CN117647526A - 一种风力发电机叶片表面缺陷检测方法及装置 - Google Patents
一种风力发电机叶片表面缺陷检测方法及装置 Download PDFInfo
- Publication number
- CN117647526A CN117647526A CN202311422843.6A CN202311422843A CN117647526A CN 117647526 A CN117647526 A CN 117647526A CN 202311422843 A CN202311422843 A CN 202311422843A CN 117647526 A CN117647526 A CN 117647526A
- Authority
- CN
- China
- Prior art keywords
- blade
- defect
- image
- driven generator
- data
- 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
- 230000007547 defect Effects 0.000 title claims abstract description 190
- 238000001514 detection method Methods 0.000 title claims abstract description 107
- 238000000034 method Methods 0.000 claims abstract description 67
- 230000015654 memory Effects 0.000 claims description 27
- 238000010191 image analysis Methods 0.000 claims description 24
- 238000007781 pre-processing Methods 0.000 claims description 15
- 238000001914 filtration Methods 0.000 claims description 11
- 230000004927 fusion Effects 0.000 claims description 9
- 239000000523 sample Substances 0.000 claims description 7
- 238000001931 thermography Methods 0.000 claims description 4
- 238000003064 k means clustering Methods 0.000 claims description 3
- 238000002604 ultrasonography Methods 0.000 claims description 2
- 230000008569 process Effects 0.000 description 13
- 239000000463 material Substances 0.000 description 9
- 238000013461 design Methods 0.000 description 8
- 230000008901 benefit Effects 0.000 description 6
- 238000012423 maintenance Methods 0.000 description 6
- 238000012544 monitoring process Methods 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 238000011179 visual inspection Methods 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 238000010248 power generation Methods 0.000 description 5
- 239000013598 vector Substances 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000009434 installation Methods 0.000 description 3
- 230000007847 structural defect Effects 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- 235000002566 Capsicum Nutrition 0.000 description 2
- 239000006002 Pepper Substances 0.000 description 2
- 241000722363 Piper Species 0.000 description 2
- 235000016761 Piper aduncum Nutrition 0.000 description 2
- 235000017804 Piper guineense Nutrition 0.000 description 2
- 235000008184 Piper nigrum Nutrition 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003449 preventive effect Effects 0.000 description 2
- 150000003839 salts Chemical class 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 208000003464 asthenopia Diseases 0.000 description 1
- 239000004035 construction material Substances 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000004146 energy storage Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
