/>：
（1）。
本发明一些实施例中，步骤S5具体包括以下步骤：
S51：确定正则化ROI视频数据的第一帧图像中一个风力涡轮机的ROI图像为目标图像；
S52：应用哈希算法逐帧判断第一帧图像之后的每一帧图像中该风力涡轮机的ROI图像与目标图像的相似度，确定该风力涡轮机叶片旋转预定角度后的ROI图像；
S53：基于目标图像与该风力涡轮机叶片旋转预定角度之后的ROI图像之间的间隔时间确定该风力涡轮机的旋转周期，应用角速度计算公式（1）计算该风力涡轮机的平均角速度/>：
（1）。
本发明一些实施例中，步骤S52具体包括以下步骤：
定义加权值阈值；
分别应用平均哈希算法aHash、感知哈希算法pHash和微分哈希算法dHash依次对第一帧图像之后的每一帧图像中该风力涡轮机的ROI图像进行处理，以确定各帧图像中该风力涡轮机的ROI图像的aHash值、pHash值和dHash值；
基于各帧图像中该风力涡轮机的ROI图像的aHash值、pHash值和dHash值，应用加权值计算公式（2）计算得到各帧图像中该风力涡轮机的ROI图像的加权值：
（2）；
确定第一个加权值W小于加权值阈值的ROI图像为该风力涡轮机叶片旋转预定角度后的ROI图像。
本发明一些实施例中，加权值阈值为15。
本发明一些实施例中，预定角度为120°。
本发明一些实施例中，步骤S2具体包括以下步骤：
S21：使用标记框对风力涡轮机的视频数据的每一帧图像中的风力涡轮机进行框选标记；
S22：将标记后的风力涡轮机的视频数据导入YOLOv5模型中进行模型训练，通过卷积和池化网络结构以预定提取速度逐帧提取标记框内的风力涡轮机的图像特征；
S23：对提取到的风力涡轮机的图像特征进行特征融合，直至所有风力涡轮机的图像特征融合完毕，获得基于YOLOv5的风机识别模型。
本发明一些实施例中，预定提取速度为25帧/秒。
本发明一些实施例中，步骤S2还包括以下步骤：
获得基于YOLOv5的风机识别模型后，获取包含风力涡轮机的测试视频数据并导入基于YOLOv5的风机识别模型中；
基于测试视频数据对基于YOLOv5的风机识别模型进行模型测试；
本发明一些实施例中，进行模型测试的方法包括以下步骤：
使用基于YOLOv5的风机识别模型对测试视频数据进行视频目标检测；
判断基于YOLOv5的风机识别模型能否准确识别并标记测试视频数据中的风力涡轮机。
本发明一些实施例中，步骤S4中进行超分辨率重建的方法包括以下步骤：
检测正则化处理后的ROI视频数据的每一帧图像中的未知像素；
对未知像素进行双线性插值操作，计算未知像素最近的4个已知邻域的像素值的平均值，将该平均值作为该未知像素的像素值。
本发明的有益效果在于：
1、本发明所提供的角速度测量方法是一种基于视频目标检测和哈希算法的海上风力机叶片角速度测量方法，相比于现有技术中采用霍夫变换识别风力涡轮机叶片后再通过数学方法计算叶片角速度的方法，简化了风力涡轮机叶片角速度测量的计算步骤，极大减少了计算量，计算起来更加快速简便；
2、本发明所提供的角速度测量方法不受风力涡轮机的实时录像的拍摄角度的限制，避免了进行大量计算来获得不同视角下的实际叶片旋转角度，能够测量不同拍摄角度下的风力涡轮机的角速度；
3、本发明所提供的角速度测量方法能够同时测量同一视频数据中的多个风力涡轮机的角速度。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将结合附图来详细说明本发明的具体实施例，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为基于数字图像处理的海上风力机角速度测量方法的流程图；
图2为带有ROI标记的视频数据的图像画面示意图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行描述和说明。应当理解，此处所描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。基于本申请提供的实施例，本领域普通技术人员在没有作出创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护的范围。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。
如附图1-2所示，本发明提供的基于数字图像处理的海上风力机角速度测量方法，具体包括以下步骤。
S1：获取风力涡轮机的视频数据，需要说明的是，风力涡轮机的视频数据的画面内容中包括至少一个风力涡轮机。
