[發明專利]一種基于深度學習的風力發電機葉尖定位方法及系統

在審

• 申請號: 202110050906.4
• 申請日: 2021-01-14
• 公開（公告）號: CN112700498A
• 公開（公告）日: 2021-04-23
• 發明（設計）人: 董禮;蘇寶定;成和祥;李靖;張振宇
• 申請（專利權）人: 中廣核風電有限公司
• 主分類號: G06T7/73
• 分類號: G06T7/73;G06T7/13
• 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: 劉長春

1.一種基于深度學習的風力發電機葉尖定位方法，其特征在于，包括：

構建風機結構提取網絡并進行網絡訓練，得到經訓練的風機結構提取網絡模型；

將采集的風機原始圖片輸入經訓練的風機結構提取網絡模型中進行風機結構特征提取，獲得包含葉尖區域的像素圖片；

利用所述包含葉尖區域的像素圖片建立像素坐標系并獲取葉尖在所述像素坐標系下的像素坐標；

對所述葉尖的像素坐標進行坐標轉換，獲得葉尖在地理坐標系下的坐標。

2.根據權利要求1所述的基于深度學習的風力發電機葉尖定位方法，其特征在于，構建風機結構提取網絡并進行網絡訓練，得到經訓練的風機結構提取網絡模型，包括：

構建風機結構提取網絡；

預先獲取大量風機圖片并對所述風機圖片中的葉片特征進行人工標注，生成訓練數據集；

利用所述訓練數據集對所述風機結構提取網絡進行訓練和優化，得到經訓練的風機結構提取網絡模型。

3.根據權利要求1所述的基于深度學習的風力發電機葉尖定位方法，其特征在于，所述風機結構提取網絡為Mask R-CNN網絡。

4.根據權利要求1所述的基于深度學習的風力發電機葉尖定位方法，其特征在于，利用所述包含葉尖區域的像素圖片建立像素坐標系并獲取葉尖在所述像素坐標系下的像素坐標，包括：

將所述包含葉尖區域的像素圖片的平面左下角為原點建立像素坐標系，垂直向上為縱軸，水平向右為橫軸，坐標軸單位為像素；

利用Harris角點檢測算法對包含葉尖區域的像素圖片進行葉尖定位，并獲取葉尖在所述像素坐標系下的像素坐標。

5.根據權利要求1所述的基于深度學習的風力發電機葉尖定位方法，其特征在于，對所述葉尖的像素坐標進行坐標轉換，獲得轉換為葉尖的在地理坐標系下的世界坐標坐標，包括：

將葉尖的像素坐標轉換為葉尖在相機坐標系下的坐標；

利用相機的姿態角，將葉尖在相機坐標系下的葉尖坐標轉換為在云臺坐標系下的坐標；

將葉尖在云臺坐標系中下的坐標轉換為葉尖在無人機機體坐標系下的坐標；

利用無人機機體的姿態角，將葉尖在無人機機體坐標系中下的坐標轉化為在地理坐標下的葉尖坐標，其中，

所述地理坐標系為右手坐標系，將無人機重心的位置作為原點，x軸指向正北方向，z軸指向地面方向。

6.一種基于深度學習的風力發電機葉尖定位系統，其特征在于，用于執行權利要求1至5中任一項所述的風力發電機葉尖定位方法，所述系統包括：

風機葉尖提取模塊，用于利用經訓練的風機結構提取網絡模型對采集的風機原始圖片進行風機結構特征提取，獲得包含葉尖區域的像素圖片；

像素坐標獲取模塊，用于利用所述包含葉尖區域的像素圖片建立像素坐標系并獲取葉尖在所述像素坐標系下的像素坐標；

坐標轉換模塊，用于對所述葉尖的像素坐標進行坐標轉換，獲得葉尖在地理坐標系下的坐標。

7.根據權利要求6所述的基于深度學習的風力發電機葉尖定位系統，其特征在于，還包括網絡訓練模塊，用于利用訓練數據集對所述風機結構提取網絡進行訓練和優化，得到經訓練的風機結構提取網絡模型，其中，所述訓練數據集是通過預先獲取大量風機圖片并對所述風機圖片中的葉片特征進行人工標注獲得的。

8.根據權利要求6所述的基于深度學習的風力發電機葉尖定位系統，其特征在于，所述坐標轉換模塊具體用于：

將葉尖的像素坐標轉換為葉尖在相機坐標系下的坐標；

利用相機的姿態角，將葉尖在相機坐標系下的葉尖坐標轉換為在云臺坐標系下的坐標；

將葉尖在云臺坐標系中下的坐標轉換為葉尖在無人機機體坐標系下的坐標；

利用無人機機體的姿態角，將葉尖在無人機機體坐標系中下的坐標轉化為在地理坐標下的葉尖坐標，其中，

所述地理坐標系為右手坐標系，將無人機重心的位置作為原點，x軸指向正北方向，z軸指向地面方向。

9.一種存儲介質，其特征在于，所述存儲介質中存儲有計算機程序，所述計算機程序用于執行權利要求1至5中任一項所述的風力發電機葉尖定位方法的步驟。