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
Landscapes
- Investigating Or Analyzing Materials Using Thermal Means (AREA)
Abstract
本发明涉及缺陷检测技术领域，公开了一种风力发电机叶片表面缺陷检测方法及装置，本发明提供的风力发电机叶片表面缺陷检测方法，将多模态数据进行融合，提高了缺陷检测精度及风力发电效率。
Description
技术领域
本发明涉及缺陷检测技术领域，具体涉及一种风力发电机叶片表面缺陷检测方法及装置。
背景技术
风力发电机是一种发电设备，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。风力发电机一般有风轮、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，为了驱动风轮转动，需要通过发电机叶片捉获风，以驱动风轮转动，因此发电机叶片的质量影响发电机的工作效率，为了确保发电机可以正常工作，在发电机安装前，会对发电机叶片进行检测，避免风力发电机叶片表面存在缺陷。
目前检测发电机叶片的方法有两种：
方法一：人力目视检测，目测法被广泛用于航天飞机或桥梁上的大尺寸结构材料的检测，而发电机叶片也同样可以使用该方法。由于结构材料的尺寸都非常大，所以目视检测所需的时间比较长，此外检测的准确度也依赖于检测人员的经验。由于一些材料属于“高空作业”领域，因此检测人员工作的危险性较高，在检测过程中检测人员一般会配备一个长镜头的数码相机，但是长时间的检测过程会造成眼睛疲劳。目测法可以直观的检测到材料表面的缺陷，但是内部结构的缺陷却无法检测，因此还需要其他有效的手段评价材料内部的结构。
方法二：相机视觉检测，视觉检测是通过机器视觉产品传送专用的图像处理系统，视觉检测就是用机器代替人眼来做测量和判断。视觉检测是指通过机器视觉产品(图像摄取装置：CMOS和CCD)将被摄取风力发电机叶片的图片转换成图像信号，传送给专用的图像处理系统，根据像素分布和亮度、颜色等信息，转变为数字化信号，图像系统对这些转变后的信号进行各种运算抽取目标特征，进而根据判别的结果控制现场的设备动作。
在上述两个方法相比，方法一技术简单实用，但是检测耗时较长，且容易出现遗漏，而方法二可以高效的对发电机叶片进行检测，且不易出现遗漏，但是上述两个方法均有一个致命问题，即只能对安装前的发电机叶片进行检测，当发电机叶片安装后工作处于状态时出现裂纹等表面缺陷时，上述方法并不适用，针对上述描述，现有的缺陷检测方法只能在风力发电机产生严重问题时才能被检测到，存在风力发电效率低的缺陷。
发明内容
有鉴于此，本发明提供了一种风力发电机叶片表面缺陷检测方法及装置，以解决风力发电效率低的问题。
第一方面，本发明提供了一种风力发电机叶片表面缺陷检测方法，所述方法包括：
获取检测装置采集的风力发电机叶片表面的图像及叶片内部的超声波反射信号，所述叶片表面的图像包括：可见光图像和红外热图像；
分别对所述可见光图像和所述红外热图像进行预处理，并利用预设图像分析模型分别对预处理后的可见光图像和红外热图像进行缺陷检测，生成风力发电机叶片表面缺陷数据和热异常数据；
对超声波反射信号进行预处理，并对预处理后的超声波反射信号进行缺陷检测，生成风力发电机叶片内部结构存在缺陷的数据；
利用预设算法，对风力发电机叶片表面缺陷数据、热异常数据及风力发电机叶片内部结构存在缺陷的数据进行融合，完成风力发电机叶片表面的缺陷检测。
本发明提供的风力发电机叶片表面缺陷检测方法，将多模态数据进行融合，提高了缺陷检测精度及风力发电效率。
在一种可选的实施方式中，完成风力发电机叶片表面的缺陷检测的步骤，还包括：
根据预设预警等级和预设阈值，对风力发电机叶片表面的缺陷检测结果进行预警报警，并向操作员发出预警信号。
本发明通过预警报警，向操作员发出预警信号，从而及时采取维修措施，防止缺陷进一步扩大或发生故障。
在一种可选的实施方式中，所述检测装置包括：无人直升机、高清摄像头、红外热成像仪、超声探测器及线缆，其中，
高清摄像头、红外热成像仪及超声探测器分别通过线缆直接与无人直升机连接；
高清摄像头用于收集可见光图像；
热成像仪用于收集红外热图像；
超声探测器用于收集叶片内部结构的超声波反射信号。
本发明提供的方法，通过检测装置使得对风力发电机叶片的检测更加全面和准确。
在一种可选的实施方式中，高清摄像头、红外热成像仪及超声探测器均固定于无人直升机的底部。
本发明提供的方法，通过将高清摄像头、红外热成像仪及超声探测器均固定于无人直升机的底部的设计，保证了传感器可以在飞行过程中始终面向叶片，确保了数据采集的全面性和连续性，同时，这种设计也使得传感器在飞行过程中可以随着无人直升机的转向和移动，实现对叶片不同部位的全面检测。
在一种可选的实施方式中，所述无人直升机为六轴稳定的多旋翼型无人直升机。
本发明提供的方法，通过六轴稳定的多旋翼型无人直升机，可以在复杂的风力发电场环境中稳定地进行飞行，保证了检测数据的准确性。
在一种可选的实施方式中，无人直升机根据预设飞行路线围绕风力发电机叶片进行飞行，完成风力发电机叶片的拍摄和扫描。
在一种可选的实施方式中，所述分别对所述可见光图像和所述红外热图像进行预处理，包括：
利用高斯滤波器，对所述可见光图像进行去噪，以增强可见光图像的质量；
利用直方图均衡化对所述红外热图像进行对比度增强，对增强对比度后的红外热图进行中值滤波处理，确定叶片的温度差异区域和热异常区域。
本发明提供的方法，通过对可见光图像和红外热图像进行图像增强，对可见光图像和红外热图采用了不同的增强策略，以便更精准地识别和定位风力发电机叶片的缺陷。
在一种可选的实施方式中，通过以下公式利用高斯滤波器，对所述可见光图像进行去噪：
Ienh＝G(Ivis，σ)
其中，Ienh表示去噪后的可见光图像，G表示高斯滤波器,σ表示标准偏差，Ivis表示可见光图像。
本发明提供的方法，通过高斯滤波器减小图像中的随机噪声。
在一种可选的实施方式中，通过以下公式利用直方图均衡化对所述红外热图像进行对比度增强：
Iir,contrast＝HE(Iir)
