[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

说明书

本发明公开了一种基于深度学习的风机叶片缺陷智能分析方法及系统，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。本发明通过与无人机采集的风机叶片图像数据库进行自动通信，对图像/视频数据中的风机叶片图像进行分析，对可能存在的缺陷进行智能识别与定位，极大提高风机叶片无人机巡检的工作效率。

技术领域

本发明属于风力发电技术领域，特别涉及一种基于深度学习的风机叶片缺陷智能分析方法及系统。

背景技术

能源已深入到现代化社会生活的方方面面，但是随着石油等不可再生能源的日益减少，能源危机越来越迫在眉睫，因此需要大力发展可再生能源。在诸多可再生能源中，风能由于其分布广泛，能量庞大，其具有巨大的应用潜力，风力发电目前也在全国诸多省市推广应用。

风机叶片直接面对风能,将风能转换为自身旋转的机械能,是风力发电过程中最重要的一步。但是风机叶片在阳光、酸雨、狂风、自振、风沙、盐雾等不利的条件下随着时间的变化而发生老化，因而出现自然开裂、沙眼、表面磨损、雷击损坏、横向裂纹等缺陷。因此，风机叶片的故障诊断对于风力发电站具有重要意义。

随着风机发电规模的不断扩大，基于无人机的巡检已经开始代替传统的人工巡检。采用无人机对风机叶片进行巡检后，仍需要对大量图像信息进行肉眼判读，工作量巨大。

因此，为了提升风机叶片缺陷的检测效率，亟需一种自动的图像识别分析方法，实现对叶片图像进行端到端的自动处理。

发明内容

针对上述问题，本发明提供了一种基于深度学习的风机叶片缺陷智能分析方法，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。

进一步地，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。

进一步地，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。

进一步地，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。

进一步地，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。

进一步地，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。