CN116912190A - 基于反馈网络的风力发电机叶片结构损伤分析方法及系统 - Google Patents
基于反馈网络的风力发电机叶片结构损伤分析方法及系统 Download PDFInfo
- Publication number
- CN116912190A CN116912190A CN202310837862.9A CN202310837862A CN116912190A CN 116912190 A CN116912190 A CN 116912190A CN 202310837862 A CN202310837862 A CN 202310837862A CN 116912190 A CN116912190 A CN 116912190A
- Authority
- CN
- China
- Prior art keywords
- image
- feature
- shallow
- features
- attribute
- 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
- 238000004458 analytical method Methods 0.000 title claims abstract description 87
- 238000005299 abrasion Methods 0.000 claims abstract description 98
- 238000000034 method Methods 0.000 claims abstract description 37
- 239000011159 matrix material Substances 0.000 claims description 75
- 230000009467 reduction Effects 0.000 claims description 37
- 238000012545 processing Methods 0.000 claims description 36
- 238000013507 mapping Methods 0.000 claims description 25
- 238000000605 extraction Methods 0.000 claims description 18
- 230000009466 transformation Effects 0.000 claims description 15
- 238000006243 chemical reaction Methods 0.000 claims description 14
- 230000004927 fusion Effects 0.000 claims description 8
- 238000001914 filtration Methods 0.000 claims description 4
- 230000011218 segmentation Effects 0.000 claims description 3
- 230000006870 function Effects 0.000 description 17
- 239000000306 component Substances 0.000 description 11
- 238000004891 communication Methods 0.000 description 10
- 238000007726 management method Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000013473 artificial intelligence Methods 0.000 description 4
- 238000012512 characterization method Methods 0.000 description 4
- 238000004590 computer program Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 239000003086 colorant Substances 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000008358 core component Substances 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000004146 energy storage Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000003628 erosive effect Effects 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 238000007500 overflow downdraw method Methods 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- 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
- 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
- G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
- G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted features
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/06—Recognition of objects for industrial automation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Medical Informatics (AREA)
- Multimedia (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Quality & Reliability (AREA)
- Sustainable Development (AREA)
- Sustainable Energy (AREA)
- Chemical & Material Sciences (AREA)
- Combustion & Propulsion (AREA)
- Mechanical Engineering (AREA)
- General Engineering & Computer Science (AREA)
- Wind Motors (AREA)
Abstract
本发明涉及风力发电机叶片损伤分析技术领域,揭露了一种基于反馈网络的风力发电机叶片结构损伤分析方法及系统,包括:采集风力发电机叶片的实时原图像;分别提取第一图像和第二图像的浅层特征,得到第一图像浅层特征和第二图像浅层特征;确定风力发电机叶片的磨损位置,分析风力发电机叶片的磨损信息;将第一图像浅层特征和第二图像浅层特征输入至预设的反馈网络中,以得到第一图像和第二图像分别对应的第一图像高级特征和第二图像高级特征;分析风力发电机叶片是否出现叶片磨损,得到分析结果,则提取风力发电机叶片的磨损数据,以构建风力发电机叶片的第二磨损分析报告。本发明在于提高风力发电机叶片结构损伤分析的准确性。
Description
技术领域
本发明涉及风力发电机叶片损伤分析技术领域,尤其涉及一种基于反馈网络的风力发电机叶片结构损伤分析方法及系统。
背景技术