其中，Iir,contrast表示增强对比度后的红外热图，Iir表示红外热图像，HE表示直方图均衡化算法。
本发明提供的方法，通过直方图均衡化进行对比度增强，明确揭示叶片上的温度差异和热异常，直方图均衡化通过优化图像的灰度直方图，使其分布更加均匀，从而提升图像的整体对比度，使叶片上的温度差异和热异常区域将更为显眼。
在一种可选的实施方式中，通过以下公式对增强对比度后的红外热图进行中值滤波处理：
Iir,denoise＝MF(Iir,contrast,k)
其中，Iir,denoise表示中值滤波处理后的红外热图，MF表示中值滤波算法，k表示滤波器的窗口大小。
本发明提供的方法，对Iir,contrast应用中值滤波器进行去噪处理，中值滤波器能够有效地消除椒盐噪声，保持图像的细节特征不被破坏。
在一种可选的实施方式中，利用预设算法，对风力发电机叶片表面缺陷数据、热异常数据及风力发电机叶片内部结构存在的缺陷数据进行融合，完成风力发电机叶片表面的缺陷检测，包括：
利用K-means聚类算法，对风力发电机叶片表面缺陷数据、热异常数据及风力发电机叶片内部结构存在的缺陷数据进行融合，确定风力发电机叶片表面缺陷的类型和深度，完成风力发电机叶片表面的缺陷检测。
在一种可选的实施方式中，根据预设预警等级和预设阈值，对风力发电机叶片表面的缺陷检测结果进行预警报警，并向操作员发出预警信号，包括:
设定有m个聚类中心,每个聚类中心代表一种预设缺陷类型和深度的缺陷；
为每个聚类中心i分配一个权重值wi,表示该类型和深度的缺陷的严重程度；
通过以下公式计算预设预警等级L:
L＝∑wi*Ni
其中,Ni表示属于第i个聚类中心的像素数量；
设定一个预设阈值T,当预设预警等级L超过预设阈值T时,向操作员发出预警信号。
第二方面，本发明提供了一种风力发电机叶片表面缺陷检测装置，所述装置包括：
获取模块，用于获取检测装置采集的风力发电机叶片表面的图像及叶片内部的超声波反射信号，所述叶片表面的图像包括：可见光图像和红外热图像；
第一检测模块，用于分别对所述可见光图像和所述红外热图像进行预处理，并利用预设图像分析模型分别对预处理后的可见光图像和红外热图像进行缺陷检测，生成风力发电机叶片表面缺陷数据和热异常数据；
第二检测模块，用于对超声波反射信号进行预处理，并对预处理后的超声波反射信号进行缺陷检测，生成风力发电机叶片内部结构存在缺陷的数据；
融合模块，用于利用预设算法，对风力发电机叶片表面缺陷数据、热异常数据及风力发电机叶片内部结构存在缺陷的数据进行融合，完成风力发电机叶片表面的缺陷检测。
第三方面，本发明提供了一种计算机设备，包括：存储器和处理器，存储器和处理器之间互相通信连接，存储器中存储有计算机指令，处理器通过执行计算机指令，从而执行上述第一方面或其对应的任一实施方式的风力发电机叶片表面缺陷检测方法。
第四方面，本发明提供了一种计算机可读存储介质，该计算机可读存储介质上存储有计算机指令，计算机指令用于使计算机执行上述第一方面或其对应的任一实施方式的风力发电机叶片表面缺陷检测方法。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式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方式，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是根据本发明实施例的风力发电机叶片表面缺陷检测方法的流程图；
图2是根据本发明实施例的风力发电机叶片表面缺陷检测方法的另一流程图；
图3是根据本发明实施例的风力发电机叶片表面缺陷检测装置的结构框图；
图4是本发明实施例的计算机设备的硬件结构示意图。
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，本领域技术人员在没有做出创造性劳动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。
根据本发明实施例，提供了一种风力发电机叶片表面缺陷检测方法实施例，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
在本实施例中提供了一种风力发电机叶片表面缺陷检测方法，可用于上述的移动终端，如手机、平板电脑等，图1是根据本发明实施例的风力发电机叶片表面缺陷检测方法的流程图，如图1所示，该流程包括如下步骤：
步骤S101，获取检测装置采集的风力发电机叶片表面的图像及叶片内部的超声波反射信号，叶片表面的图像包括：可见光图像和红外热图像。
在本发明实施例中，检测装置包括：无人直升机、高清摄像头、红外热成像仪、超声探测器及线缆。高清摄像头、红外热成像仪及超声探测器分别通过线缆直接与无人直升机连接，实现数据的实时采集和传输。
在一具体实施例中，高清摄像头用于收集可见光图像，可见光图像反映了叶片的表面物理结构以及任何明显的表面缺陷。红外热成像仪用于收集红外热图像，红外热图像展示了叶片的表面温度分布，通过分析温度分布，可以发现可能存在的表面缺陷区域。超声探测器用于收集叶片内部的超声波反射信号，通过分析反射信号，可以探测出叶片内部可能存在的结构缺陷。
在一具体实施例中，三种传感器均由电缆连接到无人直升机上，电缆在此起到了数据传输和供电的作用。电缆的一端连接到无人直升机的主体，另一端分别连接到三种传感器上，通过这种连接方式，实现了对风力发电机叶片的全方位、多角度和多维度的实时检测。在本发明实施例中，实现全方位监测，采用无人直升机搭载多传感器，包括高清摄像头、红外热成像仪和超声探测器，可以对风力发电机叶片进行全方位监测，覆盖叶片的表面和内部，实现实时状态检测，克服了现有技术只能对安装前或出现严重问题时的叶片进行检测的缺点，提高了风力发电机的安全性。本发明实施例采用的无人机和传感器成本较低、成本效益高，图像分析和超声波检测技术简单实用,易于实现，可以长期对风力发电机叶片进行监测，延长其使用寿命，减少维修成本，具有较高的成本效益。
在一具体实施例中，无人直升机的选型为六轴稳定的多旋翼型，基于此型号的无人直升机稳定性好、悬停精度高等优点，特别适合进行风力发电机叶片的检测，其可以在复杂的风力发电场环境中稳定地进行飞行,保证了检测数据的准确性。
