基于選擇性搜索分割的風機葉片表面缺陷診斷方法與流程

本發明屬于風機葉片缺陷診斷技術領域，具體涉及基于選擇性搜索的分割技術以及基于圖片的風機葉片表面缺陷診斷方法，通過風機葉片圖片來判斷風機葉片表面缺陷。

背景技術：

葉片是風力發電機組關鍵部件之一，在工作過程中受到強風負荷、沙粒沖刷、大氣氧化與潮濕空氣腐蝕等因素的影響，不可避免會出現氣孔、裂縫、磨損、腐蝕等問題，如不及時進行處理會導致葉片斷裂，嚴重威脅著機組安全運行，因此對風力發電機葉片實施狀態檢測與故障診斷研究具有重要意義。風機葉片檢測可避免葉片在運行過程中可能出現故障，降低由于突發事故產生的不必要損失及停機維護檢修帶來的發電損失，減少葉片維修維護成本，直接影響著機組的整體可靠穩定與綜合效益。

目前風機葉片的故障診斷方法主要采用人工巡檢的方式，無法滿足實時監測，及時進行故障診斷的需求，而且對于大規模風力發電場，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生，無法對表面缺陷的類型。

技術實現要素：

為了解決傳統風機葉片故障識別中的一些不足，本發明從圖像的角度提出一種基于選擇性搜索分割的風機葉片表面缺陷診斷方法，對待拍攝到的風機葉片使用選擇性搜索分割獲得候選區域；提取候選區域的圖像特征，通過支持向量機分類器，判定待檢測風機葉片的狀態。

為了達到上述目的，本發明采用的技術方案如下：

一種基于選擇性搜索分割的風機葉片表面缺陷診斷方法，包括以下步驟：

步驟1：通過選擇性搜索分割從現場拍攝的風機葉片故障圖像中獲得待檢測的區域；

(1)通過基于圖的圖像分割，得到初始化的區域r＝{r1,…,rn}，n為初始化的區域個數，具體步驟如下；

a.將現場拍攝的風機葉片故障圖像用加權圖表示，加權圖由節點集v和邊集e組成，表示為g＝(v,e)，節點集v＝{v1,…,vm}，m為節點個數，邊集e＝{b1,…,bl}，l為邊的條數；

b.以非遞減方式將l條邊按照權值排序；

c.每個節點屬于一個區域，得到最初的分割區域集合r⁽⁰⁾；

d.記第k條邊連接的兩個節點為vi和vj，記第k次分割的區域集合為r^(k-1)，如果r^(k-1)中vi和vj分別屬于兩個區域且第k條邊的權重w(bk)大于兩個區域內間距，則r^(k)＝r^(k-1)，k＝k+1，反之，合并兩個區域，在r^(k-1)中去掉這兩個區域并加入新合并的區域，變成新的分割集合r^(k)；

e.重復步驟d,直到k＝m，得到初始化的區域r＝r^(m)；

(2)初始化相似度集合為空集；

(3)計算相鄰區域的相似度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)為灰度特征相似度，st(ri,rj)為紋理相似性，sa(ri,rj)為面積相似性，sc(ri,rj)為相交相似性；

a.從每個初始區域中得到一個一維的灰度分布直方圖，該直方圖共有25個區間，和分別表示第i個和第j個區域第k個區間的灰度分布直方圖特征；

b.對每個初始區域，在8個方向上計算方差為1的高斯微分，每個方向用10個區間的紋理直方圖來描述，和分別表示第i個和第j個區域第k個區間的紋理直方圖特征；

c.其中size(ri)和size(rj)分別表示第i個和第j個區域的像素數目，size(x)表示拍攝所得圖片的像素數目；

d.其中size(aij)表示第i個和第j個區域最小外包區域的像素數目；

(4)找到相似度最大的兩個區域ra，rb，s(ra,rb)＝max(s)；

(5)合并ra和rb，獲得新的區域rt，rt＝ra∪rb；

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

(7)在初始化的區域r中去掉ra和rb，r＝r\ra，r＝r\rb，加入rtr＝r∪rt；

(8)計算區域rt和它的相鄰區域的相似度st，s＝s∪st；

(9)重復步驟(4)到步驟(8)，直到得到待檢測的區域rt；

步驟2：通過imagenet圖像集訓練深度卷積神經網絡，提取除最后兩層以外的網絡作為圖像特征提取網絡；

(1)構建一個10層神經網絡，前六層分別是卷積層c1、池化層p1、卷積層c2、池化層p2、卷積層c3和池化層p3，第7、8、9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圖像集訓練步驟(1)中的深度卷積神經網絡，直到輸出層的損失函數j(θ)≤0.001，得到深度卷積神經網絡cnn；

(3)提取訓練后深度卷積神經網絡cnn的前八層，作為圖像特征提取網絡f(x)；

步驟3：提取風機葉片訓練的圖像特征，放入支持向量機進行訓練學習，求解分類超平面，得到支持向量機模型m(d)；

步驟4：將步驟1中獲得的待檢測區域rt，輸入步驟2中的到的圖像特征提取網絡f(x)，得到待檢測區域的圖像特征dt，將圖像特征dt輸入訓練好的支持向量機模型m(d)，最終得到風機狀態yt。