风力发电机是一种将风能转换为机械功,机械功带动转子旋转,最终输出交流电的电力设备,风力发电机一般由叶片、发电机(包括装置)、调向器(尾翼)、塔架、限速安全机构和储能装置等构件组成,由于风力发电机长年在外运转,恶劣的环境以及天气都会对叶片造成损伤,导致后续风力发电机的发电效率降低,因此需要对风力发电机的叶片结构损伤进行分析。
但是现有的风力发电机叶片结构损伤分析方法主要是通过采集风力发电机叶片的叶片数据并进行预处理;将数据输入到深度学习预测模型,自适应提取数据特征;计算磨损预测值,根据磨损预测值判定叶片异常情况,并将异常情况进行反馈的方法,但是该方法无法准确地对风力发电机叶片局部磨损进行及时检测和定位,从而导致叶片的损伤分析的准确性降低,因此需要一种能够提高风力发电机叶片结构损伤分析的准确性的方法。
发明内容
本发明提供一种基于反馈网络的风力发电机叶片结构损伤分析方法及系统,其主要目的在于提高风力发电机叶片结构损伤分析的准确性。
为实现上述目的,本发明提供的一种基于反馈网络的风力发电机叶片结构损伤分析方法,包括:
获取待分析的风力发电机叶片,采集所述风力发电机叶片的实时原图像,所述实时原图像包括第一图像和第二图像;
分别提取所述第一图像和所述第二图像的浅层特征,得到第一图像浅层特征和第二图像浅层特征,并计算所述第一图像浅层特征和所述第二图像浅层特征的图像特征差值,其中,所述计算所述第一图像浅层特征和所述第二图像浅层特征的图像特征差值,包括:
通过下述公式计算所述第一图像浅层特征和所述第二图像浅层特征的图像特征差值:
其中,F表示第一图像浅层特征和所述第二图像浅层特征的图像特征差值,a和a+1分别表示第一图像浅层特征和第二图像浅层特征,Ea表示第一图像浅层特征对应的特征值,Ea+1表示第二图像浅层特征对应的特征值,log(Ea)表示第一图像浅层特征的特征值对应的对数,log(Ea+1)表示第二图像浅层特征的特征值对应的对数;
在所述图像特征差值不符合预设差值时,确定所述风力发电机叶片的磨损位置,并基于所述磨损位置,分析所述风力发电机叶片的磨损信息,以构建所述风力发电机叶片的第一磨损分析报告;
在所述图像特征符合所述预设差值时,将所述第一图像浅层特征和所述第二图像浅层特征输入至预设的反馈网络中,以得到所述第一图像和所述第二图像分别对应的第一图像高级特征和第二图像高级特征;
基于所述第一图像高级特征和所述第二图像高级特征,分析所述风力发电机叶片是否出现叶片磨损,得到分析结果,若所述分析结果为存在磨损,则提取所述风力发电机叶片的磨损数据,以构建所述风力发电机叶片的第二磨损分析报告。
可选地,所述分别提取所述第一图像和所述第二图像的浅层特征,得到第一图像浅层特征和第二图像浅层特征,包括:
分别对所述第一图像和所述第二图像进行图像降噪处理,得到第一降噪图像和第二降噪图像;
对所述第一降噪图像进行背景去除处理,得到第一主体图像,对所述第二降噪图像进行背景去除处理,得到第二主体图像;
分别对所述第一主体图像和所述第二主体图像进行图像增强处理,得到第一目标主体图像和第二目标主体图像,确定所述第一目标主体图像和所述第二目标主体图像的图像参数指标;
根据所述图像参数指标,分别提取所述第一目标主体图像和所述第二目标主体图像的浅层特征,得到第一图像浅层特征和第二图像浅层特征。
可选地,所述对所述第一降噪图像进行背景去除处理,得到第一主体图像,包括:
通过下述公式对所述第一降噪图像进行背景去除处理:
其中,A表示第一降噪图像背景去除处理后得到的第一主体图像,plot表示图像生成函数,strip()表示像素点剔除函数,B’(x,y)表示第一降噪图像中的第B个像素点,x和y表示第一降噪图像中的第B个像素点的像素坐标,D表示像素点的分割阈值。
可选地,所述根据所述图像参数指标,分别提取所述第一目标主体图像和所述第二目标主体图像的浅层特征,得到第一图像浅层特征和第二图像浅层特征,包括:
所述图像参数指标包括颜色指标、纹理指标以及形状指标,根据所述颜色指标,分别对所述第一目标主体图像和所述第二目标主体图像进行颜色特征提取,得到第一颜色特征和第二颜色特征;
根据所述纹理指标,分别对所述第一目标主体图像和所述第二目标主体图像进行纹理特征提取,得到第一纹理特征和第二纹理特征,根据所述形状指标,分别对所述第一目标主体图像和所述第二目标主体图像进行形状特征提取,得到第一形状特征和第二形状特征;
对所述第一颜色特征、所述第一纹理特征以及所述第一形状特征进行特征融合,得到第一目标特征,根据所述第一目标特征,得到所述第一目标主体图像的第一图像浅层特征;
对所述第二颜色特征、所述第二纹理特征以及所述第二形状特征进行特征融合,得到第二目标特征,根据所述第二目标特征,得到所述第二目标主体图像的第二图像浅层特征。
可选地,所述基于所述磨损位置,分析所述风力发电机叶片的磨损信息,包括:
基于所述磨损位置,从所述第一图像和所述第二图像中确定所述风力发电机叶片的磨损图像,识别所述磨损图像中的图像色彩;
构建所述图像色彩对应的色彩矩阵,提取所述色彩矩阵对应的矩阵特征,计算所述矩阵特征对应的特征值;结合所述特征值和预设特征值,确定所述风力发电机叶片的磨损系数,提取所述磨损图像对应的磨损特征;
根据所述磨损特征,确定所述风力发电机叶片的磨损类型,结合所述磨损类型和所述磨损系数,生成所述风力发电机叶片的磨损信息。
可选地,所述提取所述色彩矩阵对应的矩阵特征,包括:
通过下述公式提取所述色彩矩阵对应的矩阵特征:
其中,Gcolor表示色彩矩阵对应的矩阵特征,Hi表示第i个色彩矩阵对应的矩阵均值,d表示色彩矩阵的矩阵数量,i表示色彩矩阵的序列号,gi表示第i个色彩矩阵的矩阵值,Mi表示第i个色彩矩阵对应的矩阵方差,Li表示第i个色彩矩阵对应的矩阵偏度。
可选地,所述将所述第一图像浅层特征和所述第二图像浅层特征输入至预设的反馈网络中,以得到所述第一图像和所述第二图像分别对应的第一图像高级特征和第二图像高级特征,包括:
利用所述反馈网络中的输入层分别对所述第一图像浅层特征和所述第二图像浅层特征进行特征格式变换,得到第一变换浅层特征和第二变换浅层特征;
利用所述反馈网络中的映射层分别对所述第一变换浅层特征和所述第二变换浅层特征进行特征映射,得到第一映射特征和第二映射特征;
利用所述反馈网络中的卷积层分别对所述第一变换浅层特征和所述第二变换浅层特征进行特征卷积处理,得到第一卷积浅层特征和第二卷积浅层特征;
利用所述反馈网络中的输出层对所述第一卷积浅层特征和所述第一映射特征进行特征合并输出,得到第一图像高级特征;
利用所述输出层对所述第二映射特征和所述第二卷积浅层特征进行特征合并输出,得到第二图像高级特征。
可选地,所述基于所述第一图像高级特征和所述第二图像高级特征,分析所述风力发电机叶片是否出现叶片磨损,得到分析结果,包括:
分别对所述第一图像高级特征和所述第二图像高级特征进行属性解析,得到第一特征属性和第二特征属性,计算所述第一特征属性中每个属性的信息增益值,得到第一属性增益值;
计算所述第二特征属性中每个属性的信息增益值,得到第二属性增益值,根据所述第一属性增益值和所述第二属性增益值,分别对所述第一特征属性和所述第二特征属性进行属性过滤,得到第一目标属性和第二目标属性;
分别对所述第一目标属性和所述第二目标属性进行语义分析,得到第一属性语义和第二属性语义;
将所述第一属性语义和所述第二属性语义与预设的磨损语义表进行比对,得到比对结果,将所述比对结果作为所述风力发电机叶片是否出现叶片磨损的分析结果。
可选地,所述计算所述第一特征属性中每个属性的信息增益值,得到第一属性增益值,包括:
通过下述公式计算所述第一特征属性中每个属性的信息增益值:
其中,N表示第一属性增益值,P(q)表示第一特征属性的属性集合信息熵,j表示第一特征属性的序列号,q表示第一特征属性的数量,|R|表示集合R中的属性数量,|Rj|表示集合R中第j个属性的元素数量,P(Rj)表示集合R中第j个属性的数量比值。
一种基于反馈网络的风力发电机叶片结构损伤分析系统,其特征在于,所述系统包括:
图像采集模块,用于获取待分析的风力发电机叶片,采集所述风力发电机叶片的实时原图像,所述实时原图像包括第一图像和第二图像;
