基于选择性搜索分割的风机叶片表面缺陷诊断方法与流程

文档序号:11228618
基于选择性搜索分割的风机叶片表面缺陷诊断方法与流程

本发明属于风机叶片缺陷诊断技术领域,具体涉及基于选择性搜索的分割技术以及基于图片的风机叶片表面缺陷诊断方法,通过风机叶片图片来判断风机叶片表面缺陷。



背景技术:

叶片是风力发电机组关键部件之一,在工作过程中受到强风负荷、沙粒冲刷、大气氧化与潮湿空气腐蚀等因素的影响,不可避免会出现气孔、裂缝、磨损、腐蚀等问题,如不及时进行处理会导致叶片断裂,严重威胁着机组安全运行,因此对风力发电机叶片实施状态检测与故障诊断研究具有重要意义。风机叶片检测可避免叶片在运行过程中可能出现故障,降低由于突发事故产生的不必要损失及停机维护检修带来的发电损失,减少叶片维修维护成本,直接影响着机组的整体可靠稳定与综合效益。

目前风机叶片的故障诊断方法主要采用人工巡检的方式,无法满足实时监测,及时进行故障诊断的需求,而且对于大规模风力发电场,这种巡检方式效率低下。另外也有采用故障信号分析的方法,如时域和频域分析方法,但其具有局部局限性,通常只能宏观的诊断出故障是否发生,无法对表面缺陷的类型。



技术实现要素:

为了解决传统风机叶片故障识别中的一些不足,本发明从图像的角度提出一种基于选择性搜索分割的风机叶片表面缺陷诊断方法,对待拍摄到的风机叶片使用选择性搜索分割获得候选区域;提取候选区域的图像特征,通过支持向量机分类器,判定待检测风机叶片的状态。

为了达到上述目的,本发明采用的技术方案如下:

一种基于选择性搜索分割的风机叶片表面缺陷诊断方法,包括以下步骤:

步骤1:通过选择性搜索分割从现场拍摄的风机叶片故障图像中获得待检测的区域;

(1)通过基于图的图像分割,得到初始化的区域R={r1,…,rn},n为初始化的区域个数,具体步骤如下;

a.将现场拍摄的风机叶片故障图像用加权图表示,加权图由节点集V和边集E组成,表示为G=(V,E),节点集V={v1,…,vm},m为节点个数,边集E={b1,…,bl},l为边的条数;

b.以非递减方式将l条边按照权值排序;

c.每个节点属于一个区域,得到最初的分割区域集合R(0)

d.记第k条边连接的两个节点为vi和vj,记第k次分割的区域集合为R(k-1),如果R(k-1)中vi和vj分别属于两个区域且第k条边的权重w(bk)大于两个区域内间距,则R(k)=R(k-1),k=k+1,反之,合并两个区域,在R(k-1)中去掉这两个区域并加入新合并的区域,变成新的分割集合R(k)

e.重复步骤d,直到k=m,得到初始化的区域R=R(m)

(2)初始化相似度集合为空集;

(3)计算相邻区域的相似度s(ri,rj),S=S∪s(ri,rj);其中S(ri,rj)=Sg(ri,rj)+St(ri,rj)+Sa(ri,rj)+Sc(ri,rj),Sg(ri,rj)为灰度特征相似度,St(ri,rj)为纹理相似性,Sa(ri,rj)为面积相似性,Sc(ri,rj)为相交相似性;

a.从每个初始区域中得到一个一维的灰度分布直方图,该直方图共有25个区间,和分别表示第i个和第j个区域第k个区间的灰度分布直方图特征;

b.对每个初始区域,在8个方向上计算方差为1的高斯微分,每个方向用10个区间的纹理直方图来描述,和分别表示第i个和第j个区域第k个区间的纹理直方图特征;

c.其中size(ri)和size(rj)分别表示第i个和第j个区域的像素数目,size(X)表示拍摄所得图片的像素数目;

d.其中size(Aij)表示第i个和第j个区域最小外包区域的像素数目;

(4)找到相似度最大的两个区域ra,rb,s(ra,rb)=max(S);

(5)合并ra和rb,获得新的区域rt,rt=ra∪rb

(6)在相似度集合S中去掉和ra相关的相似度,S=S\s(ra,r*),在相似度集合S去掉和rb相关的相似度,S=S\s(rb,r*);

(7)在初始化的区域R中去掉ra和rb,R=R\ra,R=R\rb,加入rt R=R∪rt

(8)计算区域rt和它的相邻区域的相似度St,S=S∪St

(9)重复步骤(4)到步骤(8),直到得到待检测的区域rt

步骤2:通过ImageNet图像集训练深度卷积神经网络,提取除最后两层以外的网络作为图像特征提取网络;

(1)构建一个10层神经网络,前六层分别是卷积层C1、池化层P1、卷积层C2、池化层P2、卷积层C3和池化层P3,第7、8、9层是全连接层FC1、FC2和FC3,输出层是Softmax层;

(2)通过反向传播算法,通过ImageNet图像集训练步骤(1)中的深度卷积神经网络,直到输出层的损失函数J(θ)≤0.001,得到深度卷积神经网络CNN;

(3)提取训练后深度卷积神经网络CNN的前八层,作为图像特征提取网络f(X);

