一种基于机器视觉的风机叶片缺陷自诊断定位方法.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN111852792A(43)申请公布日2020.10.30(21)申请号202010945749.9(22)申请日2020.09.10(71)申请人东华理工大学地址330013江西省南昌市广兰大道418号(72)发明人范芳蕾余宏涛黄伟莉张克义郝世查(74)专利代理机构南昌丰择知识产权代理事务所(普通合伙)36137代理人张荣(51)Int.Cl.F03D17/00(2016.01)权利要求书1页说明书5页附图2页(54)发明名称一种基于机器视觉的风机叶片缺陷自诊断定位方法(57)摘要本发明公开一种基于机器视觉的风机叶片缺陷自诊断定位方法，具体面向风力发电机表面裂纹、麻面、点蚀、折断等缺陷的快速诊断、分类及定位。该方法通过CMOS摄像机、光源、控制盒及自动传输平台构成的机器视觉系统获取风机叶片各种缺陷样本数据集；采用中值滤波去除图像中的大部分噪声同时较为完整地保留了边缘细节信息；使用阈值分割和Blob分割法相结合，最大限度地减少图像处理复杂度，提高效率，快速剔除背景并标记缺陷位置；收集缺陷特征样本，依据样本特性创建基于颗粒特征向量的分类器，并对样本集合利用支持向量机进行决策分类，得到准确度较高的分类器。将各缺陷叶片图像作为输入，得以实现快速准确地叶片缺陷定位及分类。CN111852792ACN111852792A权利要求书1/1页1.一种基于机器视觉的风机叶片缺陷自诊断定位方法，其特征是该方法包括如下步骤：步骤1：通过视觉传感器获取风机叶片各种缺陷样本图像集，对样本图像人工分类，为后续判断分类器的正确率提供依据；步骤2：对步骤1采集到的图像样本数据集中的缺陷特征及噪声进行分析，采用中值滤波，在很好地保留了目标边缘特征的同时去除图像中大部分噪声；步骤3：根据步骤2获得的去噪后的图像样本集，采用阈值法将样本集中图像的目标区域完整的分割出来，然后运用Blob分割算法度量图像中连通区域的形心、边界盒、面积等属性来对物体的检测区域进行分析和处理，并标记缺陷位置；步骤4：根据步骤3获得的缺陷特征样本集，依据样本特性创建基于颗粒特征向量的分类器，采用支持向量机对样本集合进行训练，得到准确度较高的分类器；步骤5：将不同缺陷类别图像作为输入，可以快速准确地实现风机叶片的缺陷分类及定位。2.如权利要求1所述的一种基于机器视觉的风机叶片缺陷自诊断定位方法，其特征是步骤3的具体步骤为：步骤3.1：首先根据滤波后样本集直方图设置灰度值阈值，采用阈值分割法分离图像前景和背景，获得二值图像；步骤3.2：对步骤3.1获得的二值图像采用形态学方法，进行闭运算消除小的孤立噪声的同时获得叶片表面缺陷连通区域；步骤3.3：根据骤3.2获得图像目标像素，统计出目标图像中满足叶片缺陷条件的Blob数目，并对图像中每个Blob进行标记；步骤3.4：Blob信息提取，采用Blob线处理方法获取连通区域的几何特征，即连通区域的线段边界点、最小外接矩形及形心位置，最后计算获得风机缺陷位置坐标。3.如权利要求1所述的一种基于机器视觉的风机叶片缺陷自诊断定位方法，其特征是步骤4的具体步骤为：步骤4.1：对由步骤3获得的图像缺陷样本，分别取它们的面积特征、圆度因子、细长度特征以及孔洞数作为目标特征，计算样本集的各特征参数；步骤4.2：基于步骤4.1获得的样本集各特征参数的非线性特性，选用非线性内核函数，将各特征参数数据映射到高维空间中使样本数据变成线性；步骤4.3：求解特性空间中的最优分类函数，得到最优分类模型；步骤4.4：选用叶片缺陷训练样本集，经步骤3特征提取后，输入SVM分类器，依据分类结果测试分类器的可靠性。2CN111852792A说明书1/5页一种基于机器视觉的风机叶片缺陷自诊断定位方法技术领域[0001]本发明涉及的是一种风机叶片自诊断方法，具体是一种基于机器视觉的风机叶片多种缺陷自诊断定位方法。背景技术[0002]我国近年对风能大力开发，风机容量占比迅速提升，减少向大气排放的温室气体约15万吨。然而，在风机的运行中，维护的成本占据能源成本的10％-20％，风机叶片一直处于恶劣的自然环境中，容易使得叶片产生缺陷导致机组运行失效或安全事故，对叶片的缺陷进行监测能够及时发现并排除存在危险，减少运维成本。当前解决这个问题的方法主要有：1.声发生法：当叶片在运行时产生裂纹、折断等缺陷时，对其进行敲击，其返回的声信号将发生改变，但由于环境噪音较大，对叶片状态分析造成很大影响。叶片敲击在实验室中容易完成，但实际运行过程中难以实现。2.应力监测：通过在叶片上布置检测光纤，叶片在运转时发生的振动及形变都会使得光纤内部的光信号传输发生微小的变化，通过分析传输的信号的变化，对叶片进行监测。光纤监测的敏感度高，但是成