在一具体实施例中，检测装置的设计是一体化的，即三种传感器共用一套供电和数据传输系统，此种设计简化了系统的复杂性，减少了可能出现的故障点，提高了检测系统的可靠性和稳定性。同时，三种传感器的共用也使得系统的重量和体积得以控制在一个合理的范围内,确保了无人直升机的飞行性能。
在一具体实施例中，高清摄像头、红外热成像仪及超声探测器均固定于无人直升机的底部，此种设计保证了传感器可以在飞行过程中始终面向叶片，确保了数据采集的全面性和连续性。同时，这种设计也使得传感器在飞行过程中可以随着无人直升机的转向和移动，实现对叶片不同部位的全面检测。
在一具体实施例中，无人直升机在风力发电机附近进行巡检，高清摄像头用于收集可见光图像，热成像仪用于收集红外热图像，声音频率检测设备用于收集风力发电机工作时的声音频率范围，将这些数据实时传输至地面控制站，使用高清摄像头采集风力发电机叶片的可见光图像Ivis和红外热成像仪采集叶片的红外热图像Iir。
在一具体实施例中，无人直升机根据预设的飞行路线进行飞行，高清摄像头和红外热成像仪始终对准风力发电机的叶片进行拍摄和扫描。预设的飞行路线在此不作限制，根据实际情况进行相应的设置，无人直升机的飞行速度和高度，以及高清摄像头和红外热成像仪的工作参数，均可以根据实际需要进行调整。
高清摄像头的主要作用是收集叶片的可见光图像，这些图像反映了叶片的表面物理结构以及任何明显的表面缺陷。对于每一张图像，都将被标定为一个Ivis值。红外热成像仪则主要用于收集叶片的红外热图像，这些图像反映了叶片的表面温度分布,对于每一张红外热图像，都将被标定为一个Iir值。
通过本发明实施例，可以同时获取到叶片的可见光图像和红外热图像，进一步为后续的图像分析和缺陷检测提供数据支持，同时，通过实时的图像采集，可以快速发现叶片的异常状况，提高风力发电机的安全运行性。
步骤S102，分别对可见光图像和红外热图像进行预处理，并利用预设图像分析模型分别对预处理后的可见光图像和红外热图像进行缺陷检测，生成风力发电机叶片表面缺陷数据和热异常数据。
在本发明实施例中，分别对可见光图像和红外热图像进行预处理，包括：利用高斯滤波器，对可见光图像进行去噪，以增强可见光图像的质量。利用直方图均衡化对红外热图像进行对比度增强，对增强对比度后的红外热图进行中值滤波处理，确定叶片的温度差异区域和热异常区域。
在本发明实施例中，在图像增强环节，针对可见光图像Ivis和红外热图像Iir采用了不同的增强策略，以便更精准地识别和定位风力发电机叶片的缺陷。
对于可见光图像Ivis，首先进行去噪处理，以增强图像质量，进而提高缺陷检测的准确性。在该环节中，采用了高斯滤波器进行图像去噪，其目的是减小图像中的随机噪声。高斯滤波器对图像进行卷积运算，通过权重分布(即高斯分布)确定图像中每个像素点的新的灰度值。
高斯滤波器通过以下公式表示:
Ienh＝G(Ivis，σ)
其中,Ienh表示去噪后的可见光图像，G表示高斯滤波器,σ表示标准偏差,需要根据实际图像的噪声水平进行调整。
对于红外热图Iir，先通过直方图均衡化技术进行对比度增强，目的是更加明确地揭示叶片上的温度差异和热异常。直方图均衡化通过优化图像的灰度直方图，使其分布更加均匀，从而提升图像的整体对比度。经过这一步处理，叶片上的温度差异和热异常区域将更为显眼。通过以下公式利用直方图均衡化对红外热图像进行对比度增强：
Iir,contrast＝HE(Iir)
其中，Iir,contrast表示增强对比度后的红外热图，Iir表示红外热图像，HE表示直方图均衡化算法。
增强对比度后的红外热图虽然能更好地揭示温度差异，但同时也带入一定的噪声。为了解决这一问题，进一步对Iir,contrast应用了中值滤波器进行去噪处理，中值滤波器能够有效地消除椒盐噪声等，保持图像的细节特征不被破坏，处理公式表示为：
Iir,denoise＝MF(Iir,contrast,k)
其中,MF代表中值滤波算法,k是滤波器的窗口大小，通常选择一个较小的滤波窗口5×5，以保持图像的细节特征，滤波窗口在此不作限制，根据实际情况进行相应的设置。
通过图像增强处理，可见光图像和红外热图各自揭示了叶片的表面和内部信息。在后续的缺陷检测和分析中，两种类型的图像将被同时考虑，以便更全面、更准确地评估叶片的整体状态和性能，综合利用可见光和红外技术的方法，确保了对风力发电机叶片缺陷的全面、深入识别和分析。
在缺陷检测环节,采用了一种分阶段的策略，针对可见光图像和红外热图分别进行处理，通过这种方式，不仅能够精准识别表面缺陷，还能揭示出潜在的内部缺陷和温度异常，实现对风电叶片的全方位、多维度监测。
针对可见光图像，采用Mask R-CNN模型，通过预训练的卷积神经网络进行特征提取，结合区域建议网络生成候选区域，再利用ROI Align技术将这些候选区域调整至统一大小。在此基础上，全连接层被用于执行分类任务和边界框回归，从而精准地识别和定位风电叶片上的各种表面缺陷。
在红外热图的处理上，继续采用Mask R-CNN模型，但进行了参数和结构上的优化，使其更加敏感于温度异常和内部缺陷。红外热图揭示了叶片上复杂的温度分布，通过精细调整和训练，能够准确地识别和定位异常热区，揭示潜在的内部缺陷。
在本发明实施例中，缺陷分类环节统一采用了支持向量机对从两种图像源中识别出的缺陷进行分类，预设有多种缺陷类型，每一个缺陷区域都会被处理，计算出一个维向量，每一维代表该区域属于某种缺陷的概率，缺陷的最终分类是由向量中的最大值对应的索引决定。
通过图像分析步骤,能够从风力发电机叶片的可见光图像和红外热图中,有效地检测出可能存在的表面缺陷和热异常,从而为下一步的超声波检测和数据融合提供了重要的信息和具有实际意义的检测信息,从而实现对叶片的有效监控和维护。
步骤S103，对超声波反射信号进行预处理，并对预处理后的超声波反射信号进行缺陷检测，生成风力发电机叶片内部结构存在缺陷的数据。
在本发明实施例中，使用超声探测器对叶片进行扫描，记录超声波反射信号，超声波检测是一种非破坏性检测方法,用于探测材料内部的结构缺陷。超声探测器通过发送高频的声波,以探测风力发电机叶片的内部结构，当声波在遇到材料内部的缺陷(例如,裂缝或空腔)时，会产生反射，并被超声探测器接收，超声波的传播时间和强度将受到这些内部缺陷的影响，因此，通过分析这些信息，可以检测出叶片内部可能存在的缺陷。
在一具体实施例中，设t为超声波从探测器发出到接收到反射信号的时间，v为超声波在叶片材料中的传播速度,则缺陷的深度d可以通过以下公式计算:
d＝v*t/2