特征提取模块,用于分别提取所述第一图像和所述第二图像的浅层特征,得到第一图像浅层特征和第二图像浅层特征,并计算所述第一图像浅层特征和所述第二图像浅层特征的图像特征差值,其中,所述计算所述第一图像浅层特征和所述第二图像浅层特征的图像特征差值,包括:
通过下述公式计算所述第一图像浅层特征和所述第二图像浅层特征的图像特征差值:
F=Σ[Ealog(Ea)+(1-Ea+1)log(Ea+1)]
其中,F表示第一图像浅层特征和所述第二图像浅层特征的图像特征差值,a和a+1分别表示第一图像浅层特征和第二图像浅层特征,Ea表示第一图像浅层特征对应的特征值,Ea+1表示第二图像浅层特征对应的特征值,log(Ea)表示第一图像浅层特征的特征值对应的对数,log(Ea+1)表示第二图像浅层特征的特征值对应的对数;
磨损位置确定模块,用于在所述图像特征差值不符合预设差值时,确定所述风力发电机叶片的磨损位置,并基于所述磨损位置,分析所述风力发电机叶片的磨损信息,以构建所述风力发电机叶片的第一磨损分析报告;
高级特征提取模块,用于在所述图像特征符合所述预设差值时,将所述第一图像浅层特征和所述第二图像浅层特征输入至预设的反馈网络中,以得到所述第一图像和所述第二图像分别对应的第一图像高级特征和第二图像高级特征:
磨损分析模块,用于基于所述第一图像高级特征和所述第二图像高级特征,分析所述风力发电机叶片是否出现叶片磨损,得到分析结果,若所述分析结果为存在磨损,则提取所述风力发电机叶片的磨损数据,以构建所述风力发电机叶片的第二磨损分析报告。
本发明通过获取待分析的风力发电机叶片,采集所述风力发电机叶片的实时原图像,可以得到所述风力发电机叶片在不同时刻的图像,从而便于后续提取出基于不同时间节点的所述风力发电机叶片的图像特征,本发明通过分别提取所述第一图像和所述第二图像的浅层特征,可以得到所述第一图像和所述第二图像中的图像表征,进而可以通过图像表征去分析所述风力发电机叶片对应的磨损情况,不需要对整体图像分析处理,降低了后续处理动作的繁琐程度,应当了解的是在所述图像特征差值不符合预设差值时,则表示所述图像特征差值较大,进而本发明通过所述图像特征差值确定所述风力发电机叶片的磨损位置,其中,应当了解的是,在所述图像特征符合所述预设差值时,则表示所述图像特征差值较小,无法直接识别出所述风力发电机叶片的磨损,进而本发明通过将所述第一图像浅层特征和第二图像浅层特征输入至预设的反馈网络中,以得到所述第一图像和所述第二图像的高级特征,能够提供更抽象、更有表达力的特征,从而更好地描述所述第一图像和所述第二图像对应的内容和特征,本发明通过基于所述第一图像高级特征和所述第二图像高级特征,可以得到更加详细的特征信息,进而可以通过特征信息分析所述风力发电机叶片是否出现叶片磨损,提高了发电机叶片的磨损分析的准确性。因此,本发明实施例提供的一种基于反馈网络的风力发电机叶片结构损伤分析方法及系统,能够提高风力发电机叶片结构损伤分析的准确性。
附图说明
图1为本发明一实施例提供的一种基于反馈网络的风力发电机叶片结构损伤分析方法的流程示意图;
图2为本发明一实施例提供的一种基于反馈网络的风力发电机叶片结构损伤分析系统的功能模块图;
图3为本发明一实施例提供的实现所述一种基于反馈网络的风力发电机叶片结构损伤分析方法的电子设备的结构示意图。
图中,1-电子设备;10-处理器;11-存储器;12-通信总线;13-通信接口;100-一种基于反馈网络的风力发电机叶片结构损伤分析系统;101-图像采集模块;102-特征提取模块;103-磨损位置确定模块;104-高级特征提取模块;105-磨损分析模块。
本发明目的的实现、功能特点及优点将结合实施例,参照附图作进一步说明。
具体实施方式
应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
本申请实施例提供一种基于反馈网络的风力发电机叶片结构损伤分析方法。本申请实施例中,所述一种基于反馈网络的风力发电机叶片结构损伤分析方法的执行主体包括但不限于服务端、终端等能够被配置为执行本申请实施例提供的该方法的电子设备中的至少一种。换言之,所述一种基于反馈网络的风力发电机叶片结构损伤分析方法可以由安装在终端设备或服务端设备的软件或硬件来执行,所述软件可以是区块链平台。所述服务端包括但不限于:单台服务器、服务器集群、云端服务器或云端服务器集群等。所述服务器可以是独立的服务器,也可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(Content Delivery Network,CDN)、以及大数据和人工智能平台等基础云计算服务的云服务器。
参照图1所示,为本发明一实施例提供的一种基于反馈网络的风力发电机叶片结构损伤分析方法的流程示意图。在本实施例中,所述一种基于反馈网络的风力发电机叶片结构损伤分析方法包括步骤S1—S5。
S1、获取待分析的风力发电机叶片,采集所述风力发电机叶片的实时原图像,所述实时原图像包括第一图像和第二图像。
本发明通过获取待分析的风力发电机叶片,采集所述风力发电机叶片的实时原图像,可以得到所述风力发电机叶片在不同时刻的图像,从而便于后续提取出基于不同时间节点的所述风力发电机叶片的图像特征,其中,所述风力发电机叶片是风力发电设备的核心部件,用于采集风能并将其转换为电能的叶片,所述实时原图像是所述风力发电叶片在不同时刻采集得到的图像,所述第一图像和所述第二图像是所述风力发电机叶片在同一时刻拍摄得到的多方位的叶片图像,进一步的,所述风力发电机叶片的实时原图像可以通过高速相机采集得到。
S2、分别提取所述第一图像和所述第二图像的浅层特征,得到第一图像浅层特征和第二图像浅层特征,并计算所述第一图像浅层特征和所述第二图像浅层特征的图像特征差值。
本发明通过分别提取所述第一图像和所述第二图像的浅层特征,可以得到所述第一图像和所述第二图像中的图像表征,进而可以通过图像表征去分析所述风力发电机叶片对应的磨损情况,不需要对整体图像分析处理,降低了后续处理动作的繁琐程度,其中,所述第一图像浅层特征是所述第一图像中的一些简单特征,所述第二图像浅层特征是所述第二图像中的一些简单特征。
作为本发明的一个实施例,所述分别提取所述第一图像和所述第二图像的浅层特征,得到第一图像浅层特征和第二图像浅层特征,包括:分别对所述第一图像和所述第二图像进行图像降噪处理,得到第一降噪图像和第二降噪图像,对所述第一降噪图像进行背景去除处理,得到第一主体图像,对所述第二降噪图像进行背景去除处理,得到第二主体图像,分别对所述第一主体图像和所述第二主体图像进行图像增强处理,得到第一目标主体图像和第二目标主体图像,确定所述第一目标主体图像和所述第二目标主体图像的图像参数指标,根据所述图像参数指标,分别提取所述第一目标主体图像和所述第二目标主体图像的浅层特征,得到第一图像浅层特征和第二图像浅层特征。
其中,所述第一降噪图像和所述第二降噪图像分别是所述第一图像和所述第二图像中的噪声和干扰经过处理后得到的图像,所述第一主体图像和所述第二主体图像分别是所述第一降噪图像和所述第二降噪图像中的背景区域经过去除后得到的只包含叶片的图像,所述第一目标主体图像和所述第二目标主体图像分别是所述第一主体图像和所述第二主体图像的像素和清晰度增强处理后得到的图像,所述图像参数指标是所述第一目标主体图像和所述第二目标主体图像对应的参数类型,如像素、颜色以及形状等。
可选地,分别对所述第一图像和所述第二图像的图像降噪处理可以通过均值滤波器实现,对所述第二降噪图像进行背景去除处理与上述第一降噪图像背景去除远离相同,在此不做过多赘述,分别对所述第一主体图像和所述第二主体图像进行图像增强处理可以通过灰度变换增强法实现。
进一步的,作为本发明的一个可选实施例,所述对所述第一降噪图像进行背景去除处理,得到第一主体图像,包括:
通过下述公式对所述第一降噪图像进行背景去除处理:
其中,A表示第一降噪图像背景去除处理后得到的第一主体图像,plot表示图像生成函数,strip()表示像素点剔除函数,B’(x,y)表示第一降噪图像中的第B个像素点,x和y表示第一降噪图像中的第B个像素点的像素坐标,D表示像素点的分割阈值。
