本公開的實施例屬于風電設備維護，具體涉及一種風力發(fā)電機葉片表面缺陷識別方法、系統(tǒng)、設備及介質。

背景技術：

1、風力發(fā)電作為可再生能源的重要組成部分，在全球范圍內得到廣泛應用。然而，風力發(fā)電機葉片長期暴露于惡劣環(huán)境中，易發(fā)生各種表面缺陷，這些缺陷若不及時發(fā)現(xiàn)和處理，將嚴重影響發(fā)電效率和設備壽命。傳統(tǒng)的人工目視檢查方法耗時費力，且受人為因素影響大，難以滿足大規(guī)模風電場的高效運維需求。

技術實現(xiàn)思路

1、本公開的實施例旨在至少解決現(xiàn)有技術中存在的技術問題之一，提供一種風力發(fā)電機葉片表面缺陷識別方法、系統(tǒng)、設備及介質。

2、本公開的一個方面提供一種風力發(fā)電機葉片表面缺陷識別方法，所述方法包括：

3、獲取風力發(fā)電機葉片表面圖像；

4、將所述風力發(fā)電機葉片表面圖像輸入預先訓練的風機葉片表面缺陷識別模型，輸出所述風力發(fā)電機葉片表面圖像中缺陷的定位、分類、嚴重程度信息；

5、根據所述定位、分類、嚴重程度信息，生成缺陷識別報告。

6、進一步地，所述風機葉片表面缺陷識別模型通過如下步驟進

7、行訓練：

8、獲取多張葉片表面缺陷圖像，并對所述多張葉片表面缺陷圖像中的缺陷位置和類別進行標注，得到訓練圖像集；

9、選用adamw優(yōu)化器，利用所述訓練圖像集對yolov8模型進行訓練，得到風機葉片表面缺陷識別模型。

10、可選的，在對所述多張葉片表面缺陷圖像中的缺陷位置和類別進行標注之后，所述方法還包括：

11、對所述多張葉片表面缺陷圖像進行增強。

12、可選的，所述對yolov8模型進行訓練，包括：

13、監(jiān)控訓練過程，跟蹤loss變化、map；

14、定期保存模型并評估模型性能。

15、可選的，所述對yolov8模型進行訓練，包括：

16、對學習率、批大小和iou閾值進行調優(yōu)。

17、進一步地，所述輸出所述風力發(fā)電機葉片表面圖像中缺陷的定位、分類、嚴重程度信息，包括：

18、輸出缺陷邊界框；其中，所述邊界框具有類別概率分布和置信度分數(shù)；

19、根據所述邊界框對應的最高類別概率，確定所述邊界框對應的缺陷類型；

20、對所述邊界框進行特征提取，確定缺陷嚴重程度。

21、可選的，所述輸出缺陷邊界框之后，所述方法還包括：

22、根據所述置信度分數(shù)和預先設置的置信度閾值過濾所述邊界框；和/或，

23、利用nms算法消除重疊的所述邊界框。

24、本公開的另一方面提供一種風力發(fā)電機葉片表面缺陷識別系統(tǒng)，所述系統(tǒng)包括：

25、獲取模塊，用于獲取風力發(fā)電機葉片表面圖像；

26、識別模塊，用于將所述風力發(fā)電機葉片表面圖像輸入預先訓練的風機葉片表面缺陷識別模型，輸出所述風力發(fā)電機葉片表面圖像中缺陷的定位、分類、嚴重程度信息；

27、報告模塊，用于根據所述定位、分類、嚴重程度信息，生成缺陷識別報告。

28、本公開的又一方面提供一種電子設備，包括：

29、至少一個處理器；以及，

30、與所述至少一個處理器通信連接的存儲器，用于存儲一個或多個程序，當所述一個或多個程序被所述至少一個處理器執(zhí)行時，能使得所述至少一個處理器實現(xiàn)上文所述的風力發(fā)電機葉片表面缺陷識別方法。

31、本公開的再一方面提供一種計算機可讀存儲介質，其上存儲有計算機程序，所述計算機程序被處理器執(zhí)行時能實現(xiàn)上文所述的風力發(fā)電機葉片表面缺陷識別方法。

32、本公開實施例的一種風力發(fā)電機葉片表面缺陷識別方法、系統(tǒng)、設備及介質，通過基于yolov8(you?only?look?once?version

33、8)的圖像識別技術，實現(xiàn)了風力發(fā)電機葉片表面缺陷的快速、準確識別，提高了檢測效率和準確性，減少了人力成本，確保了風電設備安全穩(wěn)定運行。自動化檢測流程顯著縮短了葉片缺陷檢測的時間；yolov8模型的高精度識別能力，能有效避免漏檢和誤檢；減少人工檢查的依賴，降低人力成本，同時提前預警減少突發(fā)性維修需求；可定期監(jiān)測確保及時發(fā)現(xiàn)隱患，避免因葉片故障引發(fā)的安全事故。

技術特征：

1.一種風力發(fā)電機葉片表面缺陷識別方法，其特征在于，所述方法包括：

2.根據權利要求1所述的方法，其特征在于，所述風機葉片表面缺陷識別模型通過如下步驟進行訓練：

3.根據權利要求2所述的方法，其特征在于，在對所述多張葉片表面缺陷圖像中的缺陷位置和類別進行標注之后，所述方法還包括：

4.根據權利要求2所述的方法，其特征在于，所述對yolov8模型進行訓練，包括：

5.根據權利要求2所述的方法，其特征在于，所述對yolov8模型進行訓練，包括：

6.根據權利要求1至5任一項所述的方法，其特征在于，所述輸出所述風力發(fā)電機葉片表面圖像中缺陷的定位、分類、嚴重程度信息，包括：

7.根據權利要求6所述的方法，其特征在于，所述輸出缺陷邊界框之后，所述方法還包括：

8.一種風力發(fā)電機葉片表面缺陷識別系統(tǒng)，其特征在于，所述系統(tǒng)包括：

9.一種電子設備，其特征在于，包括：

10.一種計算機可讀存儲介質，其上存儲有計算機程序，其特征在于，

技術總結
本公開的實施例提供一種風力發(fā)電機葉片表面缺陷識別方法、系統(tǒng)、設備及介質。方法包括：獲取風力發(fā)電機葉片表面圖像；將所述風力發(fā)電機葉片表面圖像輸入預先訓練的風機葉片表面缺陷識別模型，輸出所述風力發(fā)電機葉片表面圖像中缺陷的定位、分類、嚴重程度信息；根據所述定位、分類、嚴重程度信息，生成缺陷識別報告。本公開的實施例通過基于YOLOv8的圖像識別技術，自動化檢測流程顯著縮短了葉片缺陷檢測的時間；YOLOv8模型的高精度識別能力，能有效避免漏檢和誤檢；減少人工檢查的依賴，降低人力成本，同時提前預警減少突發(fā)性維修需求；可定期監(jiān)測確保及時發(fā)現(xiàn)隱患，避免因葉片故障引發(fā)的安全事故。

技術研發(fā)人員：呂游,呂一楠,侯召堂,孫璞杰,李佼佼,林琳,高磊,張福祥,高延忠,王楨皓
受保護的技術使用者：西安熱工研究院有限公司
技術研發(fā)日：
技術公布日：2025/1/6