其中，超声波的传播速度v是已知的,主要取决于风力发电机叶片的材料属性，根据实际情况进行相应选取，通过测量超声波的传播时间t，计算出缺陷的深度d。
在超声波检测的实施过程中，无人直升机需要以一定的扫描模式，使超声探测器能够全面覆盖叶片的所有区域，扫描模式的设计需要考虑到叶片的形状和尺寸,以及超声探测器的工作距离和覆盖范围。此外,为了提高超声波检测的效率,可以设计合适的扫描速度和频率。
在超声波检测结束后,超声探测器收集的数据需要进行进一步的处理和分析。首先,需要将收集的数据进行噪声滤除和信号增强,以提高数据的质量。然后,可以通过对比不同区域的反射信号,找出可能存在缺陷的区域。最后,对这些区域进行深度计算和位置定位,从而得到叶片内部的缺陷信息。
在本发明实施例中，超声波检测步骤通过高频声波来探测风力发电机叶片的内部结构,通过分析超声波的反射信号,有效地检测出叶片内部可能存在的结构缺陷,从而进一步提高风力发电机叶片的安全性能。
步骤S104，利用预设算法，对风力发电机叶片表面缺陷数据、热异常数据及风力发电机叶片内部结构存在缺陷的数据进行融合，完成风力发电机叶片表面的缺陷检测。
在本发明实施例中，数据融合步骤被设计为将图像分析结果和超声检测结果进行融合，消除误检，并对可能存在的叶片缺陷进行更准确的定位和描述。
首先，为每个检测到的像素点分配一个(n+1)维向量xp，其中n维向量dp1表示该像素点可能属于每种缺陷类型的概率，第(n+1)维值dp2表示缺陷的深度。xp＝[dp1,dp2]包含了该像素点的所有缺陷信息，既包括缺陷的类型，也包括缺陷的深度。
其次，采用一种无监督的聚类算法K-means算法，对所有的xp进行聚类。其目的是将n个数据分为k个聚类，使得同一聚类内的数据点之间的距离最小，而不同聚类之间的距离最大。每个聚类中心可以代表一种特定类型和深度的缺陷，而每个像素点被分配到最近的聚类中心，从而确定其缺陷类型和深度。
在一具体实施例中,K-means聚类算法的工作过程可以分为以下几个步骤:
步骤a，随机选择k个点作为初始聚类中心；
步骤b，对于每个数据点,计算其到每个聚类中心的距离,并将其分配到最近的聚类中心；
步骤c，对于每个聚类,计算其所有数据点的平均值,更新聚类中心；
重复步骤b和c,直到聚类中心不再变化,或者达到预定的迭代次数。
对于每个像素点,其距离可以定义为其与聚类中心在n+1维向量空间中的欧氏距离，此外,通过选择合适的k值,调整缺陷的敏感度和区分能力。
本发明实施例通过图像分析和超声波检测两种手段获得的数据进行融合，能够有效减少误检，准确判断缺陷的类型和深度。
本实施例提供的风力发电机叶片表面缺陷检测方法，通过整合图像分析结果和超声检测结果,有效地提高了系统对风力发电机叶片缺陷的检测精度和准确性。人工参与度低，采用自动化的图像分析、超声波检测和数据融合技术,人工主要参与系统的搭建和参数设定,检测和预警过程可以自动完成,人工参与度低，减轻了操作员的工作强度，提高了工作效率。
在本实施例中提供了一种风力发电机叶片表面缺陷检测方法，可用于上述的移动终端，如手机、平板电脑等，图2是根据本发明实施例的风力发电机叶片表面缺陷检测方法的流程图，如图2所示，该流程包括如下步骤：
步骤S201，获取检测装置采集的风力发电机叶片表面的图像及叶片内部的超声波反射信号，叶片表面的图像包括：可见光图像和红外热图像。详细请参见图1所示实施例的步骤S101，在此不再赘述。
步骤S202，分别对可见光图像和红外热图像进行预处理，并利用预设图像分析模型分别对预处理后的可见光图像和红外热图像进行缺陷检测，生成风力发电机叶片表面缺陷数据和热异常数据。详细请参见图1所示实施例的步骤S102，在此不再赘述。
步骤S203，对超声波反射信号进行预处理，并对预处理后的超声波反射信号进行缺陷检测，生成风力发电机叶片内部结构存在缺陷的数据。详细请参见图1所示实施例的步骤S103，在此不再赘述。
步骤S204，利用预设算法，对风力发电机叶片表面缺陷数据、热异常数据及风力发电机叶片内部结构存在缺陷的数据进行融合，完成风力发电机叶片表面的缺陷检测。详细请参见图1所示实施例的步骤S104，在此不再赘述。
步骤S205，根据预设预警等级和预设阈值，对风力发电机叶片表面的缺陷检测结果进行预警报警，并向操作员发出预警信号。
在本发明实施例中，预警报警的目的是在风力发电机叶片出现潜在缺陷时,向操作员发出预警信号,从而及时采取维修措施,防止缺陷进一步扩大或发生故障，这一步骤的设计体现了本发明的预防性和实时性特点。
预警报警步骤的具体实现方法如下:
首先,设定有m个聚类中心,每个聚类中心代表一种特定类型和深度的缺陷。然后,为每个聚类中心i分配一个权重值wi,表示该类型和深度的缺陷的严重程度。权重值根据实际情况进行设定，可以由专家进行设定,也可以通过大量的实验数据进行学习和优化。
其次,计算预设预警等级L，预设预警等级L是一个用来衡量叶片整体缺陷程度的指标,其计算公式为:
L＝∑wi*Ni
其中,Ni表示属于第i个聚类中心的像素数量，即属于第i种类型和深度的缺陷的像素数量，通过此公式可知，预警等级L是所有缺陷的权重值和像素数量的加权和,反映了叶片上各种类型和深度的缺陷的总体情况。
然后,设定一个预设阈值T,当预设预警等级L超过预设阈值T时,向操作员发出预警信号，预设阈值T的设定需要综合考虑叶片的材料性能、工作环境、安全要求等多种因素,根据实际情况进行相应设置，一般由专家根据实际情况进行确定。
本发明实施例提供的方法,预警报警步骤通过设定预警等级和阈值,实现了对风力发电机叶片缺陷的实时监控和预警,提高了风力发电机的安全性和稳定性,延长了其使用寿命。
本实施例提供的风力发电机叶片表面缺陷检测方法，根据图像分析和超声波检测结果计算预警等级,当预警等级超过阈值时向操作员发出预警信号，通过这种方式,可以预警潜在的缺陷,进而采取维修措施,实现预防性维护,避免缺陷扩大造成严重后果。
通过本发明实施例获得三组实验数据，对三组实验数据的分析如下：
实验数据1:
采用无人机搭载的检测系统实施10次对某风力发电机叶片的检测,每次都记录下图像分析得到的可能存在缺陷的区域数和超声波探测得到的可能存在内部缺陷的区域数。
记录结果如下:
第1次:图像分析得到15个缺陷区域,超声波探测得到12个内部缺陷区域。
第2次:图像分析得到18个缺陷区域,超声波探测得到15个内部缺陷区域。
......
