基于计算机视觉的风机叶片表面损伤检测研究
发布时间：2021-05-09 20:26
风能作为可再生能源,已在世界范围内获得了广泛应用。由于风力发电机的所在环境恶劣、所受应力强烈等因素,风机的叶片表面可能产生裂纹、油污、砂眼等损伤,这严重影响了风力发电的效率和安全性。当前叶片表面损伤检测方法多为人为操作,存在耗时长、效率低、主观性强等缺点。因此,本文基于无人机采集的风机叶片图像,利用图像处理、机器学习、深度学习等计算机视觉技术,针对叶片损伤进行自动检测算法和健康维护系统的研究与开发工作,主要完成以下内容:（1）对风力发电机叶片损伤特性及图像处理理论进行分析,研究了基于Halcon的图像处理方法。对叶片图像进行相机标定、快速自适应加权中值滤波、图像加强、动态阈值分割等操作,完成了对叶片损伤图像的处理和初步识别。（2）对20HOG、Haar-like、LBP20等特征及20CatBoost、XGBoost、AdaBoost20等分类算法进行对比和分析,利用原始和扩展的LBP特征集,并基于AdaBoost开发包括决策树和支持向量机在内的多重级联分类器,形成了20LBP-ADA模型,对叶片损伤进行特征提取和模型训练。通过对图像的旋转、平移、放缩、添加噪点、改变明暗等方式将原始图...
【文章来源】：北京交通大学北京市 211工程院校 教育部直属院校
【文章页数】：86 页
【学位级别】：硕士
【文章目录】：
致谢
摘要
ABSTRACT
1 绪论
1.1 课题研究背景及意义
1.1.1 课题来源
1.1.2 课题研究意义
1.2 国内外研究现状
1.2.1 常规叶片损伤识别方法
1.2.2 计算机视觉及其在叶片损伤检测中的应用
1.3 主要工作
1.4 结构安排
2 基于图像处理的叶片表面损伤分析
2.1 损伤特性及图像理论分析
2.1.1 风机叶片的损伤特性
2.1.2 损伤图像处理的理论分析
2.2 相机标定算法研究
2.2.1 基于Halcon的标定原理
2.2.2 标定参数确定
2.3 损伤特征的图像处理
2.3.1 动态阈值分割
2.3.2 快速自适应加权中值滤波
2.3.3 区域的亚像素精度处理
2.3.4 损伤轮廓提取及标记
2.4 小结
3 基于机器学习的叶片损伤检测模型
3.1 特征提取及分类器的算法研究
3.1.1 特征提取算法的分析研究
3.1.2 基于机器学习的多种分类器算法
3.1.3 特征提取及分类器算法的对比分析
3.2 基于机器学习的叶片损伤检测框架
3.2.1 扩展的LBP特征
3.2.2 基于AdaBoost的多重级联分类器
3.3 模型训练及分析
3.3.1 基于原始图像的数据扩增
3.3.2 训练环境及过程
3.3.3 实验分析及对比
3.4 小结
4 基于深度学习的微小损伤检测算法---YSODA
4.1 深度学习在微小目标检测中的应用
4.2 基于YOLO的目标检测算法
4.2.1 YOLO网络原理
4.2.2 YOLO在小目标检测中的不足
4.3 基于多尺度融合的小目标检测算法---YSODA
4.3.1 YSODA的网络结构
4.3.2 训练过程及参数配置
4.4 基于YSODA的小目标损伤检测实验
4.4.1 损伤标注及建立叶片图像数据库
4.4.2 实验分析及对比
4.5 小结
5 叶片损伤检测的系统化应用
5.1 图像采集的规范与平台架构
5.1.1 采集平台的架构
5.1.2 图像采集的规范
5.2 系统功能及应用
5.2.1 系统设计流程
5.2.2 系统主要功能
5.2.3 风场实际应用
5.3 小结
6 结论与展望
6.1 结论
6.2 展望
参考文献
作者简历及攻读硕士学位期间取得的研究成果
学位论文数据集
【参考文献】：
期刊论文
[1]基于无人机图像的风力发电机叶片缺陷识别[J]. 仇梓峰,王爽心,李蒙. 发电技术. 2018(03)
[2]多特征融合的实时人手跟踪算法（英文）[J]. 李逢,桑农,王洪智,颜轶,高常鑫,刘乐元. 控制理论与应用. 2017(06)
[3]基于显著性检测的风机叶片裂纹提取研究[J]. 翟永杰,张木柳,乔弘,王迪. 南方能源建设. 2016(02)
[4]风力发电机组叶片故障诊断[J]. 李大冰,吉荣廷,冯文秀. 节能技术. 2013(06)
[5]振动检测技术在风力机叶片裂纹故障监测中的应用[J]. 李录平,李芒芒,晋风华,李海波. 热能动力工程. 2013(02)
[6]风电叶片复合材料结构缺陷无损检测研究进展[J]. 周伟,张洪波,马力辉,张万岭. 塑料科技. 2010(12)
[7]风力机叶片的红外热成像无损检测的数值研究[J]. 肖劲松,严天鹏. 北京工业大学学报. 2006(01)
硕士论文
