KR20190062834A - 풍력 발전기의 블레이드 검사장치 및 그 방법 - Google Patents

풍력 발전기의 블레이드 검사장치 및 그 방법 Download PDF

Info

Publication number
KR20190062834A
KR20190062834A KR1020170161426A KR20170161426A KR20190062834A KR 20190062834 A KR20190062834 A KR 20190062834A KR 1020170161426 A KR1020170161426 A KR 1020170161426A KR 20170161426 A KR20170161426 A KR 20170161426A KR 20190062834 A KR20190062834 A KR 20190062834A
Authority
KR
South Korea
Prior art keywords
blade
motion vector
unit
state
photographed image
Prior art date
Application number
KR1020170161426A
Other languages
English (en)
Inventor
박준영
강석주
김병진
Original Assignee
한국전력공사
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 한국전력공사 filed Critical 한국전력공사
Priority to KR1020170161426A priority Critical patent/KR20190062834A/ko
Publication of KR20190062834A publication Critical patent/KR20190062834A/ko

Links

Images

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
    • 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
    • F03D80/00—Details, components or accessories not provided for in groups F03D1/00 - F03D17/00
    • F03D80/50—Maintenance or repair
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N99/00—Subject matter not provided for in other groups of this subclass
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/20—Analysis of motion
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F05—INDEXING SCHEMES RELATING TO ENGINES OR PUMPS IN VARIOUS SUBCLASSES OF CLASSES F01-F04
    • F05B—INDEXING SCHEME RELATING TO WIND, SPRING, WEIGHT, INERTIA OR LIKE MOTORS, TO MACHINES OR ENGINES FOR LIQUIDS COVERED BY SUBCLASSES F03B, F03D AND F03G
    • F05B2230/00—Manufacture
    • F05B2230/80—Repairing, retrofitting or upgrading methods
    • 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)
  • General Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Mechanical Engineering (AREA)
  • Combustion & Propulsion (AREA)
  • Chemical & Material Sciences (AREA)
  • Sustainable Energy (AREA)
  • Sustainable Development (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Multimedia (AREA)
  • Quality & Reliability (AREA)
  • Medical Informatics (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Wind Motors (AREA)

Abstract

본 발명은 풍력 발전기의 블레이드 검사장치 및 그 방법이 개시된다. 본 발명의 풍력 발전기의 블레이드 검사방법은, 제어부가 카메라부로부터 연속 촬영된 촬영영상을 입력받는 단계; 제어부가 촬영영상을 입력받아 배경과 블레이드를 분할하는 단계; 제어부가 촬영영상의 프레임 간 객체의 움직임에 대한 움직임 벡터를 측정하는 단계; 및 제어부가 움직임 벡터를 기반으로 블레이드의 상태를 판단하는 단계;를 포함하는 것을 특징으로 한다.

Description

풍력 발전기의 블레이드 검사장치 및 그 방법{APPARATUS FOR INSPECTING BLADE OF WIND POWER GENERATOR AND METHOD THEREOF}
본 발명은 풍력 발전기의 블레이드 검사장치 및 그 방법에 관한 것으로서, 보다 상세하게는 풍력 발전기의 회전하는 블레이드를 연속 촬영한 촬영영상으로부터 블레이드 객체를 분할하고 움직임 벡터를 측정하여 블레이드 상태를 검사하고 상시 모니터링할 수 있는 풍력 발전기의 블레이드 검사장치 및 그 방법에 관한 것이다.
일반적으로, 풍력 터빈(풍력발전기)은 바람의 운동에너지를 기계적인 에너지로 변환해 전기를 생산하는 장치다. 다양한 형식이 있지만, 최근 발전용으로 가장 많이 이용하는 것은 회전축이 바람의 방향과 수평으로 놓이는 프로펠러형 풍력 터빈이다. 프로펠러형 풍력 터빈은 육상이나 해상에 설치된 타워(tower)와, 타워의 상부에 회전하도록 설치되며 발전기를 내장한 나셀(nacelle)과, 발전기의 구동을 위해 나셀에 회전하도록 설치되며 복수의 블레이드(blade)를 갖춘 로터(rotor)를 포함한다.
이러한 풍력 터빈은 사용 중 블레이드 및/또는 타워 표면에 먼지나 벌레 등이 부착되어 오염될 수 있고, 블레이드 및/또는 타워에 흠집이나 크랙이 생길 수 있다. 특히 동절기에는 블레이드 리딩엣지(Leading edge)에 결빙이 생길 수도 있다. 블레이드(또는 타워) 표면의 이물질이나 얼음은 풍력 터빈의 효율저하를 초래할 수 있고, 블레이드(또는 타워)의 결함은 방치할 경우 파손의 원인이 될 수 있다. 따라서 풍력 터빈은 블레이드(또는 타워)의 청소, 검사, 보수, 디아이싱(deicing)과 같은 주기적인 유지관리가 필요하다.
하지만, 풍력 터빈은 타워의 높이가 대략 100미터에 이르고, 블레이드의 길이도 40 ~ 70미터 또는 그 이상에 이르는 거대 구조물이기 때문에 유지관리에 어려움이 많다. 특히 블레이드는 고공에 위치하기 때문에 작업자가 접근하기도 어렵고 작업환경도 매우 열악하다. 이런 관계로, 최근에는 아래 특허문헌과 같이 보다 안전한 환경에서 블레이드의 유지관리를 수행할 수 있도록 하는 전용 장비들이 제안되고 있다.
그러나 풍력 터빈의 블레이드에 발생한 오염, 크랙, 결빙 등의 손상을 확인하기 위해서는 작업자가 아래 특허문헌과 같은 플랫폼을 타고 올라가 육안으로 확인해야 했으며, 이에 따라 정확한 손상의 확인이 어렵고 작업에 많은 시간이 소요되며, 작업자의 인명피해 가능성이 매우 높은 문제가 있었다.
따라서, 로봇이나 드론 등을 이용하여 블레이드의 상태를 확인하고자 하는 시도가 있어 왔으나, 로봇이나 드론 등으로 블레이드의 상태를 확인하다고 하더라도 정확한 손상의 식별과 위치 확인이 어려워 여전히 작업에 많은 시간이 소요되는 문제가 있었다.
본 발명의 배경기술은 대한민국 등록특허공보 제1496962호(2015.02.23. 공고, 풍력발전기 유지보수용 플랫폼)에 개시되어 있다.
본 발명은 상기와 같은 문제점들을 개선하기 위하여 안출된 것으로, 일 측면에 따른 본 발명의 목적은 풍력 발전기의 회전하는 블레이드를 연속 촬영한 촬영영상으로부터 블레이드 객체를 분할하고 움직임 벡터를 측정하여 블레이드 상태를 검사하고 상시 모니터링할 수 있는 풍력 발전기의 블레이드 검사장치 및 그 방법을 제공하는 것이다.
본 발명의 일 측면에 따른 풍력 발전기의 블레이드 검사장치는, 풍력 발전기의 회전하는 블레이드를 연속 촬영하는 카메라부; 촬영영상을 저장할 뿐만 아니라 블레이드의 상태를 모니터링하기 위한 기계학습 정보를 저장하는 저장부; 및 카메라부로부터 연속 촬영된 촬영영상을 입력받아 배경과 블레이드를 분할하고 프레임 간 객체의 움직임에 대한 움직임 벡터를 측정하여 블레이드의 상태를 판단하며, 블레이드의 검사결과를 기계학습하여 저장부에 저장하고, 저장부에 저장된 기계학습 정보를 기반으로 블레이드의 상태를 상시 모니터링하는 제어부;를 포함하는 것을 특징으로 한다.
본 발명에서 제어부는, 연속 촬영된 촬영영상을 입력받아 배경과 블레이드를 분할하는 객체분할부; 객체분할부에서 분할된 객체의 프레임 간 움직임에 대한 움직임 벡터를 측정하는 움직임 벡터 측정부; 움직임 벡터 측정부에서 측정된 움직임 벡터와 정상상태에서의 기준 움직임 벡터를 비교하여 블레이드의 상태를 판단하는 블레이드 상태판단부; 및 블레이드 상태판단부의 판단결과를 기반으로 검사결과를 기계학습하는 SVM 학습부를 포함하는 것을 특징으로 한다.
본 발명에서 제어부는, 가우시안 혼합기법을 이용하여 촬영영상으로부터 배경과 블레이드를 분할하는 것을 특징으로 한다.
본 발명에서 제어부는, 블록 정합을 이용하여 움직임 벡터를 측정하는 것을 특징으로 한다.
본 발명에서 제어부는, 촬영영상으로부터 측정한 움직임 벡터 정보와 분할된 블레이드의 면적정보를 기반으로 SVM(Support Vector Machine) 학습으로 기계학습을 수행하는 것을 특징으로 한다.
본 발명의 다른 측면에 따른 풍력 발전기의 블레이드 검사방법은, 제어부가 카메라부로부터 연속 촬영된 촬영영상을 입력받는 단계; 제어부가 촬영영상을 입력받아 배경과 블레이드를 분할하는 단계; 제어부가 촬영영상의 프레임 간 객체의 움직임에 대한 움직임 벡터를 측정하는 단계; 및 제어부가 움직임 벡터를 기반으로 블레이드의 상태를 판단하는 단계;를 포함하는 것을 특징으로 한다.
본 발명에서 배경과 블레이드를 분할하는 단계는, 제어부가 가우시안 혼합기법을 이용하여 촬영영상으로부터 배경과 블레이드를 분할하는 것을 특징으로 한다.
본 발명에서 움직임 벡터를 측정하는 단계는, 제어부가 블록 정합을 이용하여 움직임 벡터를 측정하는 것을 특징으로 한다.
본 발명은 제어부가 블레이드의 검사결과에 대한 기계학습을 수행한 후 기계학습 정보를 기반으로 블레이드의 상태를 상시 모니터링하는 단계를 더 포함하는 것을 특징으로 한다.
본 발명은 상시 모니터링하는 단계에서 기계학습을 수행할 때, 제어부가 촬영영상으로부터 측정한 움직임 벡터 정보와 분할된 블레이드의 면적정보를 기반으로 SVM(Support Vector Machine) 학습으로 기계학습을 수행하는 것을 특징으로 한다.
본 발명의 일 측면에 따른 풍력 발전기의 블레이드 검사장치 및 그 방법은 풍력 발전기의 회전하는 블레이드를 연속 촬영한 촬영영상으로부터 블레이드 객체를 분할하고 움직임 벡터를 측정하여 블레이드 상태를 검사할 수 있어, 단일 카메라를 이용함에 따른 경제적인 부담을 줄일 수 있고, 외부 날씨의 요인에 영향을 비교적 적게 받도록 하고, 회전하는 블레이드에 대한 상시 모니터링이 가능하게 한다.
도 1은 본 발명의 일 실시예에 따른 풍력 발전기의 블레이드 검사장치를 나타낸 블록 구성도이다.
도 2는 본 발명의 일 실시예에 따른 풍력 발전기의 블레이드 검사장치에서 배경과 블레이드의 분할결과를 나타낸 예시도면이다.
도 3은 본 발명의 일 실시예에 따른 풍력 발전기의 블레이드 검사장치에서 블록 정합 방법을 설명하기 위한 도면이다.
도 4는 본 발명의 일 실시예에 따른 풍력 발전기의 블레이드 검사장치에서 움직임 벡터를 측정하는 과정을 설명하기 위한 도면이다.
도 5는 본 발명의 일 실시예에 따른 풍력 발전기의 블레이드 검사장치에서 SVM 학습을 위한 데이터 분포 및 SVM 학습을 이용한 블레이드 상태 분류 결과를 나타낸 도면이다.
도 6은 본 발명의 일 실시예에 따른 풍력 발전기의 블레이드 검사방법을 설명하기 위한 흐름도이다.
이하, 첨부된 도면들을 참조하여 본 발명에 따른 풍력 발전기의 블레이드 검사장치 및 그 방법을 설명한다. 이 과정에서 도면에 도시된 선들의 두께나 구성요소의 크기 등은 설명의 명료성과 편의상 과장되게 도시되어 있을 수 있다. 또한, 후술되는 용어들은 본 발명에서의 기능을 고려하여 정의된 용어들로서 이는 사용자, 운용자의 의도 또는 관례에 따라 달라질 수 있다. 그러므로 이러한 용어들에 대한 정의는 본 명세서 전반에 걸친 내용을 토대로 내려져야 할 것이다.
도 1은 본 발명의 일 실시예에 따른 풍력 발전기의 블레이드 검사장치를 나타낸 블록 구성도이고, 도 2는 본 발명의 일 실시예에 따른 풍력 발전기의 블레이드 검사장치에서 배경과 블레이드의 분할결과를 나타낸 예시도면이며, 도 3은 본 발명의 일 실시예에 따른 풍력 발전기의 블레이드 검사장치에서 블록 정합 방법을 설명하기 위한 도면이고, 도 4는 본 발명의 일 실시예에 따른 풍력 발전기의 블레이드 검사장치에서 움직임 벡터를 측정하는 과정을 설명하기 위한 도면이며, 도 5는 본 발명의 일 실시예에 따른 풍력 발전기의 블레이드 검사장치에서 SVM 학습을 위한 데이터 분포 및 SVM 학습을 이용한 블레이드 상태 분류 결과를 나타낸 도면이다.
도 1에 도시된 바와 같이 본 발명의 일 실시예에 따른 풍력 발전기의 블레이드 검사장치는, 카메라부(10), 저장부(20) 및 제어부(30)를 포함할 수 있다.
카메라부(10)는 풍력 발전기의 회전하는 블레이드를 연속 촬영하여 촬영영상을 제어부(30)에 제공한다.
여기서 카메라부(10)는 고정된 단일 카메라를 통해 해상도 1920*1080, 촬영 프레임 속도 30프레임/초로 연속 촬영한 동영상을 제공할 수 있다.
저장부(20)는 촬영영상을 저장할 뿐만 아니라 블레이드의 상태를 모니터링하기 위한 기계학습 정보를 저장하여 기계학습 정보를 기반으로 블레이드의 상태를 상시 모니터링할 수 있도록 지원한다.
여기서 저장부(20)는 SVM(Support Vector Machine) 학습에 의한 기계학습 정보를 저장한다.
제어부(30)는 카메라부(10)로부터 연속 촬영된 촬영영상을 입력받아 프레임별로 배경과 블레이드를 분할하고. 프레임 간 객체의 움직임에 대한 움직임 벡터를 측정하여 블레이드의 상태를 판단하며, 블레이드의 검사결과를 기계학습하여 저장부(20)에 저장하고, 저장부(20)에 저장된 기계학습 정보를 기반으로 블레이드의 상태를 상시 모니터링한다.
이를 위해 제어부(30)는 객체분할부(32), 움직임 벡터 측정부(34), 블레이드 상태판단부(36) 및 SVM 학습부(38)를 포함할 수 있다.
객체분할부(32)는 연속 촬영된 촬영영상을 입력받아 가우시안 혼합 기법을 이용하여 도 2에 도시된 바와 같이 프레임별로 배경과 블레이드를 분할할 수 있다.
카메라부(10)로부터 연속 촬영된 촬영영상의 경우 배경이 되는 부분은 정지영상으로 정의할 수 있고, 회전하는 블레이드는 움직이는 객체로 정의할 수 있다.
따라서, 객체분할부(32)는 촬영영상을 수학식 1과 같이 가우시안 형태로 모델링을 진행하여 움직이는 물체에 대한 정보를 최대 파라미터로 계산할 수 있다.
Figure pat00001
여기서, 가우시안 모델을
Figure pat00002
라 할 때, μ는 평균, σ는 표준편차, x는 가우시안 분포에서 변수에 해당하는 확률로써 I번째 순서에서의 서로 다른 평균, 표준 편차를 보유할 수 있다. 또한, 각 모델에서 해당하는 값이 나올 확률을 wi라 할 때, 전체 표본에서 해당 값이 나올 확률을 P(x)로 정의하며, Mmax는 전체 모델의 수를 의미한다.
이와 같이 가우시안 혼합 기법을 이용하여 배경과 객체를 분할함으로써, 촬영영상의 프레임마다 발생하는 조도의 변화, 그림자의 움직임 등에서 발생 할 수 있는 객체와 배경의 분할을 위해 계산되는 값을 탄력적으로 적용하여 이미지의 특성에 따른 각각의 임계치를 이용하여 블레이드의 움직임에 대한 추출이 가능하게 된다.
움직임 벡터 측정부(34)는 도 3에 도시된 바와 같이 블록 정합을 이용하여 객체분할부(32)에서 분할된 객체의 프레임 간 움직임에 대한 움직임 벡터를 측정할 수 있다.
움직임 벡터는 유사한 두 이미지에서 객체의 움직임이 발생하는 부분을 찾는 방법으로써, 공간 영역에서 변화 정도를 측정하는 형태로 블록 정합 알고리즘을 사용할 수 있다.
도 3에 도시된 바와 같이 전체 이미지에 대해 임의의 크기를 가지는 블록으로 나누어 픽셀의 움직임을 비교하는 것으로 픽셀의 변화가 발생 한 경우, 직전의 이미지에서 유사도가 가장 높은 블록을 찾는 형태로 진행할 수 있다.
예를 들어, 블록의 수직, 수평 방향의 크기를 a, b로 할 때, 탐색 윈도우의 a+2w, b+2w로 설정하여 픽셀의 움직임을 x축, y축으로 계산하는데 이때의 움직임을 벡터로 계산할 수 있다.
따라서 도 4에 도시된 바와 같이 전체 촬영을 진행한 영상에 대하여 개별 프레임으로 분할 한 후, 연속되는 두 프레임간의 움직임 벡터를 측정한다.
블레이드 상태판단부(36)는 움직임 벡터 측정부(34)에서 측정된 움직임 벡터와 정상상태에서의 기준 움직임 벡터를 비교하여 블레이드의 상태를 판단할 수 있다.
즉, 블레이드의 손상이 없는 상태에 대한 움직임 벡터의 정보를 기준으로 풍력 발전기의 회전 시 측정되는 블레이드의 움직임 벡터와 비교하여 정상 상태의 움직임 벡터값 보다 적은 움직임 벡터가 측정될 경우 고장 상태로 판단할 수 있다.
SVM(Support Vector Machine) 학습부(38)는 블레이드 상태판단부(36)의 판단결과를 기반으로 검사결과를 기계학습하여 저장부(20)에 기계학습 정보를 저장할 수 있다.
SVM 학습부(38)는 SVM을 구성하기 위해 필요로 하는 특징점으로, 본 실시예에서는 촬영영상에서 측정된 움직임 벡터 정보와 영상 분할을 통해 블레이드가 갖는 전체 화면에서의 면적 정보를 이용하여 구성할 수 있다.
도 5는 움직임 벡터를 측정하기 위한 블록의 크기를 16*16으로 하여 총 1,800장에 대한 움직임 벡터를 측정한 데이터 분포와 SVM을 이용한 블레이드 상태를 분류한 결과를 나타낸 도면이다.
도 5에 도시된 바와 같이 블레이드 회전 이미지에 대한 SVM 학습에 의한 블레이드 상태의 결과를 살펴볼 때, 이상적인 데이터 분류 및 데이터 군집간의 경계가 되는 초평면(hyperplain)이 선형으로 나타나고 있을 뿐만 아니라 SVM의 성능 평가 지표를 볼 때도 높은 신뢰도를 보이고 있음을 알 수 있다.
출력부(40)는 제어부(30)에서의 블레이드의 검사결과 및 상시 모니터링 결과를 출력할 수 있다.
상술한 바와 같이, 본 발명의 실시예에 의한 풍력 발전기의 블레이드 검사장치에 따르면, 풍력 발전기의 회전하는 블레이드를 연속 촬영한 촬영영상으로부터 블레이드 객체를 분할하고 움직임 벡터를 측정하여 블레이드 상태를 검사할 수 있어, 단일 카메라를 이용함에 따른 경제적인 부담을 줄일 수 있고, 외부 날씨의 요인에 영향을 비교적 적게 받도록 하고, 회전하는 블레이드에 대한 상시 모니터링이 가능하게 한다.
도 6은 본 발명의 일 실시예에 따른 풍력 발전기의 블레이드 검사방법을 설명하기 위한 흐름도이다.
도 6에 도시된 바와 같이 본 발명의 일 실시예에 따른 풍력 발전기의 블레이드 검사방법에서는 먼저, 제어부(30)가 카메라부(10)로부터 연속 촬영된 촬영영상을 입력받는다(S10).
여기서 제어부(30)는 카메라부(10)로부터 해상도 1920*1080, 촬영 프레임 속도 30프레임/초로 연속 촬영한 동영상을 입력받을 수 있다.
S10 단계에서 입력받은 촬영영상을 저장부(20)에 저장하고, 제어부(30)는 입력받은 촬영영상에 대해 가우시안 혼합 기법을 이용하여 도 2에 도시된 바와 같이 프레임별로 배경과 블레이드를 분할한다.
여기서 제어부(30)는 촬영영상을 수학식 2와 같이 가우시안 형태로 모델링을 진행하여 움직이는 물체에 대한 정보를 최대 파라미터로 계산할 수 있다.
Figure pat00003
여기서, 가우시안 모델을
Figure pat00004
라 할 때, μ는 평균, σ는 표준편차, x는 가우시안 분포에서 변수에 해당하는 확률로써 I번째 순서에서의 서로 다른 평균, 표준 편차를 보유할 수 있다. 또한, 각 모델에서 해당하는 값이 나올 확률을 wi라 할 때, 전체 표본에서 해당 값이 나올 확률을 P(x)로 정의하며, Mmax는 전체 모델의 수를 의미한다.
이와 같이 가우시안 혼합 기법을 이용하여 배경과 객체를 분할함으로써, 촬영영상의 프레임마다 발생하는 조도의 변화, 그림자의 움직임 등에서 발생 할 수 있는 객체와 배경의 분할을 위해 계산되는 값을 탄력적으로 적용하여 이미지의 특성에 따른 각각의 임계치를 이용하여 블레이드의 움직임에 대한 추출이 가능하게 된다.
S20 단계에서 프레임별로 배경과 블레이드 객체를 분할한 후 제어부(30)는 도 3에 도시된 바와 같이 블록 정합을 이용하여 분할된 객체의 프레임 간 움직임에 대한 움직임 벡터를 측정한다(S30).
움직임 벡터는 유사한 두 이미지에서 객체의 움직임이 발생하는 부분을 찾는 방법으로써, 공간 영역에서 변화 정도를 측정하는 형태로 블록 정합 알고리즘을 사용할 수 있다.
도 3에 도시된 바와 같이 전체 이미지에 대해 임의의 크기를 가지는 블록으로 나누어 픽셀의 움직임을 비교하는 것으로 픽셀의 변화가 발생 한 경우, 직전의 이미지에서 유사도가 가장 높은 블록을 찾는 형태로 진행할 수 있다.
예를 들어, 블록의 수직, 수평 방향의 크기를 a, b로 할 때, 탐색 윈도우의 a+2w, b+2w로 설정하여 픽셀의 움직임을 x축, y축으로 계산하는데 이때의 움직임을 벡터로 계산할 수 있다.
따라서 도 4에 도시된 바와 같이 전체 촬영을 진행한 영상에 대하여 개별 프레임으로 분할 한 후, 연속되는 두 프레임간의 움직임 벡터를 측정한다.
S30 단계에서 움직임 벡터를 측정한 후 제어부(30)는 측정된 움직임 벡터와 정상상태에서의 기준 움직임 벡터를 비교하여 블레이드의 상태를 판단한다(S40).
즉, 제어부(30)는 블레이드의 손상이 없는 상태에 대한 움직임 벡터의 정보를 기준으로 풍력 발전기의 회전 시 측정되는 블레이드의 움직임 벡터와 비교하여 정상 상태의 움직임 벡터값 보다 적은 움직임 벡터가 측정될 경우 고장 상태로 판단할 수 있다.
또한, S40 단계에서 블레이드의 상태를 판단한 후 제어부(30)는 판단결과를 기반으로 검사결과를 SVM(Support Vector Machine) 학습으로 기계학습하여 저장부(20)에 기계학습 정보를 저장한다(S50).
여기서, 제어부(30)는 SVM을 구성하기 위해 필요로 하는 특징점으로, 본 실시예에서는 촬영영상에서 측정된 움직임 벡터 정보와 영상 분할을 통해 블레이드가 갖는 전체 화면에서의 면적 정보를 이용하여 구성할 수 있다.
도 5에 도시된 바와 같이 블레이드 회전 이미지에 대한 SVM 학습에 의한 블레이드 상태의 결과를 살펴볼 때, 이상적인 데이터 분류 및 데이터 군집간의 경계가 되는 초평면(hyperplain)이 선형으로 나타나고 있을 뿐만 아니라 SVM의 성능 평가 지표를 볼 때도 높은 신뢰도를 보이고 있음을 알 수 있다.
따라서 S50 단계에서 블레이드의 검사결과에 대한 기계학습을 수행한 후 제어부(30)는 저장부(20)에 저장된 기계학습 정보를 기반으로 블레이드의 상태를 상시 모니터링한다(S60).
상술한 바와 같이, 본 발명의 실시예에 의한 풍력 발전기의 블레이드 검사방법에 따르면, 풍력 발전기의 회전하는 블레이드를 연속 촬영한 촬영영상으로부터 블레이드 객체를 분할하고 움직임 벡터를 측정하여 블레이드 상태를 검사할 수 있어, 단일 카메라를 이용함에 따른 경제적인 부담을 줄일 수 있고, 외부 날씨의 요인에 영향을 비교적 적게 받도록 하고, 회전하는 블레이드에 대한 상시 모니터링이 가능하게 한다.
본 발명은 도면에 도시된 실시예를 참고로 하여 설명되었으나, 이는 예시적인 것에 불과하며, 당해 기술이 속하는 분야에서 통상의 지식을 가진 자라면 이로부터 다양한 변형 및 균등한 타 실시예가 가능하다는 점을 이해할 것이다.
따라서 본 발명의 진정한 기술적 보호범위는 아래의 청구범위에 의해서 정하여져야 할 것이다.
10 : 카메라부 20 : 저장부
30 : 제어부 32 : 객체분할부
34 : 움직임 벡터 측정부 36 : 블레이드 상태판단부
38 : SVM 학습부 40 : 출력부

Claims (10)

  1. 풍력 발전기의 회전하는 블레이드를 연속 촬영하는 카메라부;
    촬영영상을 저장할 뿐만 아니라 상기 블레이드의 상태를 모니터링하기 위한 기계학습 정보를 저장하는 저장부; 및
    상기 카메라부로부터 연속 촬영된 상기 촬영영상을 입력받아 배경과 상기 블레이드를 분할하고 프레임 간 객체의 움직임에 대한 움직임 벡터를 측정하여 상기 블레이드의 상태를 판단하며, 상기 블레이드의 검사결과를 기계학습하여 상기 저장부에 저장하고, 상기 저장부에 저장된 기계학습 정보를 기반으로 상기 블레이드의 상태를 상시 모니터링하는 제어부;를 포함하는 것을 특징으로 하는 풍력 발전기의 블레이드 검사장치.
  2. 제 1항에 있어서, 상기 제어부는, 연속 촬영된 상기 촬영영상을 입력받아 상기 배경과 상기 블레이드를 분할하는 객체분할부;
    상기 객체분할부에서 분할된 객체의 프레임 간 움직임에 대한 상기 움직임 벡터를 측정하는 움직임 벡터 측정부;
    상기 움직임 벡터 측정부에서 측정된 상기 움직임 벡터와 정상상태에서의 기준 움직임 벡터를 비교하여 상기 블레이드의 상태를 판단하는 블레이드 상태판단부; 및
    상기 블레이드 상태판단부의 판단결과를 기반으로 검사결과를 기계학습하는 SVM 학습부를 포함하는 것을 특징으로 하는 풍력 발전기의 블레이드 검사장치.
  3. 제 1항에 있어서, 상기 제어부는, 가우시안 혼합기법을 이용하여 상기 촬영영상으로부터 상기 배경과 상기 블레이드를 분할하는 것을 특징으로 하는 풍력 발전기의 블레이드 검사장치.
  4. 제 1항에 있어서, 상기 제어부는, 블록 정합을 이용하여 상기 움직임 벡터를 측정하는 것을 특징으로 하는 풍력 발전기의 블레이드 검사장치.
  5. 제 1항에 있어서, 상기 제어부는, 상기 촬영영상으로부터 측정한 상기 움직임 벡터 정보와 분할된 상기 블레이드의 면적정보를 기반으로 SVM(Support Vector Machine) 학습으로 기계학습을 수행하는 것을 특징으로 하는 풍력 발전기의 블레이드 검사장치.
  6. 제어부가 카메라부로부터 연속 촬영된 촬영영상을 입력받는 단계;
    상기 제어부가 상기 촬영영상을 입력받아 배경과 블레이드를 분할하는 단계;
    상기 제어부가 상기 촬영영상의 프레임 간 객체의 움직임에 대한 움직임 벡터를 측정하는 단계; 및
    상기 제어부가 상기 움직임 벡터를 기반으로 상기 블레이드의 상태를 판단하는 단계;를 포함하는 것을 특징으로 하는 풍력 발전기의 블레이드 검사방법.
  7. 제 6항에 있어서, 상기 배경과 상기 블레이드를 분할하는 단계는, 상기 제어부가 가우시안 혼합기법을 이용하여 상기 촬영영상으로부터 상기 배경과 상기 블레이드를 분할하는 것을 특징으로 하는 풍력 발전기의 블레이드 검사방법.
  8. 제 6항에 있어서, 상기 움직임 벡터를 측정하는 단계는, 상기 제어부가 블록 정합을 이용하여 상기 움직임 벡터를 측정하는 것을 특징으로 하는 풍력 발전기의 블레이드 검사방법.
  9. 제 6항에 있어서, 상기 제어부가 상기 블레이드의 검사결과에 대한 기계학습을 수행한 후 기계학습 정보를 기반으로 상기 블레이드의 상태를 상시 모니터링하는 단계를 더 포함하는 것을 특징으로 하는 풍력 발전기의 블레이드 검사방법.
  10. 제 9항에 있어서, 상기 상시 모니터링하는 단계에서 기계학습을 수행할 때, 상기 제어부가 상기 촬영영상으로부터 측정한 상기 움직임 벡터 정보와 분할된 상기 블레이드의 면적정보를 기반으로 SVM(Support Vector Machine) 학습으로 기계학습을 수행하는 것을 특징으로 하는 풍력 발전기의 블레이드 검사방법.
KR1020170161426A 2017-11-29 2017-11-29 풍력 발전기의 블레이드 검사장치 및 그 방법 KR20190062834A (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020170161426A KR20190062834A (ko) 2017-11-29 2017-11-29 풍력 발전기의 블레이드 검사장치 및 그 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020170161426A KR20190062834A (ko) 2017-11-29 2017-11-29 풍력 발전기의 블레이드 검사장치 및 그 방법

Publications (1)

Publication Number Publication Date
KR20190062834A true KR20190062834A (ko) 2019-06-07

Family

ID=66849589

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020170161426A KR20190062834A (ko) 2017-11-29 2017-11-29 풍력 발전기의 블레이드 검사장치 및 그 방법

Country Status (1)

Country Link
KR (1) KR20190062834A (ko)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112096566A (zh) * 2020-08-27 2020-12-18 上海扩博智能技术有限公司 风机停机状态参数的获取方法、系统、设备和介质
KR20230014028A (ko) 2021-07-15 2023-01-27 한국전자기술연구원 풍력 발전기 블레이드용 검사 모듈, 이를 이용한 검사 장치 및 방법

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112096566A (zh) * 2020-08-27 2020-12-18 上海扩博智能技术有限公司 风机停机状态参数的获取方法、系统、设备和介质
KR20230014028A (ko) 2021-07-15 2023-01-27 한국전자기술연구원 풍력 발전기 블레이드용 검사 모듈, 이를 이용한 검사 장치 및 방법

Similar Documents

Publication Publication Date Title
Li et al. An unmanned inspection system for multiple defects detection in photovoltaic plants
CN108416294B (zh) 一种基于深度学习的风机叶片故障智能识别方法
CN106290388B (zh) 一种绝缘子故障自动检测方法
KR20200031860A (ko) 안전점검 기준표와 분류별 결함 데이터를 활용한 풍력 발전기 블레이드 안전 관리 시스템 및 방법
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
CN109060826B (zh) 一种不停机的风电叶片检测装置
CN113610749B (zh) 基于神经网络的风机叶片缺陷检测方法
CN108537170A (zh) 一种电力设备固件无人机巡检销钉缺失检测方法
CN115049663B (zh) 基于无人机双光融合绝缘子缺陷检测方法及系统
KR20190062834A (ko) 풍력 발전기의 블레이드 검사장치 및 그 방법
KR20140000612A (ko) 블레이드 검사 기능을 구비한 풍력 발전기 및 블레이드 검사 방법
CN112465777A (zh) 一种基于视频流的风机叶片表面缺陷识别技术
CN108665468B (zh) 一种提取直线塔绝缘子串的装置及方法
Hao et al. Detection of bird nests on power line patrol using single shot detector
CN117058396B (zh) 基于人工智能的风机叶片缺陷区域快速分割方法及系统
CN110136059A (zh) 直线特征的风电叶片图像拼接方法
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
CN113406107B (zh) 风机叶片缺陷检测系统
CN105184791A (zh) 一种输电线路视频图像中的绝缘子定位方法
CN114355083A (zh) 基于人工智能算法的巡检机器人故障识别方法、系统
CN114442658A (zh) 输配电线路无人机自动巡检系统及其运行方法
Özer et al. An approach based on deep learning methods to detect the condition of solar panels in solar power plants
CN114673638B (zh) 一种风力发电机叶片覆冰监测方法及装置
Young et al. Hyperspectral imaging for erosion detection in wind turbine blades
CN110781758A (zh) 一种受电弓结构异常动态视频监测方法及装置