进一步的,作为本发明的一个可选实施例,所述根据所述图像参数指标,分别提取所述第一目标主体图像和所述第二目标主体图像的浅层特征,得到第一图像浅层特征和第二图像浅层特征,包括:所述图像参数指标包括颜色指标、纹理指标以及形状指标,根据所述颜色指标,分别对所述第一目标主体图像和所述第二目标主体图像进行颜色特征提取,得到第一颜色特征和第二颜色特征,根据所述纹理指标,分别对所述第一目标主体图像和所述第二目标主体图像进行纹理特征提取,得到第一纹理特征和第二纹理特征,根据所述形状指标,分别对所述第一目标主体图像和所述第二目标主体图像进行形状特征提取,得到第一形状特征和第二形状特征,对所述第一颜色特征、所述第一纹理特征以及所述第一形状特征进行特征融合,得到第一目标特征,根据所述第一目标特征,得到所述第一目标主体图像的第一图像浅层特征,对所述第二颜色特征、所述第二纹理特征以及所述第二形状特征进行特征融合,得到第二目标特征,根据所述第二目标特征,得到所述第二目标主体图像的第二图像浅层特征。
其中,所述第一颜色特征和所述第二颜色特征分别是所述第一目标主体图像和所述第二目标主体图像对应的颜色表征,所述第一纹理特征和所述第二纹理特征分别是所述第一目标主体图像和所述第二目标主体图像对应的纹理表征,所述第一形状特征和所述第二形状特征分别是所述第一目标主体图像和所述第二目标主体图像对应的形状表征,所述第一目标特征是所述第一颜色特征、所述第一纹理特征以及所述第一形状特征经过融合后得到的特征,所述第二目标特征是所述第二颜色特征、所述第二纹理特征以及所述第二形状特征经过融合得到的特征。
进一步的,所述第一目标主体图像和所述第二目标主体图像的颜色特征可以通过HSV颜色模型提取得到,所述第一目标主体图像和所述第二目标主体图像的纹理特征可以通过统计方法提取得到,所述第一目标主体图像和所述第二目标主体图像的形状特征可以通过边界特征法提取得到,所述第一颜色特征、所述第一纹理特征以及所述第一形状特征的特征融合可以通过早融合方法实现,所述第二目标特征与所述第一目标特征的融合原理相同,在此不做过多赘述。
本发明通过计算所述第一图像浅层特征和所述第二图像浅层特征的图像特征差值,可以得到所述第一图像浅层特征和所述第二图像浅层特征之间的特征差异程度,进而便于后续根据特征差异程度确定磨损位置,其中,所述图像特征差值表示所述第一图像浅层特征和所述第二图像浅层特征的差异程度。
作为本发明的一个实施例,所述计算所述第一图像浅层特征和所述第二图像浅层特征的图像特征差值,包括:
通过下述公式计算所述第一图像浅层特征和所述第二图像浅层特征的图像特征差值:
F=Σ[Ealog(Ea)+(1-Ea+1)log(Ea+1)]
其中,F表示第一图像浅层特征和所述第二图像浅层特征的图像特征差值,a和a+1分别表示第一图像浅层特征和第二图像浅层特征,Ea表示第一图像浅层特征对应的特征值,Ea+1表示第二图像浅层特征对应的特征值,log(Ea)表示第一图像浅层特征的特征值对应的对数,log(Ea+1)表示第二图像浅层特征的特征值对应的对数。
S3、在所述图像特征差值不符合预设差值时,确定所述风力发电机叶片的磨损位置,并基于所述磨损位置,分析所述风力发电机叶片的磨损信息,以构建所述风力发电机叶片的第一磨损分析报告。
应当了解的是在所述图像特征差值不符合预设差值时,则表示所述图像特征差值较大,进而本发明通过所述图像特征差值确定所述风力发电机叶片的磨损位置,其中,所述预设差值是所述图像特征差值评判的标准值,可以是0.8,也可以根据实际的业务场景进行设置,所述磨损位置是所述风力发电机叶片对应的损伤部位,进一步的,所述风力发电机叶片的磨损位置可以通过所述图像特征差值大于所述预设差值时确定。
本发明通过基于所述磨损位置,分析所述风力发电机叶片的磨损信息,可以得到所述磨损位置的具体信息,如磨损原因,进而便于构建所述风力发电机叶片的第一磨损分析报告,其中,所述磨损信息是所述磨损位置对应的具体信息,进一步的,所述风力发电机叶片的第一磨损分析报告可以通过报告生成器实现,所述报告生成器是有Java语言编译。
作为本发明的一个实施例,所述基于所述磨损位置,分析所述风力发电机叶片的磨损信息,包括:基于所述磨损位置,从所述第一图像和所述第二图像中确定所述风力发电机叶片的磨损图像,识别所述磨损图像中的图像色彩,构建所述图像色彩对应的色彩矩阵,提取所述色彩矩阵对应的矩阵特征,计算所述矩阵特征对应的特征值,结合所述特征值和预设特征值,确定所述风力发电机叶片的磨损系数,提取所述磨损图像对应的磨损特征,根据所述磨损特征,确定所述风力发电机叶片的磨损类型,结合所述磨损类型和所述磨损系数,生成所述风力发电机叶片的磨损信息。
其中,所述磨损图像是所述磨损位置在所述第一图像和所述第二图像中对应的位置图像,所述图像色彩是所述磨损图像中的颜色,所述色彩矩阵是所述图像色彩对应的色彩值构建的方阵,所述矩阵特征是所述色彩矩阵对应的特有性质和属性,所述特征值是所述矩阵特征的数值表达形式,所述预设特征值是所述风力发电机叶片没有发生磨损的图像对应的特征数值,所述磨损系数表示所述风力发电机叶片的磨损严重程度,所述磨损特征是所述磨损图像中的表征,所述磨损类型是所述磨损特征对应的磨损原因,如风力侵蚀或者异物撞击等。
可选的,识别所述磨损图像中的图像色彩可以通过颜色识别器实现,所述图像色彩对应的色彩矩阵可以通过zero矩阵函数构建,提取所述色彩矩阵对应的矩阵特征,所述矩阵特征对应的特征值可以通过所述矩阵特征和其对应的特征向量计算,所述风力发电机叶片的磨损系数可以通过所述特征值和预设特征值的比值确定,提取所述磨损图像对应的磨损特征可以通过lbp算法实现,所述风力发电机叶片的磨损类型可以通过人机交互的方式查询所述磨损特征对应的环境得到。
进一步的,作为本发明的一个可选实施例,所述提取所述色彩矩阵对应的矩阵特征,包括:
通过下述公式提取所述色彩矩阵对应的矩阵特征:
其中,Gcolor表示色彩矩阵对应的矩阵特征,Hi表示第i个色彩矩阵对应的矩阵均值,d表示色彩矩阵的矩阵数量,i表示色彩矩阵的序列号,gi表示第i个色彩矩阵的矩阵值,Mi表示第i个色彩矩阵对应的矩阵方差,Li表示第i个色彩矩阵对应的矩阵偏度。
S4、在所述图像特征符合所述预设差值时,将所述第一图像浅层特征和所述第二图像浅层特征输入至预设的反馈网络中,以得到所述第一图像和所述第二图像分别对应的第一图像高级特征和第二图像高级特征。
应当了解的是,在所述图像特征符合所述预设差值时,则表示所述图像特征差值较小,无法直接识别出所述风力发电机叶片的磨损,进而本发明通过将所述第一图像浅层特征和第二图像浅层特征输入至预设的反馈网络中,以得到所述第一图像和所述第二图像的高级特征,能够提供更抽象、更有表达力的特征,从而更好地描述所述第一图像和所述第二图像对应的内容和特征,其中,所述预设的反馈网络是用于提取高级特征的神经网络,所述第一图像高级特征和所述第二图像高级特征分别是所述第一图像和所述第二图像对应的更高层次的特征。
作为本发明的一个实施例,所述将所述第一图像浅层特征和所述第二图像浅层特征输入至预设的反馈网络中,以得到所述第一图像和所述第二图像分别对应的第一图像高级特征和第二图像高级特征,包括:利用所述反馈网络中的输入层分别对所述第一图像浅层特征和所述第二图像浅层特征进行特征格式变换,得到第一变换浅层特征和第二变换浅层特征,利用所述反馈网络中的映射层分别对所述第一变换浅层特征和所述第二变换浅层特征进行特征映射,得到第一映射特征和第二映射特征,利用所述反馈网络中的卷积层分别对所述第一变换浅层特征和所述第二变换浅层特征进行特征卷积处理,得到第一卷积浅层特征和第二卷积浅层特征,利用所述反馈网络中的输出层对所述第一卷积浅层特征和所述第一映射特征进行特征合并输出,得到第一图像高级特征,并利用所述输出层对所述第二映射特征和所述第二卷积浅层特征进行特征合并输出,得到第二图像高级特征。