由于风力涡轮机工作过程中会产生振动，获取到的视频数据中的风力涡轮机通常存在可见的弹跳，本发明一些实施例中，获取风力涡轮机的视频数据后，需先对视频数据进行电子去抖，采用数字图像处理技术来估计和平滑风力涡轮机的视频数据的图像序列，以获得稳定的风力涡轮机的视频数据。
S2：基于风力涡轮机的视频数据对YOLOv5模型进行训练，获得基于YOLOv5的风机识别模型。为了对视频数据中的风力涡轮机进行识别，使用YOLOv5模型来跟踪视频数据中的海上风力涡轮机。需要说明的是，YOLOv5模型即YOLOv5算法模型，YOLOv5算法是一种目标检测算法，其模型结构包括四个通用的模块，具体为输入端、基准网络、Neck网络和Head输出端。训练过程中仅需调整YOLOv5模型的参数，即可使该模型实现对视频数据中风力涡轮机的检测识别和标记。调整参数后能够准确识别并标记视频数据中的风力涡轮机的YOLOv5模型即基于YOLOv5的风机识别模型。
本发明一些实施例中，步骤S2具体包括以下步骤。
S21：使用标记框对风力涡轮机的视频数据的每一帧图像中的风力涡轮机进行手动框选标记，标记时会自动生成标记框的类型和标记框的位置信息。
S22：将标记后的风力涡轮机的视频数据导入YOLOv5模型中进行模型训练，通过卷积和池化网络结构以25帧/秒的预定提取速度逐帧提取标记框内的风力涡轮机的图像特征，需要说明的是，图像特征的提取速度可以根据实际需求进行预先设定，本发明对此不做限制。
S23：特征提取的同时在YOLOv5模型的Neck网络部分不断对提取到的风力涡轮机的图像特征进行特征融合，直至所有风力涡轮机的图像特征融合完毕，获得基于YOLOv5的风机识别模型。需要说明的是，特征融合后会形成一个最具有代表性的特征，基于YOLOv5的风机识别模型以此来实现对图像中风力涡轮机的识别。还需要说明的是，基于YOLOv5的风机识别模型同样包括四个通用的模块，即输入端、基准网络、Neck网络和Head输出端。
本发明一些实施例中，步骤S2还包括以下步骤。
获得基于YOLOv5的风机识别模型后，随机获取一个画面内容中至少包含一个风力涡轮机的测试视频数据，将其导入基于YOLOv5的风机识别模型中。
基于该测试视频数据，在基于YOLOv5的风机识别模型的Head输出端部分对该模型进行模型测试。需要说明的是，模型测试可通过YOLOv5算法的内部函数来实现。
本发明一些实施例中，进行模型测试的方法包括以下步骤。
使用基于YOLOv5的风机识别模型对测试视频数据进行视频目标检测。视频目标检测就是在视频数据的每一帧图像上做目标检测，在本实施例中，对测试视频数据进行视频目标检测具体指对测试视频数据的每一帧图像中包含的风力涡轮机做ROI标记。ROI（region of interest）即感兴趣区域,是从图像中选择的一个图像区域，将该图像区域作为图像分析所关注的重点。使用ROI圈定目标，可以减少处理时间，增加精度。
判断基于YOLOv5的风机识别模型能否准确识别并标记测试视频数据中的风力涡轮机，若能够准确识别，则确定基于YOLOv5的风机识别模型训练结束，若不能准确识别，则重复步骤S1至步骤S2，直至训练得到的基于YOLOv5的风机识别模型能够准确识别并标记测试视频数据中的风力涡轮机。
S3：使用基于YOLOv5的风机识别模型对风力涡轮机的视频数据进行视频目标检测，以生成带有ROI标记的ROI视频数据。需要说明的是，使用基于YOLOv5的风机识别模型对风力涡轮机的视频数据进行视频目标检测，即使用基于YOLOv5的风机识别模型自动对风力涡轮机的视频数据的每一帧图像中包含的风力涡轮机做ROI标记。带有ROI标记的ROI视频数据的图像画面如附图2所示。还需要说明的是，每帧图像中圈定风力涡轮机的ROI标记框内的图像即为该风力涡轮机的ROI图像。
S4：由于不同的风力涡轮机的ROI图像的分辨率不同，会对计算图像相似度造成阻碍，因此需要对ROI视频数据依次进行正则化处理和超分辨率重建,获得正则化ROI视频数据。
正则化处理能够使视频数据中的ROI标记框内的图像具有相同的分辨率。本实施例中，将正则化处理输出的图像的分辨率设置为80*160。
由于视频数据中风力涡轮机的远近距离不同，远的风力涡轮机比较模糊，在进行相似度判断的时候可能会出现误差，所以还需要对正则化处理后的视频数据要进行超分辨率重建来提高ROI标记框内的风力涡轮机的ROI图像的分辨率。
本发明一些实施例中，步骤S4中进行超分辨率重建的方法包括以下步骤。
使用超分辨率算法检测正则化处理后的ROI视频数据的每一帧图像中的未知像素。
对未知像素进行双线性插值操作，计算未知像素最近的4个已知2*2邻域的像素值的平均值，将该平均值作为该未知像素的像素值。