步骤3:提取风机叶片训练的图像特征,放入支持向量机进行训练学习,求解分类超平面,得到支持向量机模型M(d);

步骤4:将步骤1中获得的待检测区域rt,输入步骤2中的到的图像特征提取网络f(X),得到待检测区域的图像特征dt,将图像特征dt输入训练好的支持向量机模型M(d),最终得到风机状态yt

和现有技术相比较,本发明具备如下优点:

第一,本发明利用选择性分割算法从拍摄的图像中分割出待检测风机叶片的候选区域,大大的减小对所有存在区域进行故障诊断的计算复杂,提高了对于风机叶片故障的识别效率。

第二,本发明利用ImageNet数据集来训练深度卷积神经网络,克服了风机叶片故障图片数量少的困难,避免了人工设计特征,可以很好的提取风机图片的特征,对于风机故障的识别具有较高的准确度。

附图说明

图1是本发明实现的流程图。

图2是拍摄到的风机叶片图片。

图3是选择性搜索分割的区域。

具体实施方式

下面参照图1,结合风机叶片图像表面缺陷诊断为实例对本发明作更详细的说明。

本发明基于选择性搜索分割的风机叶片故障检测方法包括以下4个步骤:

步骤1:通过选择性搜索分割从拍摄图片(如图2)中获得待检测的区域;

(1)通过基于图的图像分割,得到初始化的区域R={r1,…,rn},n为初始化的区域个数,具体步骤如下;

a.将现场拍摄的风机叶片故障图像用加权图表示,加权图有节点集V和边集E组成,表示为G=(V,E),节点集V={v1,…,vm},m为节点个数,边集E={b1,…,bl},l为边的条数;

b.以非递减方式将l条边按照权值排序;

c.每个节点属于一个区域,得到最初的分割区域集合R(0)

d.记第k条边连接的两个节点为vi和vj,记第k次分割的区域集合为R(k-1),如果R(k-1)中vi和vj分别属于两个区域且第k条边的权重w(bk)大于两个区域内间距,则R(k)=R(k-1),k=k+1,反之,合并两个区域,在R(k-1)中去掉这两个区域并加入新合并的区域,变成新的分割集合R(k)

e.重复步骤d,直到k=m,得到初始化的区域R=R(m)

(2)初始化相似度集合为空集;

(3)计算相邻区域的相似度s(ri,rj),S=S∪s(ri,rj);其中S(ri,rj)=Sg(ri,rj)+St(ri,rj)+Sa(ri,rj)+Sc(ri,rj),表示Sg(ri,rj)灰度特征相似度,St(ri,rj)为纹理相似性,Sa(ri,rj)为面积相似性,Sc(ri,rj)为相交相似性。

a.从每个初始区域中得到一个一维的灰度分布直方图,该直方图共有25个区间,和分别表示第i个和第j个区域第k个区间的灰度分布直方图特征;

b.对每个初始区域,在8个方向上计算方差为1的高斯微分,每个方向用10个区间的纹理直方图来描述,和分别表示第i个和第j个区域第k个区间的纹理直方图特征;

c.其中size(ri)和size(rj)分别表示第i个和第j个区域的像素数目,size(X)表示拍摄所得图片的像素数目;

d.其中size(Aij)表示第i个和第j个区域最小外包区域的像素数目。

(4)找到相似度最大的两个区域ra,rb,s(ra,rb)=max(S);

(5)合并ra和rb,获得新的区域rt,rt=ra∪rb

(6)在集合S去掉和ra相关的相似度,S=S\s(ra,r*),在集合S去掉和rb相关的相似度,S=S\s(rb,r*);

(7)在集合R去掉ra和rb,R=R\ra,R=R\rb,加入rt R=R∪rt

(8)计算区域rt和它的相邻区域的相似度St,S=S∪St

(9)重复步骤(4)到步骤(8),直到得到待检测的区域rt,如图3。

步骤2:通过ImageNet图像集训练深度卷积神经网络,提取除最后两层以外的网络作为图像特征提取网络;

(1)构建一个10层神经网络,前六层分别是卷积层C1、池化层P1、卷积层C2、池化层P2、卷积层C3和池化层P3,第7、8、9层是全连接层FC1、FC2和FC3,输出层是个Softmax层;

(2)通过反向传播算法,通过ImageNet图像集训练步骤(1)中建立的深度卷积神经网络,直到输出层的损失函数J(θ)≤0.001,得到深度卷积神经网络CNN;

(3)提取训练后深度卷积神经网络CNN的前八层,作为图像特征提取网络f(X),得到图像的4096维的深度特征。

步骤3:提取风机叶片训练的图像深度特征,放入支持向量机进行训练学习,求解分类超平面,得到支持向量机模型M(d);

步骤4:将步骤1中获得的待检测区域,rt,输入步骤2中的到的图像特征提取网络f(X),得到待检测区域的图像特征,dt,将图像特征输入训练好的支持向量机模型中M(d),最终得到风机状态,yt。图3检测到风机故障类型为风机叶片的雷击损伤。

再多了解一些
当前第1页1 2 3 
网友询问留言 已有0条留言
  • 还没有人留言评论。精彩留言会获得点赞!
1