其中,所述第一变换浅层特征和所述第二变换浅层特征分别是所述第一图像浅层特征和所述第二图像浅层特征通过所述输入层将特征格式变换后得到的特征,所述第一映射特征和所述第二映射特征分别是所述第一变换浅层特征和所述第二变换浅层特征从低级特征映射到高维空间的特征,以获得更丰富的特征,所述第一卷积浅层特征和所述第二卷积浅层特征分别是所述第一变换浅层特征和所述第二变换浅层特征经过所述卷积层提取到的不同尺度、不同方向和不同频率的卷积特征,所述第一图像高级特征是通过所述输出层对所述第一卷积浅层特征和所述第一映射特征进行特征合并输出得到的特征,所述第二图像高级特征是通过所述输出层对所述第二卷积浅层特征和所述第二映射特征进行特征合并输出得到的特征。
可选的,所述第一图像浅层特征和所述第二图像浅层特征的特征格式变换可以通过所述输入层中的格式转换器实现,所述第一变换浅层特征和所述第二变换浅层特征的特征映射可以通过所述映射层中的核函数映射实现,所述第一变换浅层特征和所述第二变换浅层特征的特征卷积处理可以通过所述卷积层中的卷积核实现,所述第一卷积浅层特征和所述第一映射特征的特征合并输出可以通过所述输出层中的输出函数实现,如print()函数。
S5、基于所述第一图像高级特征和所述第二图像高级特征,分析所述风力发电机叶片是否出现叶片磨损,得到分析结果,若所述分析结果为存在磨损,则提取所述风力发电机叶片的磨损数据,以构建所述风力发电机叶片的第二磨损分析报告。
本发明通过基于所述第一图像高级特征和所述第二图像高级特征,可以得到更加详细的特征信息,进而可以通过特征信息分析所述风力发电机叶片是否出现叶片磨损,其中,所述分析结果是基于所述第一图像高级特征和所述第二图像高级特征,对所述风力发电机叶片的磨损分析的最终结果。
作为本发明的一个实施例,所述基于所述第一图像高级特征和所述第二图像高级特征,分析所述风力发电机叶片是否出现叶片磨损,得到分析结果,包括:分别对所述第一图像高级特征和所述第二图像高级特征进行属性解析,得到第一特征属性和第二特征属性,计算所述第一特征属性中共每个属性的信息增益值,得到第一属性增益值,计算所述第二特征属性中每个属性的信息增益值,得到第二属性增益值,根据所述第一属性增益值和所述第二属性增益值,分别对所述第一特征属性和所述第二特征属性进行属性过滤,得到第一目标属性和第二目标属性,分别对所述第一目标属性和所述第二目标属性进行语义分析,得到第一属性语义和第二属性语义,将所述第一属性语义和所述第二属性语义与预设的磨损语义表进行比对,得到比对结果,将所述比对结果作为所述风力发电机叶片是否出现叶片磨损的分析结果。
其中,所述第一特征属性和所述第二特征属性分别是所述第一图像高级特征和所述第二图像高级特征对应的特征性质,所述第一属性增益值表示所述第一特征属性中共每个属性包含信息的数量多少,所述第二属性增益值表示所述第二特征属性中每个属性的包含信息的数量多少,所述第一目标属性和所述第二目标属性分别是所述第一特征属性和所述第二特征属性包含信息数量较多的属性,所述第一属性语义和所述第二属性语义分别是所述第一目标属性和所述第二目标属性对应的含义解释,所述预设的磨损语义表是包含老磨损相关语义的表格。
可选的,所述第一图像高级特征和所述第二图像高级特征的属性解析可以通过属性解析器实现,所述属性解析器是由编程语言编译,所述第二属性增益值与所述第一属性增益值的计算原理相同,在此不做过多赘述,所述第一特征属性和所述第二特征属性的属性过滤可以通过属性过滤器实现,所述属性过滤器是有程序语言编译,所述第一目标属性和所述第二目标属性的语义分析可以通过语义分析法实现。
进一步的,作为本发明的一个可选实施例,所述计算所述第一特征属性中每个属性的信息增益值,得到第一属性增益值,包括:
通过下述公式计算所述第一特征属性中每个属性的信息增益值:
其中,N表示第一属性增益值,P(q)表示第一特征属性的属性集合信息熵,j表示第一特征属性的序列号,q表示第一特征属性的数量,|R|表示集合R中的属性数量,|Rj|表示集合R中第j个属性的元素数量,P(Rj)表示集合R中第j个属性的数量比值。
应当了解的是若所述分析结果为存在磨损,则表示所述风力发电机叶片上有损伤,进而本发明通过提取所述风力发电机叶片的磨损数据,了解叶片磨损的详细信息,便于构建所述风力发电机叶片的第二磨损分析报告。
本发明通过获取待分析的风力发电机叶片,采集所述风力发电机叶片的实时原图像,可以得到所述风力发电机叶片在不同时刻的图像,从而便于后续提取出基于不同时间节点的所述风力发电机叶片的图像特征,本发明通过分别提取所述第一图像和所述第二图像的浅层特征,可以得到所述第一图像和所述第二图像中的图像表征,进而可以通过图像表征去分析所述风力发电机叶片对应的磨损情况,不需要对整体图像分析处理,降低了后续处理动作的繁琐程度,应当了解的是在所述图像特征差值不符合预设差值时,则表示所述图像特征差值较大,进而本发明通过所述图像特征差值确定所述风力发电机叶片的磨损位置,其中,应当了解的是,在所述图像特征符合所述预设差值时,则表示所述图像特征差值较小,无法直接识别出所述风力发电机叶片的磨损,进而本发明通过将所述第一图像浅层特征和第二图像浅层特征输入至预设的反馈网络中,以得到所述第一图像和所述第二图像的高级特征,能够提供更抽象、更有表达力的特征,从而更好地描述所述第一图像和所述第二图像对应的内容和特征,本发明通过基于所述第一图像高级特征和所述第二图像高级特征,可以得到更加详细的特征信息,进而可以通过特征信息分析所述风力发电机叶片是否出现叶片磨损,提高了发电机叶片的磨损分析的准确性。因此,本发明实施例提供的一种基于反馈网络的风力发电机叶片结构损伤分析方法,能够提高风力发电机叶片结构损伤分析的准确性。
如图2所示,是本发明一实施例提供的一种基于反馈网络的风力发电机叶片结构损伤分析系统的功能模块图。
本发明所述一种基于反馈网络的风力发电机叶片结构损伤分析系统100可以安装于电子设备中。根据实现的功能,所述一种基于反馈网络的风力发电机叶片结构损伤分析系统100可以包括图像采集模块101、特征提取模块102、磨损位置确定模块103、高级特征提取模块104及磨损分析模块105。本发明所述模块也可以称之为单元,是指一种能够被电子设备处理器所执行,并且能够完成固定功能的一系列计算机程序段,其存储在电子设备的存储器中。
在本实施例中,关于各模块/单元的功能如下:
所述图像采集模块101,用于获取待分析的风力发电机叶片,采集所述风力发电机叶片的实时原图像,所述实时原图像包括第一图像和第二图像;
所述特征提取模块102,用于分别提取所述第一图像和所述第二图像的浅层特征,得到第一图像浅层特征和第二图像浅层特征,并计算所述第一图像浅层特征和所述第二图像浅层特征的图像特征差值,其中,所述计算所述第一图像浅层特征和所述第二图像浅层特征的图像特征差值,包括:
通过下述公式计算所述第一图像浅层特征和所述第二图像浅层特征的图像特征差值:
F=Σ[Ealog(Ea)+(1-Ea+1)log(Ea+1)]
其中,F表示第一图像浅层特征和所述第二图像浅层特征的图像特征差值,a和a+1分别表示第一图像浅层特征和第二图像浅层特征,Ea表示第一图像浅层特征对应的特征值,Ea+1表示第二图像浅层特征对应的特征值,log(Ea)表示第一图像浅层特征的特征值对应的对数,log(Ea+1)表示第二图像浅层特征的特征值对应的对数;
所述磨损位置确定模块103,用于在所述图像特征差值不符合预设差值时,确定所述风力发电机叶片的磨损位置,并基于所述磨损位置,分析所述风力发电机叶片的磨损信息,以构建所述风力发电机叶片的第一磨损分析报告;
所述高级特征提取模块104,用于在所述图像特征符合所述预设差值时,将所述第一图像浅层特征和所述第二图像浅层特征输入至预设的反馈网络中,以得到所述第一图像和所述第二图像分别对应的第一图像高级特征和第二图像高级特征;
所述磨损分析模块105,用于基于所述第一图像高级特征和所述第二图像高级特征,分析所述风力发电机叶片是否出现叶片磨损,得到分析结果,若所述分析结果为存在磨损,则提取所述风力发电机叶片的磨损数据,以构建所述风力发电机叶片的第二磨损分析报告。
