一种基于视频流的风机叶片表面缺陷识别技术

摘要

本发明公开了一种基于视频流的风机叶片表面缺陷识别技术，包括如下步骤：S1、视频采集：在固定位置部署高清摄像机，利用高清摄像机对运行的风机进行视频采集，视频分辨率为1280*720，采集每秒24帧的风机运行视频，采集时间1‑2个小时；S2、卷积神经网络操作，对S1中采集到的图像数据中的单帧图像数据进行卷积神经网络操作；S3、图像盲复原；S4、风机叶片缺陷识别，本发明利用成熟的卷积神经网络操作、图像盲复原算法和图像识别算法，实现在风机不停机的情况下，采集并输出满足机器识别要求的高清风机叶片图像，解决了现阶段风机叶片缺陷识别必须将风机停机的问题，提高风机运检效率，缩短风机运检停机时间。

说明书

技术领域

本发明涉及风机检测技术领域，具体为一种基于视频流的风机叶片表面缺陷识别技术。

背景技术

风能作为可再生能源，已在世界范围内获得了广泛应用。由于风力发电机的所在环境恶劣，所受应力强烈等因素，风机的叶片表面可能产生裂纹、油污、砂眼等损伤，这严重影响了风力发电的效率和安全性。

现阶段的风机叶片表面缺陷识别主要采用两种方式，一是巡检人员利用望远镜观察，高空垂吊巡检人员目测检查方式。二是随着无人机技术及人工智能的发展，采用无人机拍摄风机叶片加人工智能识别图片的方式。这两种巡检方式目前都有其缺点，采用方式一的巡检方式，单次巡检耗时长，效率低，巡检结果主观性强，对巡检人员专业性要求较高；采用方式二的巡检方式，对无人机采集的图片清晰度有一定要求，无人机拍照时需要对风电机组停机处理，巡检作业会严重影响风电场的发电效率，为此，我们提出一种基于视频流的风机叶片表面缺陷识别技术。

发明内容

本发明的目的在于提供一种基于视频流的风机叶片表面缺陷识别技术，本发明可在风机不停机的情况下，完成对风机叶片表面缺陷的识别，在保障风电机组发电效率的同时，对风机叶片表面缺陷识别，提高风机发电的安全性。

为实现上述目的，本发明提供如下技术方案：一种基于视频流的风机叶片表面缺陷识别技术，包括如下步骤：

S1、视频采集：在固定位置部署高清摄像机，利用高清摄像机对运行的风机进行视频采集，视频分辨率为1280*720，采集每秒24帧的风机运行视频，采集时间1.5个小时；

S2、卷积神经网络操作：对S1中采集到的图像数据中的单帧图像数据进行卷积神经网络操作，对采集图像中单个像素点进行特征提取，将S1中采集到的多张图像数据按特征进行分类，在卷积操作中每个神经元连接数据窗的权重是固定的，每个神经元只关注一个特性，采用第一步的采集方式得到的图像数据采集位置、角度固定，经过卷积操作后可将风机运行的不同时刻且风机叶片相同位置的图像进行归类；

S3、图像盲复原：根据风机运行速度的不同，卷积操作后的数据一般可分类为100-150个位置的图像数据，对输出的每个位置的图像数据通过图像盲复原算法进行图像去噪、纹理重建；

S4、风机叶片缺陷识别：根据S3的分组情况，图像盲复原后可得到100-150张不同位置的风机叶片高清照片，将输出的风机叶片高清照片导入机器的识别软件中，利用识别软件识别出风机叶片表面缺陷片。

优选的，在步骤S1中，高清摄像机的采集画面需覆盖整个风机叶片转动范围。

优选的，在步骤S1中，采集时间1个小时，共采集到24*3600*1＝86400帧图像数据，采集时间1.5个小时，共采集到24*3600*1.5＝129600帧图像数据，采集时间2个小时，共采集到24*3600*2＝172800帧图像数据。

优选的，在步骤S2中，神经元为图像处理中的滤波器，卷积层的每个滤波器都会用于关注一个图像特征，所有神经元加起来就是整张图像的特征提取器集合。

优选的，所述图像特征包括垂直边缘、水平边缘、颜色和纹理。

本发明提供了一种基于视频流的风机叶片表面缺陷识别技术，具备以下有益效果：

本发明通过利用成熟的卷积神经网络操作、图像盲复原算法和图像识别算法，提出了一种新的风机叶片表面缺陷识别方法，通过在固定位置对风机运行视频采集，在风机不停机的情况下，采集并输出满足机器识别要求的高清风机叶片图像，解决了现阶段风机叶片缺陷识别必须将风机停机的问题，提高风机运检效率，缩短风机运检停机时间。

附图说明

图1为本发明的高清摄像机与风机位置结构示意图；

图2为本发明的两种卷积操作滤波器后效果示意。

具体实施方式

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。

实施例1：

如图1-2所示，本发明提供一种技术方案：一种基于视频流的风机叶片表面缺陷识别技术，包括如下步骤：

S1、视频采集：在固定位置部署高清摄像机，并使得高清摄像机的采集画面覆盖整个风机叶片转动范围，利用高清摄像机对运行的风机进行视频采集，视频分辨率为1280*720，采集每秒24帧的风机运行视频，采集时间1.5个小时，共采集到24*3600*1.5＝129600帧图像数据；

