[发明专利]一种基于视频图像分析的风电机组故障自动识别方法

权利要求书

1.一种基于视频图像分析的风电机组故障自动识别方法，其特征在于其包括如下步骤：

在风电机组头部机舱安装固定点可见光摄像机和红外摄像机，采集风电机组内部正常运行状态的全量现场图像数据，通过传输设备传输到数据中心，建立图像数据特征数据库；

对图像数据进行标注；

建立基于视频图像的风电机组故障诊断模型；

采用数据增强方法，增强风电机组故障诊断模型的鲁棒性；

训练风电机组故障诊断模型，增加对小目标的识别能力；

深度学习模型封装接口，搭建B-S结构，利用浏览器中网页对系统进行操作，调用算法接口对视频或者图片进行目标检测，完成自动识别。

2.根据权利要求1所述的一种基于视频图像分析的风电机组故障自动识别方法，其特征在于在采集风电机组的全量现场图像数据时，收集风电机组设备锈蚀、风电机组漏水、漏油情况图像，利用图像数据分别建立特征数据库。

3.根据权利要求1所述的一种基于视频图像分析的风电机组故障自动识别方法，其特征在于利用数据增强方法增强模型鲁棒性时，采用马赛克图像增强方法，将4张采集到的的不同的图片镶嵌到一张图中，混合四张具有不同语义信息的图片。

4.根据权利要求1所述的一种基于视频图像分析的风电机组故障自动识别方法，其特征在于在训练深度学习模型时，将标注好的图片以416x416的大小投入到网络中，输出3层，每层 S × S个网格，得到三张不同尺度的特征图谱，让网络同时学习到深层和浅层的特征，通过叠加浅层特征图特征到相邻通道，把26x26x512的特征图叠加13x13x256的特征图，使模型有了细粒度特征，增加对小目标的识别能力。

5.根据权利要求4所述的一种基于视频图像分析的风电机组故障自动识别方法，其特征在于得到的三张不同尺度的特征图谱分别为：

小尺度为13×13的feature map，网络接收一张416×416的图，经过5个步长为2的卷积来进行降采样416 / 2ˆ5 = 13,输出13×13×512，再经过7个卷积得到第一个特征图谱，在第一个特征图谱上做第一次预测；

中尺度为26×26的feature map，从小尺度中从后向前获得倒数第3个卷积层的输出，进行一次卷积一次x2上采样，将上采样特征26×26×256与第43个卷积特征26×26×512连接，输出26×26×728,经过7个卷积得到第二个特征图谱26×26×255，在第二个特征图谱上做第二次预测；

大尺度为52×52的feature map，从大尺度中从后向前获得倒数第3个卷积层的输出，进行一次卷积一次x2上采样，将上采样特征与第26个卷积特征连接，经过7个卷积得到第三个特征图谱得到52×52×255数据，最后在第三个特征图谱上做第三次预测输出预测图片。

6.根据权利要求1所述的一种基于视频图像分析的风电机组故障自动识别方法，其特征在于标注的方法为：

选取风电机组故障截图，利用标注工具对图片进行标注，将故障或者缺陷部位用框标注，标注信息为xml格式文件保存，内容为标注框的类型和位置信息。