详细地,本申请实施例中所述一种基于反馈网络的风力发电机叶片结构损伤分析系统100中所述的各模块在使用时采用与上述图1中所述的一种基于反馈网络的风力发电机叶片结构损伤分析方法一样的技术手段,并能够产生相同的技术效果,这里不再赘述。
如图3所示,是本发明一实施例提供的实现一种基于反馈网络的风力发电机叶片结构损伤分析方法的电子设备1的结构示意图。
所述电子设备1可以包括处理器10、存储器11、通信总线12以及通信接口13,还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序,如一种基于反馈网络的风力发电机叶片结构损伤分析方法程序。
其中,所述处理器10在一些实施例中可以由集成电路组成,例如可以由单个封装的集成电路所组成,也可以是由多个相同功能或不同功能封装的集成电路所组成,包括一个或者多个中央处理器(Central Processing Unit,CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器10是所述电子设备1的控制核心(ControlUnit),利用各种接口和线路连接整个电子设备的各个部件,通过运行或执行存储在所述存储器11内的程序或者模块(例如执行一种基于反馈网络的风力发电机叶片结构损伤分析方法程序等),以及调用存储在所述存储器11内的数据,以执行电子设备的各种功能和处理数据。
所述存储器11至少包括一种类型的可读存储介质,所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如:SD或DX存储器等)、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是电子设备的内部存储单元,例如该电子设备的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备的外部存储设备,例如电子设备上配备的插接式移动硬盘、智能存储卡(Smart Media Card,SMC)、安全数字(Secure Digital,SD)卡、闪存卡(Flash Card)等。进一步地,所述存储器11还可以既包括电子设备的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备的应用软件及各类数据,例如一种基于反馈网络的风力发电机叶片结构损伤分析方法程序的代码等,还可以用于暂时地存储已经输出或者将要输出的数据。
所述通信总线12可以是外设部件互连标准(Peripheral ComponentInterconnect,简称PCI)总线或扩展工业标准结构(Extended Industry StandardArchitecture,简称EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。所述总线被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。
所述通信接口13用于上述电子设备1与其他设备之间的通信,包括网络接口和用户接口。可选地,所述网络接口可以包括有线接口和/或无线接口(如WI-FI接口、蓝牙接口等),通常用于在该电子设备与其他电子设备之间建立通信连接。所述用户接口可以是显示器(Display)、输入单元(比如键盘(Keyboard)),可选地,用户接口还可以是标准的有线接口、无线接口。可选地,在一些实施例中,显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode,有机发光二极管)触摸器等。其中,显示器也可以适当的称为显示屏或显示单元,用于显示在电子设备中处理的信息以及用于显示可视化的用户界面。
图3仅示出了具有部件的电子设备,本领域技术人员可以理解的是,图3示出的结构并不构成对所述电子设备1的限定,可以包括比图示更少或者更多的部件,或者组合某些部件,或者不同的部件布置。
例如,尽管未示出,所述电子设备1还可以包括给各个部件供电的电源(比如电池),优选地,电源可以通过电源管理系统与所述至少一个处理器10逻辑相连,从而通过电源管理系统实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电系统、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备1还可以包括多种传感器、蓝牙模块、Wi-Fi模块等,在此不再赘述。
应该了解,所述实施例仅为说明之用,在专利申请范围上并不受此结构的限制。
所述电子设备1中的所述存储器11存储的一种基于反馈网络的风力发电机叶片结构损伤分析方法程序是多个指令的组合,在所述处理器10中运行时,可以实现:
获取待分析的风力发电机叶片,采集所述风力发电机叶片的实时原图像,所述实时原图像包括第一图像和第二图像;
分别提取所述第一图像和所述第二图像的浅层特征,得到第一图像浅层特征和第二图像浅层特征,并计算所述第一图像浅层特征和所述第二图像浅层特征的图像特征差值,其中,所述计算所述第一图像浅层特征和所述第二图像浅层特征的图像特征差值,包括:
通过下述公式计算所述第一图像浅层特征和所述第二图像浅层特征的图像特征差值:
F=Σ[Ealog(Ea)+(1-Ea+1)log(Ea+1)]
其中,F表示第一图像浅层特征和所述第二图像浅层特征的图像特征差值,a和a+1分别表示第一图像浅层特征和第二图像浅层特征,Ea表示第一图像浅层特征对应的特征值,Ea+1表示第二图像浅层特征对应的特征值,log(Ea)表示第一图像浅层特征的特征值对应的对数,log(Ea+1)表示第二图像浅层特征的特征值对应的对数;
在所述图像特征差值不符合预设差值时,确定所述风力发电机叶片的磨损位置,并基于所述磨损位置,分析所述风力发电机叶片的磨损信息,以构建所述风力发电机叶片的第一磨损分析报告;
在所述图像特征符合所述预设差值时,将所述第一图像浅层特征和所述第二图像浅层特征输入至预设的反馈网络中,以得到所述第一图像和所述第二图像分别对应的第一图像高级特征和第二图像高级特征;
基于所述第一图像高级特征和所述第二图像高级特征,分析所述风力发电机叶片是否出现叶片磨损,得到分析结果,若所述分析结果为存在磨损,则提取所述风力发电机叶片的磨损数据,以构建所述风力发电机叶片的第二磨损分析报告。
具体地,所述处理器10对上述指令的具体实现方法可参考附图对应实施例中相关步骤的描述,在此不赘述。
进一步地,所述电子设备1集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读存储介质中。所述计算机可读存储介质可以是易失性的,也可以是非易失性的。例如,所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或系统、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)。
本发明还提供一种计算机可读存储介质,所述可读存储介质存储有计算机程序,所述计算机程序在被电子设备的处理器所执行时,可以实现:
获取待分析的风力发电机叶片,采集所述风力发电机叶片的实时原图像,所述实时原图像包括第一图像和第二图像;
分别提取所述第一图像和所述第二图像的浅层特征,得到第一图像浅层特征和第二图像浅层特征,并计算所述第一图像浅层特征和所述第二图像浅层特征的图像特征差值,其中,所述计算所述第一图像浅层特征和所述第二图像浅层特征的图像特征差值,包括:
通过下述公式计算所述第一图像浅层特征和所述第二图像浅层特征的图像特征差值:
F=Σ[Ealog(Ea)+(1-Ea+1)log(Ea+1)]
其中,F表示第一图像浅层特征和所述第二图像浅层特征的图像特征差值,a和a+1分别表示第一图像浅层特征和第二图像浅层特征,Ea表示第一图像浅层特征对应的特征值,Ea+1表示第二图像浅层特征对应的特征值,log(Ea)表示第一图像浅层特征的特征值对应的对数,log(Ea+1)表示第二图像浅层特征的特征值对应的对数;
