[發(fā)明專利]一種風(fēng)力發(fā)電機(jī)葉片缺陷分類方法及其分類系統(tǒng)

有效

• 申請(qǐng)?zhí)枺?/td>: 201810296437.2
• 申請(qǐng)日: 2018-04-04
• 公開（公告）號(hào): CN108510001B
• 公開（公告）日: 2022-06-10
• 發(fā)明（設(shè)計(jì)）人: 仇梓峰;王爽心;劉如九;李蒙;馬雨菲
• 申請(qǐng)（專利權(quán)）人: 北京交通大學(xué)
• 主分類號(hào): G06V10/774
• 分類號(hào): G06V10/774;G06V10/764
• 代理公司: 北京鴻元知識(shí)產(chǎn)權(quán)代理有限公司 11327
• 代理人: 陳英俊;王楠楠

1.一種風(fēng)力發(fā)電機(jī)葉片缺陷分類方法，其特征在于，包括以下步驟：

S101，利用在風(fēng)力發(fā)電機(jī)葉片圖像樣本數(shù)據(jù)集上進(jìn)行過訓(xùn)練的ResNet提取葉片的缺陷特征，包括：

修改ResNet的輸入層，將輸入圖像的大小調(diào)整為預(yù)設(shè)值；

利用MultiTaskLoss損失函數(shù)替換改進(jìn)ResNet最后一層Softmax函數(shù)；

利用所述風(fēng)力發(fā)電機(jī)葉片圖像樣本數(shù)據(jù)集來訓(xùn)練ResNet模型，從而得到特征提取模型，通過所述特征提取模型即可有效提取葉片的缺陷特征；

S102，利用ResNet提取的所述葉片的缺陷特征來獲得頻繁程度高的葉片缺陷類別信息；

S103，將提取的頻繁程度高的葉片缺陷類別信息用于決策樹的構(gòu)建，重復(fù)迭代直至收斂得到缺陷分類模型，并利用基于高頻取樣CatBoost方法對(duì)缺陷特征進(jìn)行分類，

用于評(píng)價(jià)模型性能優(yōu)劣的MultiTaskLoss損失函數(shù)的表達(dá)式為：

其中，L({p_i},{t_i})是多目標(biāo)損失的大小；

i為小批量樣本中目標(biāo)的順序索引值，

p_i是樣本i屬于正確分類樣本的預(yù)測(cè)概率；

p_i^*是參考標(biāo)準(zhǔn)，如果其為1，則為正樣本，如果是0，則為負(fù)樣本；

t_i表示預(yù)測(cè)邊界框的4個(gè)參數(shù)化坐標(biāo)的矢量，

t_i^*是與正樣本關(guān)聯(lián)的參考標(biāo)準(zhǔn)框；

λ是平衡參數(shù)，可給正則化系數(shù)N_cls和N_reg添加相應(yīng)的權(quán)重；

L_cls是兩個(gè)類別之間的對(duì)數(shù)分類誤差；

L_reg是回歸損失，且只可被正樣本激活，

步驟102中，利用ResNet提取的缺陷特征來獲得頻繁程度更高的葉片缺陷類別信息的具體方法為：

將需要提取特征的葉片圖像作為ResNet的輸入，經(jīng)過六層卷積層和一層全連接層計(jì)算，每層的激勵(lì)輸出為葉片圖像的特征表示；

提取Res-FC層特征激勵(lì)以獲得頻繁程度高的葉片缺陷類別信息。

2.根據(jù)權(quán)利要求1所述的風(fēng)力發(fā)電機(jī)葉片缺陷分類方法，其特征在于，將提取的頻繁程度高的葉片缺陷類別信息用于決策樹的構(gòu)建，重復(fù)迭代直至收斂，從而得到缺陷分類模型，并利用基于高頻取樣CatBoost方法對(duì)缺陷特征進(jìn)行分類包括以下步驟：

(1)基于缺陷對(duì)于目標(biāo)的區(qū)分程度計(jì)算其每列特征的缺陷頻繁程度；

缺陷頻繁程度f(k)由下式確定：

其中，表示缺陷k的所有樣本的類內(nèi)方差；

表示缺陷k的類間差異；

(2)計(jì)算基于缺陷頻繁程度計(jì)算不等概不放回取樣的概率，即缺陷被抽到的概率大小；

缺陷取樣概率P_i由下式確定：

其中，N為樣本空間的缺陷總數(shù)；

(3)初始化取樣參數(shù)：設(shè)定按樹取樣比例為P₁，按層取樣比例為P₂；

(4)抽取用于生成一棵決策樹的樣本：生成一個(gè)1到N之間的隨機(jī)整數(shù)i，生成一個(gè)1到的隨機(jī)數(shù)z；如果則選取第i個(gè)缺陷，將其放入k中，否則重復(fù)此步驟；

其中，k為生成一顆決策樹被抽到的缺陷樣本空間，為在樣本空間中移除該缺陷，調(diào)整后的取樣概率；調(diào)整后的缺陷取樣概率由下式確定：

重復(fù)抽取直到設(shè)定的抽取樣本比例P₁；

(5)在生成決策樹的每一層以k為樣本空間利用步驟(4)所述方法，抽取比例為P₂的樣本，用于此層決策樹的構(gòu)建；

(6)在構(gòu)建每棵決策樹時(shí)，重復(fù)步驟(4)、(5)的取樣過程，直到算法使總體目標(biāo)函數(shù)收斂，最后通過控制貝葉斯套袋控制強(qiáng)度及損后迭代系數(shù)等參數(shù)得到最優(yōu)的缺陷分類高頻取樣CatBoost模型，并利用基于高頻取樣CatBoost方法對(duì)其缺陷特征進(jìn)行分類。