第10次:图像分析得到17个缺陷区域,超声波探测得到14个内部缺陷区域。
结果分析:从记录结果可以看出,大部分情况下,图像分析得到的可能存在缺陷的区域数量多于超声波探测得到的内部缺陷区域数量。表明：图像分析存在一定的误检,而超声波探测误检少。因此，通过数据融合，将两种检测结果进行融合，可以有效地减少总体的误检数量。
实验结果2:
采用无人机搭载的检测系统对10个带有不同类型和深度缺陷的叶片样品进行检测,每次检测后比较这个叶片上确实存在的缺陷类型和深度与检测系统检测出的结果,计算平均误差率。
平均误差率计算结果如下:
仅利用图像分析:缺陷类型平均误差率15％,缺陷深度平均误差率25％。
仅利用超声波探测:缺陷类型平均误差率8％,缺陷深度平均误差率7％。
使用图像分析和超声波探测的数据融合:缺陷类型平均误差率5％,缺陷深度平均误差率4％。
结果分析:仅利用单一的检测手段时，对缺陷的判定存在一定的误差。而通过数据融合，整合图像分析和超声波探测的结果，能够明显改善对缺陷类型和深度的判断，从而提高检测的准确性。
实验数据3:
采用无人机搭载的检测系统对10个带有不同类型缺陷但相同深度的叶片样品进行检测,预警等级分别为3.2、2.8、4.5、6.1、5.3、7.8、4.9、6.7、8.2和5.6。
设定阈值为6,则第4个样品和第6个样品的预警等级超出阈值,向操作员发出预警信号。
结果分析:在相同深度情况下,不同类型缺陷的严重程度不同。基于预警等级和阈值,检测系统可以区分出哪些缺陷更加严重,需要及时进行维修。
在本实施例中还提供了一种风力发电机叶片表面缺陷检测装置，该装置用于实现上述实施例及优选实施方式，已经进行过说明的不再赘述。如以下所使用的，术语“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现，但是硬件，或者软件和硬件的组合的实现也是可能并被构想的。
本实施例提供一种风力发电机叶片表面缺陷检测装置，如图3所示，包括：
获取模块301，用于获取检测装置采集的风力发电机叶片表面的图像及叶片内部的超声波反射信号，所述叶片表面的图像包括：可见光图像和红外热图像；
第一检测模块302，用于分别对所述可见光图像和所述红外热图像进行预处理，并利用预设图像分析模型分别对预处理后的可见光图像和红外热图像进行缺陷检测，生成风力发电机叶片表面缺陷数据和热异常数据；
第二检测模块303，用于对超声波反射信号进行预处理，并对预处理后的超声波反射信号进行缺陷检测，生成风力发电机叶片内部结构存在缺陷的数据；
融合模块304，用于利用预设算法，对风力发电机叶片表面缺陷数据、热异常数据及风力发电机叶片内部结构存在缺陷的数据进行融合，完成风力发电机叶片表面的缺陷检测。
在一些可选的实施方式中，风力发电机叶片表面缺陷检测装置，还包括：
预警模块305，用于根据预设预警等级和预设阈值，对风力发电机叶片表面的缺陷检测结果进行预警报警，并向操作员发出预警信号。
上述各个模块和单元的更进一步的功能描述与上述对应实施例相同，在此不再赘述。
本实施例中的风力发电机叶片表面缺陷检测装置是以功能单元的形式来呈现，这里的单元是指ASIC(Application Specific Integrated Circuit，专用集成电路)电路，执行一个或多个软件或固定程序的处理器和存储器，和/或其他可以提供上述功能的器件。
本发明实施例还提供一种计算机设备，具有上述图3所示的风力发电机叶片表面缺陷检测装置。
请参阅图4，图4是本发明可选实施例提供的一种计算机设备的结构示意图，如图4所示，该计算机设备包括：一个或多个处理器10、存储器20，以及用于连接各部件的接口，包括高速接口和低速接口。各个部件利用不同的总线互相通信连接，并且可以被安装在公共主板上或者根据需要以其它方式安装。处理器可以对在计算机设备内执行的指令进行处理，包括存储在存储器中或者存储器上以在外部输入/输出装置(诸如，耦合至接口的显示设备)上显示GUI的图形信息的指令。在一些可选的实施方式中，若需要，可以将多个处理器和/或多条总线与多个存储器和多个存储器一起使用。同样，可以连接多个计算机设备，各个设备提供部分必要的操作(例如，作为服务器阵列、一组刀片式服务器、或者多处理器系统)。图4中以一个处理器10为例。
处理器10可以是中央处理器，网络处理器或其组合。其中，处理器10还可以进一步包括硬件芯片。上述硬件芯片可以是专用集成电路，可编程逻辑器件或其组合。上述可编程逻辑器件可以是复杂可编程逻辑器件，现场可编程逻辑门阵列，通用阵列逻辑或其任意组合。
其中，所述存储器20存储有可由至少一个处理器10执行的指令，以使所述至少一个处理器10执行实现上述实施例示出的方法。
存储器20可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储根据计算机设备的使用所创建的数据等。此外，存储器20可以包括高速随机存取存储器，还可以包括非瞬时存储器，例如至少一个磁盘存储器件、闪存器件、或其他非瞬时固态存储器件。在一些可选的实施方式中，存储器20可选包括相对于处理器10远程设置的存储器，这些远程存储器可以通过网络连接至该计算机设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
存储器20可以包括易失性存储器，例如，随机存取存储器；存储器也可以包括非易失性存储器，例如，快闪存储器，硬盘或固态硬盘；存储器20还可以包括上述种类的存储器的组合。
该计算机设备还包括通信接口30，用于该计算机设备与其他设备或通信网络通信。
本发明实施例还提供了一种计算机可读存储介质，上述根据本发明实施例的方法可在硬件、固件中实现，或者被实现为可记录在存储介质，或者被实现通过网络下载的原始存储在远程存储介质或非暂时机器可读存储介质中并将被存储在本地存储介质中的计算机代码，从而在此描述的方法可被存储在使用通用计算机、专用处理器或者可编程或专用硬件的存储介质上的这样的软件处理。其中，存储介质可为磁碟、光盘、只读存储记忆体、随机存储记忆体、快闪存储器、硬盘或固态硬盘等；进一步地，存储介质还可以包括上述种类的存储器的组合。可以理解，计算机、处理器、微处理器控制器或可编程硬件包括可存储或接收软件或计算机代码的存储组件，当软件或计算机代码被计算机、处理器或硬件访问且执行时，实现上述实施例示出的方法。