在所述图像特征差值不符合预设差值时,确定所述风力发电机叶片的磨损位置,并基于所述磨损位置,分析所述风力发电机叶片的磨损信息,以构建所述风力发电机叶片的第一磨损分析报告;
在所述图像特征符合所述预设差值时,将所述第一图像浅层特征和所述第二图像浅层特征输入至预设的反馈网络中,以得到所述第一图像和所述第二图像分别对应的第一图像高级特征和第二图像高级特征;
基于所述第一图像高级特征和所述第二图像高级特征,分析所述风力发电机叶片是否出现叶片磨损,得到分析结果,若所述分析结果为存在磨损,则提取所述风力发电机叶片的磨损数据,以构建所述风力发电机叶片的第二磨损分析报告。
在本发明所提供的几个实施例中,应该理解到,所揭露的设备,系统和方法,可以通过其它的方式实现。例如,以上所描述的系统实施例仅仅是示意性的,例如,所述模块的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。
因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
本申请实施例可以基于人工智能技术对相关的数据进行获取和处理。其中,人工智能(Artificial Intelligence,AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能,感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
此外,显然“包括”一词不排除其他单元或步骤,单数不排除复数。系统权利要求中陈述的多个单元或系统也可以由一个单元或系统通过软件或者硬件来实现。第一、第二等词语用来表示名称,而并不表示任何特定的顺序。
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限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或等同替换,而不脱离本发明技术方案的精神和范围。
Claims (10)
1.一种基于反馈网络的风力发电机叶片结构损伤分析方法,其特征在于,所述方法包括:
获取待分析的风力发电机叶片,采集所述风力发电机叶片的实时原图像,所述实时原图像包括第一图像和第二图像;
分别提取所述第一图像和所述第二图像的浅层特征,得到第一图像浅层特征和第二图像浅层特征,并计算所述第一图像浅层特征和所述第二图像浅层特征的图像特征差值,其中,所述计算所述第一图像浅层特征和所述第二图像浅层特征的图像特征差值,包括:
通过下述公式计算所述第一图像浅层特征和所述第二图像浅层特征的图像特征差值:
F=Σ[Ealog(Ea)+(1-Ea+1)log(Ea+1)]
其中,F表示第一图像浅层特征和所述第二图像浅层特征的图像特征差值,a和a+1分别表示第一图像浅层特征和第二图像浅层特征,Ea表示第一图像浅层特征对应的特征值,Ea+1表示第二图像浅层特征对应的特征值,log(Ea)表示第一图像浅层特征的特征值对应的对数,log(Ea+1)表示第二图像浅层特征的特征值对应的对数;
在所述图像特征差值不符合预设差值时,确定所述风力发电机叶片的磨损位置,并基于所述磨损位置,分析所述风力发电机叶片的磨损信息,以构建所述风力发电机叶片的第一磨损分析报告;
在所述图像特征符合所述预设差值时,将所述第一图像浅层特征和所述第二图像浅层特征输入至预设的反馈网络中,以得到所述第一图像和所述第二图像分别对应的第一图像高级特征和第二图像高级特征;
基于所述第一图像高级特征和所述第二图像高级特征,分析所述风力发电机叶片是否出现叶片磨损,得到分析结果,若所述分析结果为存在磨损,则提取所述风力发电机叶片的磨损数据,以构建所述风力发电机叶片的第二磨损分析报告。
2.如权利要求1所述的一种基于反馈网络的风力发电机叶片结构损伤分析方法,其特征在于,所述分别提取所述第一图像和所述第二图像的浅层特征,得到第一图像浅层特征和第二图像浅层特征,包括:
分别对所述第一图像和所述第二图像进行图像降噪处理,得到第一降噪图像和第二降噪图像;
对所述第一降噪图像进行背景去除处理,得到第一主体图像,对所述第二降噪图像进行背景去除处理,得到第二主体图像;
分别对所述第一主体图像和所述第二主体图像进行图像增强处理,得到第一目标主体图像和第二目标主体图像,确定所述第一目标主体图像和所述第二目标主体图像的图像参数指标;
根据所述图像参数指标,分别提取所述第一目标主体图像和所述第二目标主体图像的浅层特征,得到第一图像浅层特征和第二图像浅层特征。
3.如权利要求2所述的一种基于反馈网络的风力发电机叶片结构损伤分析方法,其特征在于,所述对所述第一降噪图像进行背景去除处理,得到第一主体图像,包括:
通过下述公式对所述第一降噪图像进行背景去除处理:
其中,A表示第一降噪图像背景去除处理后得到的第一主体图像,plot表示图像生成函数,strip()表示像素点剔除函数,B’(x,y)表示第一降噪图像中的第B个像素点,x和y表示第一降噪图像中的第B个像素点的像素坐标,D表示像素点的分割阈值。
4.如权利要求2所述的一种基于反馈网络的风力发电机叶片结构损伤分析方法,其特征在于,所述根据所述图像参数指标,分别提取所述第一目标主体图像和所述第二目标主体图像的浅层特征,得到第一图像浅层特征和第二图像浅层特征,包括:
所述图像参数指标包括颜色指标、纹理指标以及形状指标,根据所述颜色指标,分别对所述第一目标主体图像和所述第二目标主体图像进行颜色特征提取,得到第一颜色特征和第二颜色特征;
根据所述纹理指标,分别对所述第一目标主体图像和所述第二目标主体图像进行纹理特征提取,得到第一纹理特征和第二纹理特征,根据所述形状指标,分别对所述第一目标主体图像和所述第二目标主体图像进行形状特征提取,得到第一形状特征和第二形状特征;
对所述第一颜色特征、所述第一纹理特征以及所述第一形状特征进行特征融合,得到第一目标特征,根据所述第一目标特征,得到所述第一目标主体图像的第一图像浅层特征;
对所述第二颜色特征、所述第二纹理特征以及所述第二形状特征进行特征融合,得到第二目标特征,根据所述第二目标特征,得到所述第二目标主体图像的第二图像浅层特征。
5.如权利要求1所述的一种基于反馈网络的风力发电机叶片结构损伤分析方法,其特征在于,所述基于所述磨损位置,分析所述风力发电机叶片的磨损信息,包括:
基于所述磨损位置,从所述第一图像和所述第二图像中确定所述风力发电机叶片的磨损图像,识别所述磨损图像中的图像色彩;
构建所述图像色彩对应的色彩矩阵,提取所述色彩矩阵对应的矩阵特征,计算所述矩阵特征对应的特征值;结合所述特征值和预设特征值,确定所述风力发电机叶片的磨损系数,提取所述磨损图像对应的磨损特征;
根据所述磨损特征,确定所述风力发电机叶片的磨损类型,结合所述磨损类型和所述磨损系数,生成所述风力发电机叶片的磨损信息。
6.如权利要求5所述的一种基于反馈网络的风力发电机叶片结构损伤分析方法,其特征在于,所述提取所述色彩矩阵对应的矩阵特征,包括:
通过下述公式提取所述色彩矩阵对应的矩阵特征:
其中,Gcolor表示色彩矩阵对应的矩阵特征,Hi表示第i个色彩矩阵对应的矩阵均值,d表示色彩矩阵的矩阵数量,i表示色彩矩阵的序列号,gi表示第i个色彩矩阵的矩阵值,Mi表示第i个色彩矩阵对应的矩阵方差,Li表示第i个色彩矩阵对应的矩阵偏度。
7.如权利要求1所述的一种基于反馈网络的风力发电机叶片结构损伤分析方法,其特征在于,所述将所述第一图像浅层特征和所述第二图像浅层特征输入至预设的反馈网络中,以得到所述第一图像和所述第二图像分别对应的第一图像高级特征和第二图像高级特征,包括:
利用所述反馈网络中的输入层分别对所述第一图像浅层特征和所述第二图像浅层特征进行特征格式变换,得到第一变换浅层特征和第二变换浅层特征;
利用所述反馈网络中的映射层分别对所述第一变换浅层特征和所述第二变换浅层特征进行特征映射,得到第一映射特征和第二映射特征;
利用所述反馈网络中的卷积层分别对所述第一变换浅层特征和所述第二变换浅层特征进行特征卷积处理,得到第一卷积浅层特征和第二卷积浅层特征;