S5：应用哈希算法判断正则化ROI视频数据中同一风力涡轮机的两帧R0I图像之间的相似度，以确定同一风力涡轮机叶片旋转预定角度前后的两帧ROI图像，基于两帧ROI图像之间的持续时间确定该风力涡轮机的在此期间的旋转周期，应用角速度计算公式（1）计算该风力涡轮机在此期间的平均角速度/>：
（1）。
在本实施例中，预定角度为120°。
需要说明的是，哈希算法的本质是对原始数据进行有损压缩。然后，将有损压缩后的固定字长度作为唯一标识符，命名为哈希值，以识别原始数据。两帧图像是否相似取决于哈希值的汉明距离。两帧图像哈希值的汉明距离就越小，两帧图像就越相似。
本发明一些实施例中，步骤S5具体包括以下步骤。
S51：确定正则化ROI视频数据的第一帧图像中一个风力涡轮机的ROI图像为目标图像，本实施例中，选择第一帧图像中最中央的风力涡轮机的ROI图像作为目标图像。
S52：应用哈希算法逐帧判断第一帧图像之后的每一帧图像中该风力涡轮机的ROI图像与目标图像的相似度，以确定该风力涡轮机叶片旋转120°后的ROI图像。
本发明一些实施例中，步骤S52具体包括以下步骤：
定义加权值阈值，本实施例中，加权值阈值为15，即加权值小于15的ROI图像为与目标图像相似的ROI图像。
哈希算法包括平均哈希算法（aHash）、感知哈希算法（pHash）和微分哈希算法（dHash）。分别应用平均哈希算法aHash、感知哈希算法pHash和微分哈希算法dHash依次对第一帧图像之后的每一帧图像中该风力涡轮机的ROI图像进行处理，以确定各帧图像中该风力涡轮机的ROI图像的aHash值、pHash值和dHash值。
应用平均哈希算法（aHash）对该风力涡轮机的ROI图像进行处理的步骤为：将图像缩放为8*8大小；对缩放后的图像进行灰度化处理并求平均灰度值；遍历灰度图片的每一个像素，将每一像素的灰度值与平均灰度值进行比较，若该像素的灰度值大于平均灰度值，则将该像素记为1，若该像素的灰度值小于或等于平均灰度值，则将该像素记为0；遍历比较灰度值结束后生成一个整数，该整数即该风力涡轮机的ROI图像的aHash值。
应用感知哈希算法（pHash）对该风力涡轮机的ROI图像进行处理的步骤为：将图像缩放为32*32大小；对图像依次进行灰度化处理和离散余弦变换（DCT）；选取左上角大小为8*8的图片，计算其DCT平均值；遍历灰度图片的每一个像素，将每一像素的DCT值与DCT平均值进行比较，若该像素的DCT值大于或等于DCT平均值，则将该像素记为1，若该像素的DCT值小于DCT平均值，则将该像素记为0；遍历比较DCT值结束后生成一个整数，该整数即该风力涡轮机的ROI图像的pHash值。
应用差异值哈希算法（dHash）对该风力涡轮机的ROI图像进行处理的步骤为：将图像缩放为9*8大小；对图片进行灰度化处理；依次计算相邻像素间的差异值，需要说明的是，每行9个像素会产生8个不同的差异值，共8行像素会产生64个差异值；若左边的像素比右边的像素更亮，则记录为1，否则记录为0，差异值比较结束后生成一个整数，该整数即该风力涡轮机的ROI图像的dHash值。
确定各帧图像中该风力涡轮机的ROI图像的aHash值、pHash值和dHash值的同时，应用加权值计算公式（2）依次计算得到各帧图像中该风力涡轮机的ROI图像的加权值：
（2）。
需要说明的是，为了保证相似度计算的准确性和效果，将dHash值设置为主要的检测阈值参数，同时将aHash值和pHash值作为检测的辅助变量。通过对风力涡轮机的ROI图像的相似性检测的多次实验，pHash值一般都很小，其变化程度也很软。相反，aHash值和dHash值起着重要的作用，而dHash值是最决定性的判断参数。因此，本发明设置一个加权值，作为判断ROI图像相似度的决定性参数。
确定第一个加权值小于15的ROI图像为该风力涡轮机叶片旋转120°后的ROI图像。
S53：基于目标图像与该风力涡轮机叶片旋转120°之后的ROI图像之间的间隔时间确定该风力涡轮机在此期间的旋转周期，应用角速度计算公式（1）即可计算该风力涡轮机在此期间的平均角速度/>：
（1）。
最后应当说明的是：本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。
以上实施例仅用以说明本发明的技术方案而非对其限制；尽管参照较佳实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者对部分技术特征进行等同替换；而不脱离本发明技术方案的精神，其均应涵盖在本发明请求保护的技术方案范围当中。

