论文部分内容阅读
风能作为新型能源,其可持续利用的特点,满足可持续发展战略,得到了大力发展。随着风电装机总量的增加,风机叶片数量也随之增多。风机叶片作为风力发电机的核心部件,成本高,且因人工巡检效率低、主观性强以及易引发视觉疲劳,致使部分表面损伤未能有效识别,导致风电场因风机叶片引起的事故每年均有发生。因此,针对风机叶片表面损伤,迫切需要自动、准确的检测方式。为此,本文提供了一种实际风电场中进行风机叶片图像采集的方案,并通过结合图像处理技术,实现对风机叶片表面损伤的准确分类识别。
首先对风机叶片表面损伤图像进行获取,利用无人机采集风机叶片表面损伤图像,根据实际风电场的需要,选择无人机型号,规划无人机采集路线。将无人机采集得到的风机叶片表面损伤图像作为本课题表面损伤分类识别实验的原始数据,对原始数据进行筛选、尺寸归一化,对看不清损伤信息的模糊图像,将其进行限制对比度自适应直方图均衡化,从而使表面损伤图像更好的适应神经网络模型。
其次对经过尺寸归一化以及直方图均衡化得到的表面损伤图像,结合数字图像处理技术,对图像进行滤波、灰度化、二值化、形态学和掩膜等处理,实现风机叶片与背景图像的分割。将分割后的图像结合数据增强技术,最终构建包含三种风机叶片表面损伤类型的损伤数据集,其中包含风机叶片裂纹损伤图像1016张、表面涂层脱落损伤图像496张、无损伤图像800张,共计2312张图像,并以9∶0.5∶0.5的比例将图像随机分配到训练集、测试集与验证集中,用于作为神经网络的输入。
最后进行了基于卷积神经网络的风机叶片表面损伤分类识别的研究。分析了三种卷积神经网络结构,通过制备的数据集进行不同网络模型的对比分析,选出适合风机叶片表面损伤分类识别的网络模型,并对网络模型进行参数优化以及评估不同参数下网络模型的性能,最终测试结果表明,风机叶片表面损伤平均识别率为97.04%,满足风电场实际巡检对损伤识别准确率的需求。
首先对风机叶片表面损伤图像进行获取,利用无人机采集风机叶片表面损伤图像,根据实际风电场的需要,选择无人机型号,规划无人机采集路线。将无人机采集得到的风机叶片表面损伤图像作为本课题表面损伤分类识别实验的原始数据,对原始数据进行筛选、尺寸归一化,对看不清损伤信息的模糊图像,将其进行限制对比度自适应直方图均衡化,从而使表面损伤图像更好的适应神经网络模型。
其次对经过尺寸归一化以及直方图均衡化得到的表面损伤图像,结合数字图像处理技术,对图像进行滤波、灰度化、二值化、形态学和掩膜等处理,实现风机叶片与背景图像的分割。将分割后的图像结合数据增强技术,最终构建包含三种风机叶片表面损伤类型的损伤数据集,其中包含风机叶片裂纹损伤图像1016张、表面涂层脱落损伤图像496张、无损伤图像800张,共计2312张图像,并以9∶0.5∶0.5的比例将图像随机分配到训练集、测试集与验证集中,用于作为神经网络的输入。
最后进行了基于卷积神经网络的风机叶片表面损伤分类识别的研究。分析了三种卷积神经网络结构,通过制备的数据集进行不同网络模型的对比分析,选出适合风机叶片表面损伤分类识别的网络模型,并对网络模型进行参数优化以及评估不同参数下网络模型的性能,最终测试结果表明,风机叶片表面损伤平均识别率为97.04%,满足风电场实际巡检对损伤识别准确率的需求。