[發明專利]一種基于計算機視覺的風機葉片缺陷檢測方法及設備

在審

• 申請號: 202210158476.2
• 申請日: 2022-02-21
• 公開（公告）號: CN114565571A
• 公開（公告）日: 2022-05-31
• 發明（設計）人: 邸智;萬芳;曹朔;曾誰飛;黃思皖;韋瑋;白新奎;滿鋒利;李恭斌;薛錄宏;李小翔
• 申請（專利權）人: 華能華家嶺風力發電有限公司;中國華能集團清潔能源技術研究院有限公司
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06V10/40;G06K9/62;G06N3/04;G06N3/08;G06V10/80
• 代理公司: 北京清亦華知識產權代理事務所(普通合伙) 11201
• 代理人: 黃垚琳

1.一種基于計算機視覺的風機葉片缺陷檢測方法，其特征在于，包括：

構建風機葉片缺陷檢測模型，所述風機葉片缺陷檢測模型包括基礎特征提取模塊、多尺度池化融合模塊、多尺度特征層融合模塊、特征解耦模塊和預測模塊；

獲取具有缺陷的風機葉片表面圖像并進行預處理，形成風機葉片表面缺陷圖像數據集，并將預處理后的風機葉片表面缺陷圖像數據集輸入所述風機葉片缺陷檢測模型，進行模型訓練；

將實時采集的風機葉片表面圖像輸入訓練完成的風機葉片缺陷檢測模型，通過模型輸出結果，對風機葉片表面缺陷進行檢測。

2.根據權利要求1所述的基于計算機視覺的風機葉片缺陷檢測方法，其特征在于，所述風機葉片缺陷檢測模型中，

基礎特征提取模塊為特征提取器，采用深度卷積網絡對風機葉片表面圖像進行基礎特征提取，得到不同尺寸和深度的特征層；

多尺度池化融合模塊用于對不同尺寸和深度的有效特征層進行池化融合，以提高小缺陷目標的檢測率；

多尺度特征層融合模塊用于對不同尺寸和深度的有效特征層進行特征層融合；

特征解耦模塊用于對多尺度池化融合后得到的不同尺寸的有效特征層進行解耦，以為不同的預測項提供充分的特征數據；

預測模塊用于輸出預測結果。

3.根據權利要求2所述的基于計算機視覺的風機葉片缺陷檢測方法，其特征在于，所述特征提取器的深度卷積網絡為HnNet網絡、ResNet-101網絡或ResNet-152網絡。

4.根據權利要求3所述的基于計算機視覺的風機葉片缺陷檢測方法，其特征在于，所述HnNet網絡結構的最小組件包括卷積層、BN、Mish激活函數；其中，

BN層用于實現正則化效果，能提升模型收斂速度，防止模型過擬合；Mish激活函數用于提高訓練穩定性和平均準確率。

5.根據權利要求2所述的基于計算機視覺的風機葉片缺陷檢測方法，其特征在于，所述多尺度池化融合模塊由多層池化層并聯形成，基礎特征提取模塊提取得到的特征層輸入后，經過每一池化層進行多尺度池化處理。

6.根據權利要求2所述的基于計算機視覺的風機葉片缺陷檢測方法，其特征在于，所述多尺度特征層融合模塊使用FPN和PAN網絡結構對不同尺寸特征層進行融合，提高小目標、多目標檢測率。

7.根據權利要求2所述的基于計算機視覺的風機葉片缺陷檢測方法，其特征在于，所述特征解耦模塊通過設置多層基礎卷積單元，用于對風機葉片表面圖像進行缺陷類別、缺陷位置及缺陷置信度的預測；其中，所述特征解耦模塊包括輸入端，輸入端連接第一多層基礎卷積單元和第二多層基礎卷積單元的一端，第二多層基礎卷積單元的另一端連接第三多層基礎卷積單元和第四多層基礎卷積單元。

8.一種基于計算機視覺的風機葉片缺陷檢測裝置，其特征在于，包括：

模型構建模塊，用于構建風機葉片缺陷檢測模型，所述風機葉片缺陷檢測模型包括基礎特征提取模塊、多尺度池化融合模塊、多尺度特征層融合模塊、特征解耦模塊和預測模塊；

模型訓練模塊，用于獲取具有缺陷的風機葉片表面圖像并進行預處理，形成風機葉片表面缺陷圖像數據集，并將預處理后的風機葉片表面缺陷圖像數據集輸入所述風機葉片缺陷檢測模型，進行模型訓練；

缺陷檢測模塊，用于將實時采集的風機葉片表面圖像輸入訓練完成的風機葉片缺陷檢測模型，通過模型輸出結果，對風機葉片表面缺陷進行檢測。

9.一種計算機設備，其特征在于，包括存儲器、處理器及存儲在所述存儲器上并可在所述處理器上運行的計算機程序，所述處理器執行所述計算機程序時，實現如權利要求1-7中任一所述的方法。

10.一種非臨時性計算機可讀存儲介質，其上存儲有計算機程序，其特征在于，所述計算機程序被處理器執行時實現如權利要求1-7中任一所述的方法。