Claims (8)

1.一种基于数字图像处理的海上风力机角速度测量方法，其特征在于，包括以下步骤：
S1：获取风力涡轮机的视频数据；
S2：基于风力涡轮机的视频数据对YOLOv5模型进行训练，获得基于YOLOv5的风机识别模型；
S3：使用所述基于YOLOv5的风机识别模型对风力涡轮机的视频数据中的风力涡轮机进行ROI标记，以生成带有ROI标记的ROI视频数据；
S4：对所述ROI视频数据依次进行正则化处理和超分辨率重建,获得正则化ROI视频数据；
S5：确定所述正则化ROI视频数据的第一帧图像中一个风力涡轮机的ROI图像为目标图像；
应用哈希算法逐帧判断第一帧图像之后的每一帧图像中该风力涡轮机的ROI图像与所述目标图像的相似度，确定该风力涡轮机叶片旋转预定角度后的ROI图像；
基于所述目标图像与该风力涡轮机叶片旋转预定角度之后的ROI图像之间的间隔时间确定该风力涡轮机的旋转周期，应用角速度计算公式（1）计算该风力涡轮机的平均角速度：
（1）；
其中，确定该风力涡轮机叶片旋转预定角度后的ROI图像的具体过程如下：
定义加权值阈值；
分别应用平均哈希算法aHash、感知哈希算法pHash和微分哈希算法dHash依次对第一帧图像之后的每一帧图像中该风力涡轮机的ROI图像进行处理，以确定各帧图像中该风力涡轮机的ROI图像的aHash值、pHash值和dHash值；
基于各帧图像中该风力涡轮机的ROI图像的aHash值、pHash值和dHash值，应用加权值计算公式（2）计算得到各帧图像中该风力涡轮机的ROI图像的加权值：
（2）；
确定第一个加权值W小于所述加权值阈值的ROI图像为该风力涡轮机叶片旋转预定角度后的ROI图像。
2.根据权利要求1所述的基于数字图像处理的海上风力机角速度测量方法，其特征在于，所述加权值阈值为15。
3.根据权利要求1或2所述的基于数字图像处理的海上风力机角速度测量方法，其特征在于，所述预定角度为120°。
4.根据权利要求1所述的基于数字图像处理的海上风力机角速度测量方法，其特征在于，步骤S2具体包括以下步骤：
S21：使用标记框对风力涡轮机的视频数据的每一帧图像中的风力涡轮机进行框选标记；
S22：将标记后的风力涡轮机的视频数据导入YOLOv5模型中进行模型训练，通过卷积和池化网络结构以预定提取速度逐帧提取标记框内的风力涡轮机的图像特征；
S23：对提取到的风力涡轮机的图像特征进行特征融合，直至所有风力涡轮机的图像特征融合完毕，获得基于YOLOv5的风机识别模型。
5.根据权利要求4所述的基于数字图像处理的海上风力机角速度测量方法，其特征在于，所述预定提取速度为25帧/秒。
6.根据权利要求1所述的基于数字图像处理的海上风力机角速度测量方法，其特征在于，步骤S2还包括以下步骤：
获得基于YOLOv5的风机识别模型后，获取包含风力涡轮机的测试视频数据并导入所述基于YOLOv5的风机识别模型中；
基于所述测试视频数据对所述基于YOLOv5的风机识别模型进行模型测试。
7.根据权利要求6所述的基于数字图像处理的海上风力机角速度测量方法，其特征在于，进行模型测试的方法包括：
使用所述基于YOLOv5的风机识别模型对所述测试视频数据进行视频目标检测；
判断所述基于YOLOv5的风机识别模型能否准确识别并标记所述测试视频数据中的风力涡轮机。
8.根据权利要求1所述的基于数字图像处理的海上风力机角速度测量方法，其特征在于，步骤S4中进行超分辨率重建的方法包括：
检测正则化处理后的ROI视频数据的每一帧图像中的未知像素；
对未知像素进行双线性插值操作，计算未知像素最近的4个已知邻域的像素值的平均值，将所述平均值作为该未知像素的像素值。
CN202310999961.7A 2023-08-10 2023-08-10 基于数字图像处理的海上风力机角速度测量方法 Active CN116740619B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310999961.7A CN116740619B (zh) 2023-08-10 2023-08-10 基于数字图像处理的海上风力机角速度测量方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310999961.7A CN116740619B (zh) 2023-08-10 2023-08-10 基于数字图像处理的海上风力机角速度测量方法