利用所述反馈网络中的输出层对所述第一卷积浅层特征和所述第一映射特征进行特征合并输出,得到第一图像高级特征;
利用所述输出层对所述第二映射特征和所述第二卷积浅层特征进行特征合并输出,得到第二图像高级特征。
8.如权利要求1所述的一种基于反馈网络的风力发电机叶片结构损伤分析方法,其特征在于,所述基于所述第一图像高级特征和所述第二图像高级特征,分析所述风力发电机叶片是否出现叶片磨损,得到分析结果,包括:
分别对所述第一图像高级特征和所述第二图像高级特征进行属性解析,得到第一特征属性和第二特征属性,计算所述第一特征属性中每个属性的信息增益值,得到第一属性增益值;
计算所述第二特征属性中每个属性的信息增益值,得到第二属性增益值,根据所述第一属性增益值和所述第二属性增益值,分别对所述第一特征属性和所述第二特征属性进行属性过滤,得到第一目标属性和第二目标属性;
分别对所述第一目标属性和所述第二目标属性进行语义分析,得到第一属性语义和第二属性语义;
将所述第一属性语义和所述第二属性语义与预设的磨损语义表进行比对,得到比对结果,将所述比对结果作为所述风力发电机叶片是否出现叶片磨损的分析结果。
9.如权利要求8所述的一种基于反馈网络的风力发电机叶片结构损伤分析方法,其特征在于,所述计算所述第一特征属性中每个属性的信息增益值,得到第一属性增益值,包括:
通过下述公式计算所述第一特征属性中每个属性的信息增益值:
其中,N表示第一属性增益值,P(q)表示第一特征属性的属性集合信息熵,j表示第一特征属性的序列号,q表示第一特征属性的数量,|R|表示集合R中的属性数量,|Rj|表示集合R中第j个属性的元素数量,P(Rj)表示集合R中第j个属性的数量比值。
10.一种基于反馈网络的风力发电机叶片结构损伤分析系统,其特征在于,所述系统包括:
图像采集模块,用于获取待分析的风力发电机叶片,采集所述风力发电机叶片的实时原图像,所述实时原图像包括第一图像和第二图像;
特征提取模块,用于分别提取所述第一图像和所述第二图像的浅层特征,得到第一图像浅层特征和第二图像浅层特征,并计算所述第一图像浅层特征和所述第二图像浅层特征的图像特征差值,其中,所述计算所述第一图像浅层特征和所述第二图像浅层特征的图像特征差值,包括:
通过下述公式计算所述第一图像浅层特征和所述第二图像浅层特征的图像特征差值:
F=Σ[Ealog(Ea)+(1-Ea+1)log(Ea+1)]
其中,F表示第一图像浅层特征和所述第二图像浅层特征的图像特征差值,a和a+1分别表示第一图像浅层特征和第二图像浅层特征,Ea表示第一图像浅层特征对应的特征值,Ea+1表示第二图像浅层特征对应的特征值,log(Ea)表示第一图像浅层特征的特征值对应的对数,log(Ea+1)表示第二图像浅层特征的特征值对应的对数;
磨损位置确定模块,用于在所述图像特征差值不符合预设差值时,确定所述风力发电机叶片的磨损位置,并基于所述磨损位置,分析所述风力发电机叶片的磨损信息,以构建所述风力发电机叶片的第一磨损分析报告;
高级特征提取模块,用于在所述图像特征符合所述预设差值时,将所述第一图像浅层特征和所述第二图像浅层特征输入至预设的反馈网络中,以得到所述第一图像和所述第二图像分别对应的第一图像高级特征和第二图像高级特征;
磨损分析模块,用于基于所述第一图像高级特征和所述第二图像高级特征,分析所述风力发电机叶片是否出现叶片磨损,得到分析结果,若所述分析结果为存在磨损,则提取所述风力发电机叶片的磨损数据,以构建所述风力发电机叶片的第二磨损分析报告。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310837862.9A CN116912190A (zh) | 2023-07-10 | 2023-07-10 | 基于反馈网络的风力发电机叶片结构损伤分析方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310837862.9A CN116912190A (zh) | 2023-07-10 | 2023-07-10 | 基于反馈网络的风力发电机叶片结构损伤分析方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116912190A true CN116912190A (zh) | 2023-10-20 |
Family
ID=88355701
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310837862.9A Pending CN116912190A (zh) | 2023-07-10 | 2023-07-10 | 基于反馈网络的风力发电机叶片结构损伤分析方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116912190A (zh) |
-
2023
- 2023-07-10 CN CN202310837862.9A patent/CN116912190A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112446919B (zh) | 物体位姿估计方法、装置、电子设备及计算机存储介质 | |
CN113159147B (zh) | 基于神经网络的图像识别方法、装置、电子设备 | |
CN113283446B (zh) | 图像中目标物识别方法、装置、电子设备及存储介质 | |
CN111414916B (zh) | 图像中文本内容提取生成方法、装置及可读存储介质 | |
CN113705462B (zh) | 人脸识别方法、装置、电子设备及计算机可读存储介质 | |
CN116186594B (zh) | 基于决策网络结合大数据实现环境变化趋势智能检测方法 | |
CN115690615B (zh) | 一种面向视频流的深度学习目标识别方法及系统 | |
CN115238670B (zh) | 信息文本抽取方法、装置、设备及存储介质 | |
CN116681923A (zh) | 一种基于人工智能的眼科疾病自动分类方法及系统 | |
CN113869456A (zh) | 采样监测方法、装置、电子设备及存储介质 | |
CN117036732B (zh) | 一种基于融合模型的机电设备检测系统、方法及设备 | |
CN115909336A (zh) | 文本识别方法、装置、计算机设备和计算机可读存储介质 | |
CN115409041B (zh) | 一种非结构化数据提取方法、装置、设备及存储介质 | |
CN116912190A (zh) | 基于反馈网络的风力发电机叶片结构损伤分析方法及系统 | |
CN113515591B (zh) | 文本不良信息识别方法、装置、电子设备及存储介质 | |
CN113705686B (zh) | 图像分类方法、装置、电子设备及可读存储介质 | |
CN115114992A (zh) | 分类模型训练的方法、装置、设备及存储介质 | |
CN114049676A (zh) | 疲劳状态检测方法、装置、设备及存储介质 | |
CN114677526A (zh) | 图像分类方法、装置、设备及介质 | |
CN111860661B (zh) | 基于用户行为的数据分析方法、装置、电子设备及介质 | |
CN114187476A (zh) | 基于图像分析的车险信息核对方法、装置、设备及介质 | |
CN114387522A (zh) | 一种工作现场的智能预警方法、装置、设备及介质 | |
CN117523503B (zh) | 基于厚膜电路板的制备设备安全监控方法及系统 | |
CN113888265A (zh) | 产品推荐方法、装置、设备及计算机可读存储介质 | |
CN113920590A (zh) | 活体检测方法、装置、设备及可读存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication |