国产精品1024永久观看,大尺度欧美暖暖视频在线观看,亚洲宅男精品一区在线观看,欧美日韩一区二区三区视频,2021中文字幕在线观看

  • <option id="fbvk0"></option>
    1. <rt id="fbvk0"><tr id="fbvk0"></tr></rt>
      <center id="fbvk0"><optgroup id="fbvk0"></optgroup></center>
      <center id="fbvk0"></center>

      <li id="fbvk0"><abbr id="fbvk0"><dl id="fbvk0"></dl></abbr></li>

      基于邊緣分割的風(fēng)機(jī)葉片保護(hù)膜損傷檢測(cè)方法與流程

      文檔序號(hào):11234478閱讀:2243來(lái)源:國(guó)知局
      基于邊緣分割的風(fēng)機(jī)葉片保護(hù)膜損傷檢測(cè)方法與流程

      本發(fā)明屬于風(fēng)機(jī)葉片故障識(shí)別技術(shù)領(lǐng)域,具體涉及基于邊緣分割技術(shù)和對(duì)話風(fēng)機(jī)葉片保護(hù)膜損傷檢測(cè)方法,通過(guò)風(fēng)機(jī)葉片圖片來(lái)判斷風(fēng)機(jī)葉片保護(hù)膜的狀態(tài)。



      背景技術(shù):

      葉片是風(fēng)力發(fā)電機(jī)組關(guān)鍵部件之一,在工作過(guò)程中受到強(qiáng)風(fēng)負(fù)荷、沙粒沖刷、大氣氧化與潮濕空氣腐蝕等因素的影響,不可避免會(huì)出現(xiàn)氣孔、裂縫、磨損、腐蝕等問(wèn)題,如不及時(shí)進(jìn)行處理會(huì)導(dǎo)致葉片斷裂,嚴(yán)重威脅著機(jī)組安全運(yùn)行。通常在葉片前緣或1/3長(zhǎng)度的葉尖區(qū)域貼保護(hù)膜來(lái)實(shí)現(xiàn)更好的保護(hù),減小意外的發(fā)生,同時(shí)降低了葉片的維修費(fèi)用。風(fēng)機(jī)葉片的保護(hù)膜在風(fēng)機(jī)運(yùn)行中會(huì)受到損傷,出現(xiàn)氣泡、起皺等現(xiàn)象,及時(shí)發(fā)現(xiàn)保護(hù)膜損傷并對(duì)其進(jìn)行修護(hù),可以有效的降低風(fēng)機(jī)葉片損害。

      目前主要采用人工巡檢的方式發(fā)現(xiàn)風(fēng)機(jī)葉片保護(hù)膜損傷,無(wú)法及時(shí)發(fā)現(xiàn)保護(hù)膜損傷并修護(hù),而且對(duì)于大規(guī)模風(fēng)力發(fā)電場(chǎng),這種巡檢方式效率低下。另外也有采用故障信號(hào)分析的方法,如時(shí)域和頻域分析方法,但其具有局部局限性,通常只能宏觀的診斷出故障是否發(fā)生,無(wú)法對(duì)風(fēng)機(jī)葉片保護(hù)膜是否損傷做出判斷。



      技術(shù)實(shí)現(xiàn)要素:

      為了解決傳統(tǒng)風(fēng)機(jī)葉片故障識(shí)別中的一些不足,本發(fā)明從圖像的角度提出一種基于邊緣分割的風(fēng)機(jī)葉片保護(hù)膜損傷檢測(cè)方法,對(duì)待拍攝到的風(fēng)機(jī)葉片灰度化后,使用基于邊緣的分割獲得候選區(qū)域;提取候選區(qū)域的圖像特征,通過(guò)支持向量機(jī)分類器,判定待檢測(cè)風(fēng)機(jī)葉片保護(hù)膜是否異常。

      為了達(dá)到上述目的,本發(fā)明采用的技術(shù)方案如下:

      一種基于邊緣分割的風(fēng)機(jī)葉片保護(hù)膜損傷檢測(cè)方法,包括以下步驟:

      步驟1:對(duì)現(xiàn)場(chǎng)拍攝的風(fēng)機(jī)葉片故障圖像進(jìn)行灰度處理,獲取灰度圖像;

      步驟2:通過(guò)基于邊緣的分割從灰度圖像中獲得待檢測(cè)的區(qū)域;

      (1)利用坎尼邊緣檢測(cè)算法計(jì)算邊緣響應(yīng),得到每個(gè)邊緣點(diǎn)p的邊緣幅值mp和方向θp,獲得邊緣圖像;

      (2)標(biāo)注每個(gè)邊緣點(diǎn),構(gòu)成邊緣點(diǎn)集合si:

      a.初始化,邊緣點(diǎn)標(biāo)簽i=1,邊緣點(diǎn)集合待搜尋的邊緣點(diǎn)集合為空集;

      b.逐行掃描,將掃描到的第一個(gè)無(wú)標(biāo)簽的邊緣點(diǎn)記為該邊緣點(diǎn)為si的第一個(gè)邊緣點(diǎn),k=1,將該邊緣點(diǎn)并入邊緣點(diǎn)集合si,將該邊緣點(diǎn)并入待搜尋的邊緣點(diǎn)集合w,

      c.計(jì)算待搜尋的邊緣點(diǎn)集合w中邊緣點(diǎn)與它的八連通區(qū)域內(nèi)的邊緣點(diǎn)梯度方向角差值,dda(j),j∈[1,8],構(gòu)成集合dda,梯度方向角差值之和sda=0。

      d.找到最小的邊緣點(diǎn)梯度方向角差值,dda(a)=min(dda);從dda中除去dda(a),dda=dda\dda(a);計(jì)算梯度方向角差值之和sda=sda+dda(a)

      e.如果將該臨近邊緣點(diǎn)并入集合si,將該臨近邊緣點(diǎn)并入待搜尋的邊緣點(diǎn)集合w;

      f.重復(fù)步驟(d)和步驟(e),直到即找到了該邊緣點(diǎn)的所有臨近邊緣點(diǎn),在待搜尋的邊緣點(diǎn)集合w除去該邊緣點(diǎn),

      g.重復(fù)步驟(c)至步驟(f),直到此時(shí)獲得邊緣集合si,i=i+1。

      h.重復(fù)步驟(b)至步驟(g),直到掃描完所有的邊緣點(diǎn),完成對(duì)每個(gè)邊緣點(diǎn)的標(biāo)注;

      (3)計(jì)算邊緣點(diǎn)集合之間的相似度a(si,sj):

      a(si,sj)=|cos(θi-θij)cos(θj-θij)|γ

      其中,θi和θj分別為的邊緣點(diǎn)集合si和sj的平均角度,θij為集合θi和θj平均位置的夾角,γ用來(lái)調(diào)整si和sj之間的相似度,γ=2;如果a(si,sj)<0.05,a(si,sj)=0;

      (4)使用長(zhǎng)為bh,寬為bw的滑動(dòng)窗口掃描整張圖片,計(jì)算每個(gè)滑動(dòng)窗口的得分hb,

      其中,bh和bw分別依次設(shè)置為灰度圖像長(zhǎng)和寬的wb(si)是邊緣點(diǎn)集合si的權(quán)重,當(dāng)si的平均位置位于滑動(dòng)窗口外,wb(si)=0;當(dāng)si完全位于滑動(dòng)窗口時(shí),wb(si)=1;當(dāng)si部分位于滑動(dòng)窗口,平均位置位于滑動(dòng)窗口內(nèi)時(shí),t為邊緣點(diǎn)集合si位于滑動(dòng)窗口外的個(gè)數(shù),a(tj,tj+1)為tj和tj+1之間的相似度;

      (5)選取得分高的前五個(gè)滑動(dòng)窗口,b1,…,b5,對(duì)于任意兩個(gè)窗口bi和bj計(jì)算重疊區(qū)域面積area(bij),若則刪除bi,若則刪除bj,剩余的窗口即為待檢測(cè)的候選區(qū)域;

      步驟3:通過(guò)imagenet圖像集訓(xùn)練深度卷積神經(jīng)網(wǎng)絡(luò),提取除最后兩層以外的網(wǎng)絡(luò)作為圖像特征提取網(wǎng)絡(luò);

      (1)構(gòu)建一個(gè)8層神經(jīng)網(wǎng)絡(luò),前六層分別是卷積層c1、池化層p1、卷積層c2和池化層p2,第5、6、7層是全連接層fc1、fc2和fc3,輸出層是softmax層;

      (2)通過(guò)反向傳播算法,通過(guò)imagenet圖像集訓(xùn)練步驟(1)中的深度卷積神經(jīng)網(wǎng)絡(luò),直到輸出層的損失函數(shù)j(θ)≤0.001,得到深度卷積神經(jīng)網(wǎng)絡(luò)cnn;

      (3)提取訓(xùn)練后深度卷積神經(jīng)網(wǎng)絡(luò)cnn的前6層,作為圖像特征提取網(wǎng)絡(luò)f(x);

      步驟4:提取風(fēng)機(jī)葉片訓(xùn)練的圖像特征,放入支持向量機(jī)進(jìn)行訓(xùn)練學(xué)習(xí),求解分類超平面,得到支持向量機(jī)模型m(d);

      步驟5:將步驟2中獲得的待檢測(cè)區(qū)域rt,輸入步驟3中的到的圖像特征提取網(wǎng)絡(luò)f(x),得到待檢測(cè)區(qū)域的圖像特征dt,將圖像特征dt輸入訓(xùn)練好的支持向量機(jī)模型m(d),最終得到風(fēng)機(jī)葉片保護(hù)膜的狀態(tài)yt。

      和現(xiàn)有技術(shù)相比較,本發(fā)明具備如下優(yōu)點(diǎn):

      第一,本發(fā)明利用基于邊緣分割算法從拍攝的圖像中分割出待檢測(cè)風(fēng)機(jī)葉片的候選區(qū)域,大大的減小對(duì)所有存在區(qū)域進(jìn)行故障診斷的計(jì)算復(fù)雜,提高了對(duì)于風(fēng)機(jī)葉片保護(hù)膜損傷的識(shí)別效率。

      第二,本發(fā)明利用imagenet數(shù)據(jù)集來(lái)訓(xùn)練深度卷積神經(jīng)網(wǎng)絡(luò),克服了風(fēng)機(jī)葉片故障圖片數(shù)量少的困難,避免了人工設(shè)計(jì)特征,可以很好的提取風(fēng)機(jī)圖片的特征,對(duì)于風(fēng)機(jī)保護(hù)膜損傷的識(shí)別具有較高的準(zhǔn)確度。

      附圖說(shuō)明

      圖1是本發(fā)明實(shí)現(xiàn)的流程圖。

      圖2是拍攝到的風(fēng)機(jī)葉片圖片。

      圖3是基于邊緣分割的流程圖。

      圖4是基于邊緣分割的區(qū)域。

      具體實(shí)施方式

      下面參照?qǐng)D1,結(jié)合風(fēng)機(jī)葉片圖像故障識(shí)別為實(shí)例對(duì)本發(fā)明作更詳細(xì)的說(shuō)明。

      本發(fā)明基于邊緣分割的風(fēng)機(jī)葉片故障檢測(cè)方法包括以下4個(gè)步驟:

      步驟1:對(duì)現(xiàn)場(chǎng)拍攝的風(fēng)機(jī)葉片故障圖像進(jìn)行灰度處理,獲取灰度圖像(如圖2);

      步驟2:通過(guò)基于邊緣的分割從灰度圖像中獲得待檢測(cè)的區(qū)域;具體步驟如如圖2所示。

      (1)利用坎尼邊緣檢測(cè)算法計(jì)算邊緣響應(yīng),得到每個(gè)邊緣點(diǎn)p的邊緣幅值mp和方向θp,獲得邊緣圖像;

      (2)標(biāo)注每個(gè)邊緣點(diǎn),構(gòu)成邊緣點(diǎn)集合si:

      a.初始化,邊緣點(diǎn)標(biāo)簽i=1,邊緣點(diǎn)集合待搜尋的邊緣點(diǎn)集合為空集;

      b.逐行掃描,將掃描到的第一個(gè)無(wú)標(biāo)簽的邊緣點(diǎn)記為該邊緣點(diǎn)為si的第一個(gè)邊緣點(diǎn),k=1,將該邊緣點(diǎn)并入邊緣點(diǎn)集合si,將該邊緣點(diǎn)并入待搜尋的邊緣點(diǎn)集合w,

      c.計(jì)算待搜尋的邊緣點(diǎn)集合w中邊緣點(diǎn)與它的八連通區(qū)域內(nèi)的邊緣點(diǎn)梯度方向角差值,dda(j),j∈[1,8],構(gòu)成集合dda,梯度方向角差值之和sda=0。

      d.找到最小的邊緣點(diǎn)梯度方向角差值,dda(a)=min(dda);從dda中除去dda(a),dda=dda\dda(a);計(jì)算梯度方向角差值之和sda=sda+dda(a);

      e.如果將該臨近邊緣點(diǎn)并入集合si,將該臨近邊緣點(diǎn)并入待搜尋的邊緣點(diǎn)集合w;

      f.重復(fù)步驟(d)和步驟(e),直到即找到了該邊緣點(diǎn)的所有臨近邊緣點(diǎn),在待搜尋的邊緣點(diǎn)集合w除去該邊緣點(diǎn),

      g.重復(fù)步驟(c)至步驟(f),直到此時(shí)獲得邊緣集合si,i=i+1。

      h.重復(fù)步驟(b)至步驟(g),直到掃描完所有的邊緣點(diǎn),完成對(duì)每個(gè)邊緣點(diǎn)的標(biāo)注。

      (3)計(jì)算邊緣點(diǎn)集合之間的相似度a(si,sj):

      a(si,sj)=|cos(θi-θij)cos(θj-θij)|γ

      其中,θi和θj分別為的邊緣點(diǎn)集合si和sj的平均角度,θij為集合θi和θj平均位置的夾角,γ用來(lái)調(diào)整si和sj之間的相似度,γ=2;如果γ<0.05,a(si,sj)=0;

      (4)使用長(zhǎng)為bh,寬為bw的滑動(dòng)窗口掃描整張圖片,計(jì)算每個(gè)滑動(dòng)窗口的得分hb,

      其中,bh和bw分別依次設(shè)置為灰度圖像長(zhǎng)和寬的wb(si)是邊緣點(diǎn)集合si的權(quán)重,當(dāng)si的平均位置位于滑動(dòng)窗口外,wb(si)=0;當(dāng)si完全位于滑動(dòng)窗口時(shí),wb(si)=1;當(dāng)si部分位于滑動(dòng)窗口,平均位置位于滑動(dòng)窗口內(nèi)時(shí),t為邊緣點(diǎn)集合si位于滑動(dòng)窗口外的個(gè)數(shù),a(tj,tj+1)為tj和tj+1之間的相似度;

      (5)選取得分高的前五個(gè)滑動(dòng)窗口,b1,…,b5,對(duì)于任意兩個(gè)窗口bi和bj計(jì)算重疊區(qū)域面積area(bij),若則刪除bi,若則刪除bj,剩余的窗口即為待檢測(cè)的候選區(qū)域。圖4即為待檢測(cè)的候選區(qū)域。

      步驟3:通過(guò)imagenet圖像集訓(xùn)練深度卷積神經(jīng)網(wǎng)絡(luò),提取除最后兩層以外的網(wǎng)絡(luò)作為圖像特征提取網(wǎng)絡(luò);

      (1)構(gòu)建一個(gè)8層神經(jīng)網(wǎng)絡(luò),前六層分別是卷積層c1、池化層p1、卷積層c2和池化層p2,第5、6、7層是全連接層fc1、fc2和fc3,輸出層是softmax層;

      (2)通過(guò)反向傳播算法,通過(guò)imagenet圖像集訓(xùn)練步驟(1)中建立的深度卷積神經(jīng)網(wǎng)絡(luò),直到輸出層的損失函數(shù)j(θ)≤0.001,得到深度卷積神經(jīng)網(wǎng)絡(luò)cnn;

      (3)提取訓(xùn)練后深度卷積神經(jīng)網(wǎng)絡(luò)cnn的前6層,作為圖像特征提取網(wǎng)絡(luò)f(x),得到圖像的4096維的深度特征。

      步驟4:提取風(fēng)機(jī)葉片訓(xùn)練的圖像深度特征,放入支持向量機(jī)進(jìn)行訓(xùn)練學(xué)習(xí),求解分類超平面,得到支持向量機(jī)模型m(d);

      步驟5:將步驟2中獲得的待檢測(cè)區(qū)域rt,輸入步驟3中的到的圖像特征提取網(wǎng)絡(luò)f(x),得到待檢測(cè)區(qū)域的圖像特征dt,將圖像特征dt輸入訓(xùn)練好的支持向量機(jī)模型m(d),最終得到風(fēng)機(jī)葉片保護(hù)膜的狀態(tài)yt,為起包破損。

      當(dāng)前第1頁(yè)1 2 
      網(wǎng)友詢問(wèn)留言 已有0條留言
      • 還沒(méi)有人留言評(píng)論。精彩留言會(huì)獲得點(diǎn)贊!
      1