基于边缘分割的风机叶片保护膜损伤检测方法与流程

本发明属于风机叶片故障识别技术领域，具体涉及基于边缘分割技术和对话风机叶片保护膜损伤检测方法，通过风机叶片图片来判断风机叶片保护膜的状态。

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。通常在叶片前缘或1/3长度的叶尖区域贴保护膜来实现更好的保护，减小意外的发生，同时降低了叶片的维修费用。风机叶片的保护膜在风机运行中会受到损伤，出现气泡、起皱等现象，及时发现保护膜损伤并对其进行修护，可以有效的降低风机叶片损害。

目前主要采用人工巡检的方式发现风机叶片保护膜损伤，无法及时发现保护膜损伤并修护，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，无法对风机叶片保护膜是否损伤做出判断。

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边缘分割的风机叶片保护膜损伤检测方法，对待拍摄到的风机叶片灰度化后，使用基于边缘的分割获得候选区域；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保护膜是否异常。

为了达到上述目的，本发明采用的技术方案如下：

一种基于边缘分割的风机叶片保护膜损伤检测方法，包括以下步骤：

步骤1：对现场拍摄的风机叶片故障图像进行灰度处理，获取灰度图像；

步骤2：通过基于边缘的分割从灰度图像中获得待检测的区域；

(1)利用坎尼边缘检测算法计算边缘响应，得到每个边缘点p的边缘幅值mp和方向θp，获得边缘图像；

(2)标注每个边缘点，构成边缘点集合si：

a.初始化，边缘点标签i＝1，边缘点集合待搜寻的边缘点集合为空集；

b.逐行扫描，将扫描到的第一个无标签的边缘点记为该边缘点为si的第一个边缘点，k＝1，将该边缘点并入边缘点集合si，将该边缘点并入待搜寻的边缘点集合w，

c.计算待搜寻的边缘点集合w中边缘点与它的八连通区域内的边缘点梯度方向角差值，dda^(j)，j∈[1,8]，构成集合dda，梯度方向角差值之和sda＝0。

d.找到最小的边缘点梯度方向角差值，dda^(a)＝min(dda)；从dda中除去dda^(a)，dda＝dda\dda^(a)；计算梯度方向角差值之和sda＝sda+dda^(a)；

e.如果将该临近边缘点并入集合si，将该临近边缘点并入待搜寻的边缘点集合w；

f.重复步骤(d)和步骤(e)，直到即找到了该边缘点的所有临近边缘点，在待搜寻的边缘点集合w除去该边缘点，

g.重复步骤(c)至步骤(f)，直到此时获得边缘集合si，i＝i+1。

h.重复步骤(b)至步骤(g)，直到扫描完所有的边缘点，完成对每个边缘点的标注；

(3)计算边缘点集合之间的相似度a(si,sj)：

a(si,sj)＝|cos(θi-θij)cos(θj-θij)|^γ

其中，θi和θj分别为的边缘点集合si和sj的平均角度，θij为集合θi和θj平均位置的夹角，γ用来调整si和sj之间的相似度，γ＝2；如果a(si,sj)＜0.05，a(si,sj)＝0；

(4)使用长为bh，宽为bw的滑动窗口扫描整张图片，计算每个滑动窗口的得分hb,

其中，bh和bw分别依次设置为灰度图像长和宽的wb(si)是边缘点集合si的权重，当si的平均位置位于滑动窗口外，wb(si)＝0；当si完全位于滑动窗口时，wb(si)＝1；当si部分位于滑动窗口，平均位置位于滑动窗口内时，t为边缘点集合si位于滑动窗口外的个数，a(tj，tj+1)为tj和tj+1之间的相似度；

(5)选取得分高的前五个滑动窗口，b1,…,b5，对于任意两个窗口bi和bj计算重叠区域面积area(bij)，若则删除bi，若则删除bj，剩余的窗口即为待检测的候选区域；

步骤3：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8层神经网络，前六层分别是卷积层c1、池化层p1、卷积层c2和池化层p2，第5、6、7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6层，作为图像特征提取网络f(x)；

步骤4：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5：将步骤2中获得的待检测区域rt，输入步骤3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)，最终得到风机叶片保护膜的状态yt。

和现有技术相比较，本发明具备如下优点：

第一,本发明利用基于边缘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保护膜损伤的识别效率。

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,对于风机保护膜损伤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是基于边缘分割的流程图。

图4是基于边缘分割的区域。

具体实施方式

下面参照图1，结合风机叶片图像故障识别为实例对本发明作更详细的说明。

本发明基于边缘分割的风机叶片故障检测方法包括以下4个步骤：

步骤1：对现场拍摄的风机叶片故障图像进行灰度处理，获取灰度图像(如图2)；

步骤2：通过基于边缘的分割从灰度图像中获得待检测的区域；具体步骤如如图2所示。

(1)利用坎尼边缘检测算法计算边缘响应，得到每个边缘点p的边缘幅值mp和方向θp，获得边缘图像；

(2)标注每个边缘点，构成边缘点集合si：

a.初始化，边缘点标签i＝1，边缘点集合待搜寻的边缘点集合为空集；

b.逐行扫描，将扫描到的第一个无标签的边缘点记为该边缘点为si的第一个边缘点，k＝1，将该边缘点并入边缘点集合si，将该边缘点并入待搜寻的边缘点集合w，

c.计算待搜寻的边缘点集合w中边缘点与它的八连通区域内的边缘点梯度方向角差值，dda^(j)，j∈[1,8]，构成集合dda，梯度方向角差值之和sda＝0。

d.找到最小的边缘点梯度方向角差值，dda^(a)＝min(dda)；从dda中除去dda^(a)，dda＝dda\dda^(a)；计算梯度方向角差值之和sda＝sda+dda^(a)；

e.如果将该临近边缘点并入集合si，将该临近边缘点并入待搜寻的边缘点集合w；

f.重复步骤(d)和步骤(e)，直到即找到了该边缘点的所有临近边缘点，在待搜寻的边缘点集合w除去该边缘点，

g.重复步骤(c)至步骤(f)，直到此时获得边缘集合si，i＝i+1。

h.重复步骤(b)至步骤(g)，直到扫描完所有的边缘点，完成对每个边缘点的标注。

(3)计算边缘点集合之间的相似度a(si,sj)：

a(si,sj)＝|cos(θi-θij)cos(θj-θij)|^γ

其中，θi和θj分别为的边缘点集合si和sj的平均角度，θij为集合θi和θj平均位置的夹角，γ用来调整si和sj之间的相似度，γ＝2；如果γ＜0.05，a(si,sj)＝0；

(4)使用长为bh，宽为bw的滑动窗口扫描整张图片，计算每个滑动窗口的得分hb,

其中，bh和bw分别依次设置为灰度图像长和宽的wb(si)是边缘点集合si的权重，当si的平均位置位于滑动窗口外，wb(si)＝0；当si完全位于滑动窗口时，wb(si)＝1；当si部分位于滑动窗口，平均位置位于滑动窗口内时，t为边缘点集合si位于滑动窗口外的个数，a(tj，tj+1)为tj和tj+1之间的相似度；

(5)选取得分高的前五个滑动窗口，b1,…,b5，对于任意两个窗口bi和bj计算重叠区域面积area(bij)，若则删除bi，若则删除bj，剩余的窗口即为待检测的候选区域。图4即为待检测的候选区域。

步骤3：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8层神经网络，前六层分别是卷积层c1、池化层p1、卷积层c2和池化层p2，第5、6、7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6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4：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5：将步骤2中获得的待检测区域rt，输入步骤3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)，最终得到风机叶片保护膜的状态yt，为起包破损。