[发明专利]一种基于深度学习的风机叶片缺陷智能分析方法及系统

权利要求书

1.一种基于深度学习的风机叶片缺陷智能分析方法，其特征在于，所述方法包括：

数据中心处理器对初始训练数据进行训练，得到第一叶片分析模型；

将第一叶片分析模型压缩后同步到巡检工作终端；

巡检工作终端获取叶片图像数据，并将叶片图像数据传给第一叶片分析模型；

第一叶片分析模型对叶片图像数据进行分析，给出分析结果。

2.根据权利要求1所述的基于深度学习的风机叶片缺陷智能分析方法，其特征在于，所述方法还包括：

巡检工作终端获取叶片图像数据，并将叶片图像数据新增到数据中心处理器；

当新增到数据中心处理器的叶片图像数据达到设定值，数据中心处理器对新增的叶片图像数据进行训练，得到第二叶片分析模型；

将第二叶片分析模型压缩后同步到巡检工作终端，对第一叶片分析模型进行升级。

3.根据权利要求2所述的基于深度学习的风机叶片缺陷智能分析方法，其特征在于，所述将叶片图像数据传给第一叶片分析模型与所述将叶片图像数据新增到数据中心处理器同步进行。

4.根据权利要求2所述的基于深度学习的风机叶片缺陷智能分析方法，其特征在于，所述数据中心处理器对新增的叶片图像数据进行训练，包括：

从新增的叶片图像数据中选取叶片图像数据样本，并对叶片图像数据样本进行标注；

基于神经网络，利用已标注的叶片图像数据样本训练第二叶片分析模型。

5.根据权利要求2所述的基于深度学习的风机叶片缺陷智能分析方法，其特征在于，所述第一叶片分析模型和第二叶片分析模型均包括叶片切分网络模型和缺陷分析网络模型。

6.根据权利要求1-5任一项所述的基于深度学习的风机叶片缺陷智能分析方法，其特征在于，所述第一叶片分析模型对叶片图像数据进行分析，包括：

将叶片图像数据进行压缩后，发送给叶片切分网络模型；

叶片切分网络模型将叶片图像中的背景分离，将分离背景后的叶片图像放大，并发送给缺陷分析网络模型；

缺陷分析网络模型对放大后的叶片图像进行分析，筛选出存在缺陷的叶片图像，并对存在缺陷的叶片图像进行标注和标记识别置信度。

7.根据权利要求6所述的基于深度学习的风机叶片缺陷智能分析方法，其特征在于，所述对存在缺陷的叶片图像进行标注包括：

标注叶片图像的缺陷位置、缺陷类别和缺陷级别。

8.根据权利要求1所述的基于深度学习的风机叶片缺陷智能分析方法，其特征在于，所述分析结果以表文件的形式存储于设定文件中。

9.一种基于深度学习的风机叶片缺陷智能分析系统，其特征在于，所述系统包括数据中心处理器和巡检工作终端，其中：

数据中心处理器，用于包括：

对初始训练数据进行训练，得到第一叶片分析模型，将第一叶片分析模型压缩后同步到巡检工作终端；

对叶片图像数据进行训练，得到第二叶片分析模型，将第二叶片分析模型压缩后同步到巡检工作终端，对第一叶片分析模型进行升级；

巡检工作终端，用于获取叶片图像数据，并对叶片图像数据进行分析和将叶片图像数据新增到数据中心处理器。

10.根据权利要求9所述的基于深度学习的风机叶片缺陷智能分析系统，其特征在于，所述巡检工作终端还用于存储叶片图像数据的分析结果。