S2、卷积神经网络操作：对S1中采集到的129600帧图像数据中的单帧图像数据进行卷积神经网络操作，对采集图像中单个像素点进行特征提取，将129600帧图像数据按特征进行分类；

在卷积操作中每个神经元连接数据窗的权重是固定的，每个神经元只关注一个特性，神经元为图像处理中的滤波器，比如边缘检测专用的索贝尔算子滤波器，卷积层的每个滤波器都会用于关注一个图像特征，这些图像特征包括垂直边缘、水平边缘、颜色和纹理，这些所有神经元加起来就是整张图像的特征提取器集合，采用S1的采集方式得到的图像数据采集位置、角度固定，经过卷积操作后可将风机运行的不同时刻且风机叶片相同位置的图像进行归类；

S3、图像盲复原：根据风机运行速度的不同，卷积操作后的数据一般可分类为100-150个位置的图像数据，对输出的每个位置的图像数据通过图像盲复原算法进行图像去噪、纹理重建；

S4、风机叶片缺陷识别：根据S3的分组情况，图像盲复原后可得到100-150张不同位置的风机叶片高清照片，将输出的风机叶片高清照片导入机器的识别软件中，利用识别软件识别出风机叶片表面缺陷片。

实施例2：

如图1-2所示，本发明提供一种技术方案：一种基于视频流的风机叶片表面缺陷识别技术，包括如下步骤：

S1、视频采集：在固定位置部署高清摄像机，并使得高清摄像机的采集画面覆盖整个风机叶片转动范围，利用高清摄像机对运行的风机进行视频采集，视频分辨率为1280*720，采集每秒24帧的风机运行视频，采集时间1小时，共采集到24*3600*1＝86400帧图像数据；

S2、卷积神经网络操作：对S1中采集到的86400帧图像数据中的单帧图像数据进行卷积神经网络操作，对采集图像中单个像素点进行特征提取，将86400帧图像数据按特征进行分类；

在卷积操作中每个神经元连接数据窗的权重是固定的，每个神经元只关注一个特性，神经元为图像处理中的滤波器，比如边缘检测专用的索贝尔算子滤波器，卷积层的每个滤波器都会用于关注一个图像特征，这些图像特征包括垂直边缘、水平边缘、颜色和纹理，这些所有神经元加起来就是整张图像的特征提取器集合，采用S1的采集方式得到的图像数据采集位置、角度固定，经过卷积操作后可将风机运行的不同时刻且风机叶片相同位置的图像进行归类；

S3、图像盲复原：根据风机运行速度的不同，卷积操作后的数据一般可分类为100-150个位置的图像数据，对输出的每个位置的图像数据通过图像盲复原算法进行图像去噪、纹理重建；

S4、风机叶片缺陷识别：根据S3的分组情况，图像盲复原后可得到100-150张不同位置的风机叶片高清照片，将输出的风机叶片高清照片导入机器的识别软件中，利用识别软件识别出风机叶片表面缺陷片。

实施例3：

如图1-2所示，本发明提供一种技术方案：一种基于视频流的风机叶片表面缺陷识别技术，包括如下步骤：

S1、视频采集：在固定位置部署高清摄像机，并使得高清摄像机的采集画面覆盖整个风机叶片转动范围，利用高清摄像机对运行的风机进行视频采集，视频分辨率为1280*720，采集每秒24帧的风机运行视频，采集时间2个小时，共采集到24*3600*2＝172800帧图像数据；

S2、卷积神经网络操作：对S1中采集到的172800帧图像数据中的单帧图像数据进行卷积神经网络操作，对采集图像中单个像素点进行特征提取，将172800帧图像数据按特征进行分类；

在卷积操作中每个神经元连接数据窗的权重是固定的，每个神经元只关注一个特性，神经元为图像处理中的滤波器，比如边缘检测专用的索贝尔算子滤波器，卷积层的每个滤波器都会用于关注一个图像特征，这些图像特征包括垂直边缘、水平边缘、颜色和纹理，这些所有神经元加起来就是整张图像的特征提取器集合，采用S1的采集方式得到的图像数据采集位置、角度固定，经过卷积操作后可将风机运行的不同时刻且风机叶片相同位置的图像进行归类；

S3、图像盲复原：根据风机运行速度的不同，卷积操作后的数据一般可分类为100-150个位置的图像数据，对输出的每个位置的图像数据通过图像盲复原算法进行图像去噪、纹理重建；

S4、风机叶片缺陷识别：根据S3的分组情况，图像盲复原后可得到100-150张不同位置的风机叶片高清照片，将输出的风机叶片高清照片导入机器的识别软件中，利用识别软件识别出风机叶片表面缺陷片。

本发明可以在风机不停机的情况下，完成对风机叶片表面缺陷的识别，且在保障风电机组发电效率的同时，对风机叶片表面缺陷识别，提高风机发电的安全性。

尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。