[1]基于机器视觉的风力发电机叶片表面缺陷检测研究[D]. 张建斐.兰州理工大学 2018
[2]风力发电机叶片表面缺陷检测的研究[D]. 徐灵鑫.中国计量学院 2015
[3]基于计算机视觉的风力机叶片缺陷诊断研究[D]. 张磊.华中科技大学 2013
[4]基于声发射技术的风电叶片裂纹无线监测系统研究[D]. 韩敬宇.北京化工大学 2010
[5]基于声发射和小波分析的大型风力机叶片材料损伤识别研究[D]. 赵新光.沈阳工业大学 2009
本文编号：3177968
【文章来源】：北京交通大学北京市 211工程院校 教育部直属院校
【文章页数】：86 页
【学位级别】：硕士
【文章目录】：
致谢
摘要
ABSTRACT
1 绪论
1.1 课题研究背景及意义
1.1.1 课题来源
1.1.2 课题研究意义
1.2 国内外研究现状
1.2.1 常规叶片损伤识别方法
1.2.2 计算机视觉及其在叶片损伤检测中的应用
1.3 主要工作
1.4 结构安排
2 基于图像处理的叶片表面损伤分析
2.1 损伤特性及图像理论分析
2.1.1 风机叶片的损伤特性
2.1.2 损伤图像处理的理论分析
2.2 相机标定算法研究
2.2.1 基于Halcon的标定原理
2.2.2 标定参数确定
2.3 损伤特征的图像处理
2.3.1 动态阈值分割
2.3.2 快速自适应加权中值滤波
2.3.3 区域的亚像素精度处理
2.3.4 损伤轮廓提取及标记
2.4 小结
3 基于机器学习的叶片损伤检测模型
3.1 特征提取及分类器的算法研究
3.1.1 特征提取算法的分析研究
3.1.2 基于机器学习的多种分类器算法
3.1.3 特征提取及分类器算法的对比分析
3.2 基于机器学习的叶片损伤检测框架
3.2.1 扩展的LBP特征
3.2.2 基于AdaBoost的多重级联分类器
3.3 模型训练及分析
3.3.1 基于原始图像的数据扩增
3.3.2 训练环境及过程
3.3.3 实验分析及对比
3.4 小结
4 基于深度学习的微小损伤检测算法---YSODA
4.1 深度学习在微小目标检测中的应用
4.2 基于YOLO的目标检测算法
4.2.1 YOLO网络原理
4.2.2 YOLO在小目标检测中的不足
4.3 基于多尺度融合的小目标检测算法---YSODA
4.3.1 YSODA的网络结构
4.3.2 训练过程及参数配置
4.4 基于YSODA的小目标损伤检测实验
4.4.1 损伤标注及建立叶片图像数据库
4.4.2 实验分析及对比
4.5 小结
5 叶片损伤检测的系统化应用
5.1 图像采集的规范与平台架构
5.1.1 采集平台的架构
5.1.2 图像采集的规范
5.2 系统功能及应用
5.2.1 系统设计流程
5.2.2 系统主要功能
5.2.3 风场实际应用
5.3 小结
6 结论与展望
6.1 结论
6.2 展望
参考文献
作者简历及攻读硕士学位期间取得的研究成果
学位论文数据集
【参考文献】：
期刊论文
[1]基于无人机图像的风力发电机叶片缺陷识别[J]. 仇梓峰,王爽心,李蒙. 发电技术. 2018(03)
[2]多特征融合的实时人手跟踪算法（英文）[J]. 李逢,桑农,王洪智,颜轶,高常鑫,刘乐元. 控制理论与应用. 2017(06)
[3]基于显著性检测的风机叶片裂纹提取研究[J]. 翟永杰,张木柳,乔弘,王迪. 南方能源建设. 2016(02)
[4]风力发电机组叶片故障诊断[J]. 李大冰,吉荣廷,冯文秀. 节能技术. 2013(06)
[5]振动检测技术在风力机叶片裂纹故障监测中的应用[J]. 李录平,李芒芒,晋风华,李海波. 热能动力工程. 2013(02)
[6]风电叶片复合材料结构缺陷无损检测研究进展[J]. 周伟,张洪波,马力辉,张万岭. 塑料科技. 2010(12)
[7]风力机叶片的红外热成像无损检测的数值研究[J]. 肖劲松,严天鹏. 北京工业大学学报. 2006(01)
硕士论文
[1]基于机器视觉的风力发电机叶片表面缺陷检测研究[D]. 张建斐.兰州理工大学 2018
[2]风力发电机叶片表面缺陷检测的研究[D]. 徐灵鑫.中国计量学院 2015
[3]基于计算机视觉的风力机叶片缺陷诊断研究[D]. 张磊.华中科技大学 2013
[4]基于声发射技术的风电叶片裂纹无线监测系统研究[D]. 韩敬宇.北京化工大学 2010
[5]基于声发射和小波分析的大型风力机叶片材料损伤识别研究[D]. 赵新光.沈阳工业大学 2009
本文编号：3177968
本文链接：https://www.wllwen.com/kejilunwen/dianlidianqilunwen/3177968.html
