本發(fā)明屬于風(fēng)機(jī)葉片故障識別技術(shù)領(lǐng)域，具體涉及基于邊緣分割技術(shù)和對話風(fēng)機(jī)葉片保護(hù)膜損傷檢測方法，通過風(fēng)機(jī)葉片圖片來判斷風(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，不可避免會出現(xiàn)氣孔、裂縫、磨損、腐蝕等問題，如不及時(shí)進(jìn)行處理會導(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長度的葉尖區(qū)域貼保護(hù)膜來實(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，無法及時(shí)發(fā)現(xiàn)保護(hù)膜損傷并修護(hù)，而且對于大規(guī)模風(fēng)力發(fā)電場，這種巡檢方式效率低下。另外也有采用故障信號分析的方法，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，無法對風(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)膜損傷檢測方法，對待拍攝到的風(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，通過支持向量機(jī)分類器，判定待檢測風(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)膜損傷檢測方法，包括以下步驟：

步驟1：對現(xiàn)場拍攝的風(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：通過基于邊緣的分割從灰度圖像中獲得待檢測的區(qū)域；

(1)利用坎尼邊緣檢測算法計(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)使用長為bh，寬為bw的滑動窗口掃描整張圖片，計(jì)算每個(gè)滑動窗口的得分hb,

其中，bh和bw分別依次設(shè)置為灰度圖像長和寬的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窗口外，wb(si)＝0；當(dāng)si完全位于滑動窗口時(shí)，wb(si)＝1；當(dāng)si部分位于滑動窗口，平均位置位于滑動窗口內(nèi)時(shí)，t為邊緣點(diǎn)集合si位于滑動窗口外的個(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)滑動窗口，b1,…,b5，對于任意兩個(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的候選區(qū)域；

步驟3：通過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)通過反向傳播算法，通過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風(fēng)機(jī)葉片的候選區(qū)域,大大的減小對所有存在區(qū)域進(jìn)行故障診斷的計(jì)算復(fù)雜,提高了對于風(fēng)機(jī)葉片保護(hù)膜損傷的識別效率。

第二,本發(fā)明利用imagenet數(shù)據(jù)集來訓(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,對于風(fēng)機(jī)保護(hù)膜損傷的識別具有較高的準(zhǔn)確度。

附圖說明

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

下面參照圖1，結(jié)合風(fēng)機(jī)葉片圖像故障識別為實(shí)例對本發(fā)明作更詳細(xì)的說明。

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

步驟1：對現(xiàn)場拍攝的風(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：通過基于邊緣的分割從灰度圖像中獲得待檢測的區(qū)域；具體步驟如如圖2所示。

(1)利用坎尼邊緣檢測算法計(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)使用長為bh，寬為bw的滑動窗口掃描整張圖片，計(jì)算每個(gè)滑動窗口的得分hb,

其中，bh和bw分別依次設(shè)置為灰度圖像長和寬的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窗口外，wb(si)＝0；當(dāng)si完全位于滑動窗口時(shí)，wb(si)＝1；當(dāng)si部分位于滑動窗口，平均位置位于滑動窗口內(nèi)時(shí)，t為邊緣點(diǎn)集合si位于滑動窗口外的個(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)滑動窗口，b1,…,b5，對于任意兩個(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的候選區(qū)域。圖4即為待檢測的候選區(qū)域。

步驟3：通過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)通過反向傳播算法，通過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。