[發(fā)明專利]風機葉片缺陷檢測方法和裝置、存儲介質

在審

• 申請?zhí)枺?/td>: 202011074164.0
• 申請日: 2020-10-09
• 公開（公告）號: CN112330592A
• 公開（公告）日: 2021-02-05
• 發(fā)明（設計）人: 李崢嶸;劉月娥;汪紅星;駱必爭
• 申請（專利權）人: 西安星閃數創(chuàng)智能科技有限公司
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06T7/10
• 代理公司: 西安嘉思特知識產權代理事務所(普通合伙) 61230
• 代理人: 尹曉雪

1.一種風機葉片缺陷檢測方法，其特征在于，包括：

構建葉片分割網絡和葉片缺陷檢測網絡并進行網絡訓練，得到訓練后的葉片分割網絡模型和葉片缺陷檢測網絡模型；

將采集的風機葉片原始圖片輸入經訓練的葉片分割網絡模型中進行圖片分割，獲得包含葉片區(qū)域的分割圖片；

將所述包含葉片區(qū)域的分割圖片劃分為多個子圖片；

將所述多個子圖片輸入經訓練的葉片缺陷檢測網絡模型中進行葉片缺陷檢測，獲得所述多個子圖片中的缺陷信息；

根據所述多個子圖片中的缺陷信息獲得風機葉片上缺陷的類型、位置和尺寸。

2.根據權利要求1所述的風機葉片缺陷檢測方法，其特征在于，構建葉片分割網絡和葉片缺陷檢測網絡并進行網絡訓練，得到訓練后的葉片分割網絡模型和葉片缺陷檢測網絡模型，包括：

構建葉片分割網絡；

預先采集風機葉片數據并進行人工標注，生成用于葉片分割網絡的第一訓練數據集；

利用所述第一訓練數據集對所述葉片分割網絡進行訓練，得到訓練后的葉片分割網絡模型；

構建葉片缺陷檢測網絡；

預先采集風機葉片數據并進行人工缺陷數據標注，生成用于葉片缺陷檢測網絡的第二訓練數據集；

利用所述第二訓練數據集對所述葉片缺陷檢測網絡進行訓練，得到訓練后的葉片缺陷檢測網絡。

3.根據權利要求2所述的風機葉片缺陷檢測方法，其特征在于，構建葉片分割網絡，包括：

選取Mask-RCNN網絡作為所述葉片分割網絡，其中，所述Mask-RCNN網絡使用ResNet-101作為特征提取模塊，并采用在coco數據集上的預訓練模型作為預訓練模型。

4.根據權利要求2所述的風機葉片缺陷檢測方法，其特征在于，構建葉片缺陷檢測網絡，包括：

選取YOLO v3網絡作為所述葉片缺陷檢測網絡，其中，所述YOLO v3網絡使用DarkNet53作為特征提取模塊，并用步長為2的卷積操作替代池化層，同時添加殘渣單元。

5.根據權利要求1所述的風機葉片缺陷檢測方法，其特征在于，將所述包含葉片區(qū)域的分割圖片劃分為多個子圖片，包括：

將所述包含葉片區(qū)域的分割圖片劃分為多個子圖片，其中，每個子圖片均包含葉片區(qū)域，且所述多個子圖片之間存在重疊區(qū)域以使所述多個子圖片拼接后的圖片包含整個葉片區(qū)域。

6.根據權利要求1所述的風機葉片缺陷檢測方法，其特征在于，在根據所述多個子圖片中的缺陷信息獲得風機葉片上缺陷的類型、位置和尺寸，還包括：

根據缺陷的類型、位置和尺寸查看葉片缺陷分級標準，以進行缺陷的類別和等級劃分；

將葉片的分割圖片和缺陷檢測結果制作成預標注文件，以作為葉片分割網絡或葉片缺陷檢測網絡的訓練數據集。

7.一種風機葉片缺陷檢測裝置，其特征在于，用于執(zhí)行權利要求1至6中任一項的所述風機葉片缺陷檢測方法，所述裝置包括葉片區(qū)域分割模塊、圖片尺寸切割模塊、葉片缺陷檢測模塊和數據處理模塊，其中，

所述葉片區(qū)域分割模塊包括葉片分割網絡模型，用于對采集的風機葉片原始圖片進行圖片分割，獲得包含葉片區(qū)域的分割圖片；

所述圖片尺寸切割模塊用于將所述包含葉片區(qū)域的分割圖片劃分為多個子圖片；

所述葉片缺陷檢測模塊包括葉片缺陷檢測網絡模型，用于對所述多個子圖片進行葉片缺陷檢測，獲得所述多個子圖片中的缺陷信息；

所述數據處理模塊用于根據所述多個子圖片中的缺陷信息獲得風機葉片上缺陷的類型、位置和尺寸。

8.根據權利要求7所述的風機葉片缺陷檢測裝置，其特征在于，選取Mask-RCNN網絡形成葉片分割網絡模型，其中，所述Mask-RCNN網絡使用ResNet-101作為特征提取模塊，并采用在coco數據集上的預訓練模型作為預訓練模型。