虽然结合附图描述了本发明的实施例，但是本领域技术人员可以在不脱离本发明的精神和范围的情况下做出各种修改和变型，这样的修改和变型均落入由所附权利要求所限定的范围之内。
Claims (15)
1.一种风力发电机叶片表面缺陷检测方法，其特征在于，所述方法包括：
获取检测装置采集的风力发电机叶片表面的图像及叶片内部的超声波反射信号，所述叶片表面的图像包括：可见光图像和红外热图像；
分别对所述可见光图像和所述红外热图像进行预处理，并利用预设图像分析模型分别对预处理后的可见光图像和红外热图像进行缺陷检测，生成风力发电机叶片表面缺陷数据和热异常数据；
对超声波反射信号进行预处理，并对预处理后的超声波反射信号进行缺陷检测，生成风力发电机叶片内部结构存在缺陷的数据；
利用预设算法，对风力发电机叶片表面缺陷数据、热异常数据及风力发电机叶片内部结构存在缺陷的数据进行融合，完成风力发电机叶片表面的缺陷检测。
2.根据权利要求1所述的方法，其特征在于，完成风力发电机叶片表面的缺陷检测的步骤，还包括：
根据预设预警等级和预设阈值，对风力发电机叶片表面的缺陷检测结果进行预警报警，并向操作员发出预警信号。
3.根据权利要求1所述的方法，其特征在于，所述检测装置包括：无人直升机、高清摄像头、红外热成像仪、超声探测器及线缆，其中，
高清摄像头、红外热成像仪及超声探测器分别通过线缆直接与无人直升机连接；
高清摄像头用于收集可见光图像；
热成像仪用于收集红外热图像；
超声探测器用于收集叶片内部结构的超声波反射信号。
4.根据权利要求3所述的方法，其特征在于，高清摄像头、红外热成像仪及超声探测器均固定于无人直升机的底部。
5.根据权利要求4所述的方法，其特征在于，所述无人直升机为六轴稳定的多旋翼型无人直升机。
6.根据权利要求5所述的方法，其特征在于，无人直升机根据预设飞行路线围绕风力发电机叶片进行飞行，完成风力发电机叶片的拍摄和扫描。
7.根据权利要求1所述的方法，其特征在于，所述分别对所述可见光图像和所述红外热图像进行预处理，包括：
利用高斯滤波器，对所述可见光图像进行去噪，以增强可见光图像的质量；
利用直方图均衡化对所述红外热图像进行对比度增强，对增强对比度后的红外热图进行中值滤波处理，确定叶片的温度差异区域和热异常区域。
8.根据权利要求7所述的方法，其特征在于，通过以下公式利用高斯滤波器，对所述可见光图像进行去噪：
Ienh＝G(Ivis，σ)
其中，Ienh表示去噪后的可见光图像，G表示高斯滤波器,σ表示标准偏差，Ivis表示可见光图像。
9.根据权利要求7所述的方法，其特征在于，通过以下公式利用直方图均衡化对所述红外热图像进行对比度增强：
Iir,contrast＝HE(Iir)
其中，Iir,contrast表示增强对比度后的红外热图，Iir表示红外热图像，HE表示直方图均衡化算法。
10.根据权利要求9所述的方法，其特征在于，通过以下公式对增强对比度后的红外热图进行中值滤波处理：
Iir,denoise＝MF(Iir,contrast,k)
其中，Iir,denoise表示中值滤波处理后的红外热图，MF表示中值滤波算法，k表示滤波器的窗口大小。
11.根据权利要求1所述的方法，其特征在于，利用预设算法，对风力发电机叶片表面缺陷数据、热异常数据及风力发电机叶片内部结构存在的缺陷数据进行融合，完成风力发电机叶片表面的缺陷检测，包括：
利用K-means聚类算法，对风力发电机叶片表面缺陷数据、热异常数据及风力发电机叶片内部结构存在的缺陷数据进行融合，确定风力发电机叶片表面缺陷的类型和深度，完成风力发电机叶片表面的缺陷检测。
12.根据权利要求2所述的方法，其特征在于，根据预设预警等级和预设阈值，对风力发电机叶片表面的缺陷检测结果进行预警报警，并向操作员发出预警信号，包括:
设定有m个聚类中心,每个聚类中心代表一种预设缺陷类型和深度的缺陷；
为每个聚类中心i分配一个权重值wi,表示该类型和深度的缺陷的严重程度；
通过以下公式计算预设预警等级L:
L＝∑wi*Ni
其中,Ni表示属于第i个聚类中心的像素数量；
设定一个预设阈值T,当预设预警等级L超过预设阈值T时,向操作员发出预警信号。
13.一种风力发电机叶片表面缺陷检测装置，其特征在于，所述装置包括：
获取模块，用于获取检测装置采集的风力发电机叶片表面的图像及叶片内部的超声波反射信号，所述叶片表面的图像包括：可见光图像和红外热图像；
第一检测模块，用于分别对所述可见光图像和所述红外热图像进行预处理，并利用预设图像分析模型分别对预处理后的可见光图像和红外热图像进行缺陷检测，生成风力发电机叶片表面缺陷数据和热异常数据；
第二检测模块，用于对超声波反射信号进行预处理，并对预处理后的超声波反射信号进行缺陷检测，生成风力发电机叶片内部结构存在缺陷的数据；
融合模块，用于利用预设算法，对风力发电机叶片表面缺陷数据、热异常数据及风力发电机叶片内部结构存在缺陷的数据进行融合，完成风力发电机叶片表面的缺陷检测。
14.一种计算机设备，其特征在于，包括：
存储器和处理器，所述存储器和所述处理器之间互相通信连接，所述存储器中存储有计算机指令，所述处理器通过执行所述计算机指令，从而执行权利要求1至12中任一项所述的风力发电机叶片表面缺陷检测方法。
15.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机指令，所述计算机指令用于使计算机执行权利要求1至12中任一项所述的风力发电机叶片表面缺陷检测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311422843.6A CN117647526A (zh) | 2023-10-27 | 2023-10-27 | 一种风力发电机叶片表面缺陷检测方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311422843.6A CN117647526A (zh) | 2023-10-27 | 2023-10-27 | 一种风力发电机叶片表面缺陷检测方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117647526A true CN117647526A (zh) | 2024-03-05 |
