[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

说明书

本发明涉及一种基于视频图像分析的风电机组故障自动识别方法，包括如下步骤：采集风电机组内部正常运行状态的全量现场图像数据，建立图像数据特征数据库；对故障截图进行标注；建立基于视频图像的风电机组故障诊断模型，增强模型的鲁棒性；训练模型，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；本发明通过在风电机组重点部分安装固定点摄像设备，采集图像数据，为风电场厂区建立正常、异常风电机组设备特征数据库，然后利用故障诊断模型实现风电机组缺陷自动陈端预警示范系统，达到自动识别、判定风电机组各类缺陷的目的。

技术领域

本发明涉及一种基于视频图像分析的风电机组故障自动识别方法。

背景技术

风电场规模日益扩大，风电场需要更加高效的管理。风电场存在着占地面积大，风电机组离地高度高等现有状况，对风电机组的故障诊断以及检修提出了严峻的挑战。

传统的风电场管理水平落后，自动化水平较低，计算机辅助系统落后，主要依靠设备异常报警发现设备故障，缺少预警的能力。风电机组设备的巡检依靠工作人员现场检测，但由于工作人员技术水平的差异、技术装备的落后，导致检测工作时间较长、工作效率较低，容易出现误检、漏检、错检等问题。

当前风电机组监控图像利用效率低，主要用于事故发生后原因追查，未使用到故障识别诊断中。

发明内容

本发明所要解决的技术问题是提供一种基于视频图像分析的风电机组故障自动识别方法，可以自动识别、判定风电机组缺陷。

本发明所采用的技术方案是：

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；

对故障截图进行标注；

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。

进一步的，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。

进一步的，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。

进一步的，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。

进一步的，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；