Publications (2)

Publication Number Publication Date
CN116740619A CN116740619A (zh) 2023-09-12
CN116740619B true CN116740619B (zh) 2023-10-17

Family

ID=87909899

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310999961.7A Active CN116740619B (zh) 2023-08-10 2023-08-10 基于数字图像处理的海上风力机角速度测量方法

Country Status (1)

Country Link
CN (1) CN116740619B (zh)

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101126766A (zh) * 2007-09-14 2008-02-20 浙江工业大学 基于全方位视觉的三维风速风向测量装置
CN102192717A (zh) * 2010-02-24 2011-09-21 西门子公司 风力涡轮机和用于测量风力涡轮机转子叶片俯仰角的方法
CN108460788A (zh) * 2018-03-20 2018-08-28 西安新拓三维光测科技有限公司 一种用于大型风力叶片运动追踪的视频测量方法
CN113297972A (zh) * 2021-05-25 2021-08-24 国网湖北省电力有限公司检修公司 一种基于数据融合深度学习的变电站设备缺陷智能分析方法
CN113383160A (zh) * 2019-02-08 2021-09-10 西门子歌美飒可再生能源公司 一种用于对风力涡轮机进行计算机实现的监控的方法
CN114548190A (zh) * 2022-04-27 2022-05-27 西安易诺敬业电子科技有限责任公司 一种基于自适应残差神经网络的风力涡轮机故障诊断方法
KR20220116051A (ko) * 2019-12-31 2022-08-19 엔비전 디지털 인터내셔널 피티이 리미티드 풍력 터빈 블레이드를 검사하는 방법 및 기기, 및 그 장치 및 저장 매체
CN115078381A (zh) * 2022-06-15 2022-09-20 智冠华高科技(大连)有限公司 一种基于二轴云台的风力发电机叶片损伤在线检测方法