Family
ID=90046818
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311422843.6A Pending CN117647526A (zh) | 2023-10-27 | 2023-10-27 | 一种风力发电机叶片表面缺陷检测方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117647526A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118225789A (zh) * | 2024-05-23 | 2024-06-21 | 钛玛科（北京）工业科技有限公司 | 一种红外对射式边缘检测系统 |
-
2023
- 2023-10-27 CN CN202311422843.6A patent/CN117647526A/zh active Pending
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118225789A (zh) * | 2024-05-23 | 2024-06-21 | 钛玛科（北京）工业科技有限公司 | 一种红外对射式边缘检测系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11514567B2 (en) | On-line real-time diagnosis system and method for wind turbine blade (WTB) damage | |
| Jiang et al. | Real‐time crack assessment using deep neural networks with wall‐climbing unmanned aerial system | |
| CN109003253B (zh) | 神经网络点云生成系统 | |
| US10871444B2 (en) | Inspection and failure detection of corrosion under fireproofing insulation using a hybrid sensory system | |
| CN111340754B (zh) | 一种基于飞机蒙皮表面缺陷检测和分类的方法 | |
| EP3308232B1 (fr) | Système et procédé d'inspection automatique de surface | |
| KR20200060372A (ko) | 단열재 하부부식(cui)을 식별하기 위해 신경망을 이용한 서모그래피 이미지 처리 | |
| Zormpas et al. | Power transmission lines inspection using properly equipped unmanned aerial vehicle (UAV) | |
| CN112348034A (zh) | 基于无人机图像识别的起重机缺陷检测系统和工作方法 | |
| CN103413150A (zh) | 基于可见光影像对电力线路缺陷进行诊断的方法 | |
| CN117647526A (zh) | 一种风力发电机叶片表面缺陷检测方法及装置 | |
| CN113406107B (zh) | 风机叶片缺陷检测系统 | |
| CN111852792B (zh) | 一种基于机器视觉的风机叶片缺陷自诊断定位方法 | |
| CN113056665A (zh) | 使用混合传感系统对防火绝缘层下腐蚀进行检查与故障检测 | |
| CN112950634A (zh) | 基于无人机巡检的风力机叶片损伤识别方法、设备和系统 | |
| Liu et al. | Framework for automated UAV-based inspection of external building façades | |
| US20180033129A1 (en) | Systems and methods for indexing and detecting components | |
| CN113778091A (zh) | 一种风电场升压站设备巡检方法 | |
| CN115773209A (zh) | 一种风机叶片净空检测装置及检测方法 | |
| CN117067226A (zh) | 钢桥锈蚀检测机器人及锈蚀检测方法 | |
| CN116343534A (zh) | 一种飞机泊位引导系统和方法 | |
| US10861148B2 (en) | Systems and methods for improved component inspection | |
| US20240103537A1 (en) | Methods, systems, and devices for inspecting structures and objects | |
| Mitra et al. | A UAV Payload for Real-time Inspection of Highway Ancillary Structures | |
| Zhang et al. | Review of unmanned aerial vehicle infrared thermography (UAV-IRT) applications in building thermal performance: towards the thermal performance evaluation of building envelope |
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 |