随着可持续再生能源的发展,风力发电机装机量逐年上升,其安全隐患问题也逐渐暴露出来。而风力发电机火灾事故在风机的事故中占有相当大的比例。由于风力发电机内往往环境恶劣且内部结构特殊,因此传统探测器火灾检测方法对风力发电机内的特殊环境来说具有一定的局限性,不能实时的进行火灾检测。本文在研究了视频火灾检测技术优越性的基础上,结合风力发电机内的特殊环境,提出了基于视频的风力发电机火灾检测,并对其中的主要技术进行了研究。本文研究主要以风力发电机内的环境特点为依据,进行了视频火灾检测,主要研究工作有以下几点:(1)通过搭建软件和硬件平台进行了火灾试验,对传统探测器在模拟风力发电机内环境火灾检测的检测效果进行了研究。实验结果证明:探测器检测在本文所研究的检测环境中具有局限性。进行了视频火灾检测算法设计,分析了火焰特征和干扰物类型。通过两种检测方法的对比及分析,突出了视频火灾检测的优越性,为本文研究的实际意义提供了有力依据。(2)对视频火灾检测的火焰提取方法进行了研究。首先对视频图像进行了预处理,包括图像的增强和滤波。使用背景差分的方法对运动目标进行提取。提取出运动目标区域后,进一步结合RGB颜色空间模型和HSV颜色空间模型进行了了疑似火焰区域提取。(3)由于风力发电机舱内环境非常复杂,还需对提取的火焰部分进行干扰物的排除。因此对风力发电机机舱内可能出现的干扰物和可燃物进行了特征值研究。计算了不同可燃物下火焰和可能出现干扰物的颜色特征值、形态变化特征值和纹理特征值。这里特别研究了风力变化对火焰形态特征变化中面积变化率的影响。(4)综合火焰和干扰物的形态特征、面积变化特征和纹理特征,利用LVQ神经网络对火焰进行识别检测,并将结果和BP神经网络的识别结果相对比。实验结果表明本文的算法对模拟风力发电机内环境的火灾检测具有较好的识别率,为视频检测风力发电机火灾检测的研究提供了有力的理论依据。(5)对全文所做工作进行总结,指出了研究的不足之处和下一步的研究方向。全文通过模拟实验、算法设计和仿真实验结果表明了本文提出的基于视频的风力发电机火灾检测技术的可行性和优越性。