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9453500B2 (en) * 2013-03-15 2016-09-27 Digital Wind Systems, Inc. Method and apparatus for remote feature measurement in distorted images
US20160063350A1 (en) * 2014-08-26 2016-03-03 Digital Wind Systems, Inc. Method and apparatus for contrast enhanced photography of wind turbine blades
US10621717B2 (en) * 2018-03-30 2020-04-14 General Electric Compnay System and method for image-based target object inspection
CN115135874A (zh) * 2020-02-27 2022-09-30 Lm风力发电公司 使用红外成像和机器学习监测风力涡轮转子叶片的系统和方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101126766A (zh) * 2007-09-14 2008-02-20 浙江工业大学 基于全方位视觉的三维风速风向测量装置
CN102192717A (zh) * 2010-02-24 2011-09-21 西门子公司 风力涡轮机和用于测量风力涡轮机转子叶片俯仰角的方法
CN108460788A (zh) * 2018-03-20 2018-08-28 西安新拓三维光测科技有限公司 一种用于大型风力叶片运动追踪的视频测量方法
CN113383160A (zh) * 2019-02-08 2021-09-10 西门子歌美飒可再生能源公司 一种用于对风力涡轮机进行计算机实现的监控的方法
KR20220116051A (ko) * 2019-12-31 2022-08-19 엔비전 디지털 인터내셔널 피티이 리미티드 풍력 터빈 블레이드를 검사하는 방법 및 기기, 및 그 장치 및 저장 매체
CN113297972A (zh) * 2021-05-25 2021-08-24 国网湖北省电力有限公司检修公司 一种基于数据融合深度学习的变电站设备缺陷智能分析方法
CN114548190A (zh) * 2022-04-27 2022-05-27 西安易诺敬业电子科技有限责任公司 一种基于自适应残差神经网络的风力涡轮机故障诊断方法
CN115078381A (zh) * 2022-06-15 2022-09-20 智冠华高科技(大连)有限公司 一种基于二轴云台的风力发电机叶片损伤在线检测方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Measurement angular velocity based on video technology;Xiao-dong Zhu 等;《2011 4th International Congress on Image and Signal Processing》;全文 *
基于改进岭回归的气象雷达风力涡轮机杂波抑制算法;吉雨;;国外电子测量技术(第04期);全文 *
基于视频测量的运行状态模态分析;王彤;李俊坡;夏遵平;;振动与冲击(第05期);全文 *

Also Published As

Publication number Publication date
CN116740619A (zh) 2023-09-12

Similar Documents

Publication Publication Date Title
WO2019000818A1 (zh) 监测风力发电机叶片结冰的方法及装置
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
CN109712127B (zh) 一种用于机巡视频流的输电线路故障检测方法
CN104268505A (zh) 基于机器视觉的布匹疵点自动检测识别装置及方法
CN111160210A (zh) 一种基于视频的水流速检测方法及系统
CN113077392B (zh) 一种针对指针表模糊照片的高准确度自动读数方法
CN108537170A (zh) 一种电力设备固件无人机巡检销钉缺失检测方法
CN113252701B (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
CN112906689B (zh) 一种基于缺陷检测与分割深度卷积神经网络的图像检测方法
CN111914695A (zh) 一种基于机器视觉的涌潮监测方法
CN114165392A (zh) 一种风电机组功率异常诊断方法、装置及存储介质
CN110910349B (zh) 一种基于航拍视觉的风电机组状态获取方法
CN116935332A (zh) 一种基于动态视频的渔船目标检测与跟踪方法
CN113095316B (zh) 基于多级融合和角点偏移的图像旋转目标检测方法
CN114862809A (zh) 一种基于移动终端与图像处理的振动监测方法和装置
CN116740619B (zh) 基于数字图像处理的海上风力机角速度测量方法
CN109272484B (zh) 一种基于视频图像的降雨检测方法
CN112734732B (zh) 基于改进ssd算法的铁路隧道漏缆卡具检测方法
CN113902792A (zh) 基于改进RetinaNet网络的建筑物高度检测方法、系统和电子设备
CN113888737A (zh) 基于智能设备拍摄测温图像的热用户室温测量方法及系统
CN113034359A (zh) 发电机组定转子缺陷智能诊断方法、装置、计算机设备及存储介质
CN116539001A (zh) 一种基于无人机的海上风电塔筒垂直度检测方法及系统
CN112686204B (zh) 一种基于稀疏像素点跟踪的视频测流方法及装置
KR20190062834A (ko) 풍력 발전기의 블레이드 검사장치 및 그 방법
CN113250914A (zh) 一种机舱塔顶2d位移测量方法、系统、设备及存储介质

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