和現有技術相比較，本發明具備如下優點：

第一,本發明利用選擇性分割算法從拍攝的圖像中分割出待檢測風機葉片的候選區域,大大的減小對所有存在區域進行故障診斷的計算復雜,提高了對于風機葉片故障的識別效率。

第二,本發明利用imagenet數據集來訓練深度卷積神經網絡,克服了風機葉片故障圖片數量少的困難,避免了人工設計特征,可以很好的提取風機圖片的特征,對于風機故障的識別具有較高的準確度。

附圖說明

圖1是本發明實現的流程圖。

圖2是拍攝到的風機葉片圖片。

圖3是選擇性搜索分割的區域。

具體實施方式

下面參照圖1，結合風機葉片圖像表面缺陷診斷為實例對本發明作更詳細的說明。

本發明基于選擇性搜索分割的風機葉片故障檢測方法包括以下4個步驟：

步驟1：通過選擇性搜索分割從拍攝圖片(如圖2)中獲得待檢測的區域；

(1)通過基于圖的圖像分割，得到初始化的區域r＝{r1,…,rn}，n為初始化的區域個數，具體步驟如下；

a.將現場拍攝的風機葉片故障圖像用加權圖表示，加權圖有節點集v和邊集e組成，表示為g＝(v,e)，節點集v＝{v1,…,vm}，m為節點個數，邊集e＝{b1,…,bl}，l為邊的條數；

b.以非遞減方式將l條邊按照權值排序；

c.每個節點屬于一個區域，得到最初的分割區域集合r⁽⁰⁾；

d.記第k條邊連接的兩個節點為vi和vj，記第k次分割的區域集合為r^(k-1)，如果r^(k-1)中vi和vj分別屬于兩個區域且第k條邊的權重w(bk)大于兩個區域內間距，則r^(k)＝r^(k-1)，k＝k+1，反之，合并兩個區域，在r^(k-1)中去掉這兩個區域并加入新合并的區域，變成新的分割集合r^(k)。

e.重復步驟d,直到k＝m，得到初始化的區域r＝r^(m)。

(2)初始化相似度集合為空集；

(3)計算相鄰區域的相似度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)為紋理相似性，sa(ri,rj)為面積相似性，sc(ri,rj)為相交相似性。

a.從每個初始區域中得到一個一維的灰度分布直方圖，該直方圖共有25個區間，和分別表示第i個和第j個區域第k個區間的灰度分布直方圖特征；

b.對每個初始區域，在8個方向上計算方差為1的高斯微分，每個方向用10個區間的紋理直方圖來描述，和分別表示第i個和第j個區域第k個區間的紋理直方圖特征；

c.其中size(ri)和size(rj)分別表示第i個和第j個區域的像素數目，size(x)表示拍攝所得圖片的像素數目；

d.其中size(aij)表示第i個和第j個區域最小外包區域的像素數目。

(4)找到相似度最大的兩個區域ra，rb，s(ra,rb)＝max(s)；

(5)合并ra和rb，獲得新的區域rt，rt＝ra∪rb；

(6)在集合s去掉和ra相關的相似度，s＝s\s(ra,r*)，在集合s去掉和rb相關的相似度，s＝s\s(rb,r*)；

(7)在集合r去掉ra和rb，r＝r\ra，r＝r\rb，加入rtr＝r∪rt；

(8)計算區域rt和它的相鄰區域的相似度st，s＝s∪st；

(9)重復步驟(4)到步驟(8)，直到得到待檢測的區域rt，如圖3。

步驟2：通過imagenet圖像集訓練深度卷積神經網絡，提取除最后兩層以外的網絡作為圖像特征提取網絡；

(1)構建一個10層神經網絡，前六層分別是卷積層c1、池化層p1、卷積層c2、池化層p2、卷積層c3和池化層p3，第7、8、9層是全連接層fc1、fc2和fc3，輸出層是個softmax層；

(2)通過反向傳播算法，通過imagenet圖像集訓練步驟(1)中建立的深度卷積神經網絡，直到輸出層的損失函數j(θ)≤0.001，得到深度卷積神經網絡cnn；

(3)提取訓練后深度卷積神經網絡cnn的前八層，作為圖像特征提取網絡f(x)，得到圖像的4096維的深度特征。

步驟3：提取風機葉片訓練的圖像深度特征，放入支持向量機進行訓練學習，求解分類超平面，得到支持向量機模型m(d)；

步驟4：將步驟1中獲得的待檢測區域，rt，輸入步驟2中的到的圖像特征提取網絡f(x)，得到待檢測區域的圖像特征，dt，將圖像特征輸入訓練好的支持向量機模型中m(d)，最終得到風機狀態，yt。圖3檢測到風機故障類型為風機葉片的雷擊損傷。