[发明专利]一种基于红外热成像的叶片检测方法和装置以及设备

权利要求书

1.一种基于红外热成像的叶片检测方法，其特征在于，所述方法包括：

获取风机叶片表面的热成像图像；

对所述热成像图像进行处理后，得到第一图像集；

采用梯度下降算法计算所述第一图像集的缺陷特征，得到多变量线性回归特征模型；

根据所述变量线性回归特征模型对待检测图像进行检测，从而获取风机叶片的缺陷信息。

2.根据权利要求1所述的一种基于红外热成像的叶片检测方法，其特征在于，所述对所述图像进行处理后，得到第一图像集的步骤包括：

对所述图像通过均值滤波器去噪后，进行灰度化处理，得到灰度图像集；

对所述灰度图像集进行特征缩放至预设范围，得到第一图像集。

3.根据权利要求2所述的一种基于红外热成像的叶片检测方法，其特征在于，所述进行灰度化处理的步骤包括：

通过加权平均法对所述图像进行灰度化处理。

4.根据权利要求3所述的一种基于红外热成像的叶片检测方法，其特征在于，所述通过加权平均法对所述图像进行灰度化处理的步骤包括：

根据f(i，j)＝0.30R(i，j)+0.59G(i，j)+0.11B(i，j)将RGB三个分量以不同的权值进行加权平均计算，其中，i表示第i行，j表示第j列。

5.根据权利要求2所述的一种基于红外热成像的叶片检测方法，其特征在于，所述对所述灰度图像集进行特征缩放至预设范围的步骤包括：

根据将所述灰度图像集进行特征缩放至预设范围。

6.根据权利要求1所述的一种基于红外热成像的叶片检测方法，其特征在于，所述采用梯度下降算法计算所述第一图像集的缺陷特征，得到多变量线性回归特征模型的步骤包括如下步骤：

根据条件概率：h_θ(x)＝P(y＝1|x；Θ)得到概率P，以确定风机叶片的缺陷类型分类，进一步包括：

根据逻辑回归：其中，z＝Θ^TX，从而确定h_θ(x)；

根据逻辑回归的梯度下降：以及，

根据加入正则化项的梯度下降：从而确定θ；

其中，在上述公式中h(x)表示关于x的函数h，g(z)表示关于z的函数g，e、P、x、T表示数学运算符号，θ表示权重，α、λ表示超参数，m表示样本数量，Labels表示样本标签真实值，i表示第i行，j表示第j列。

7.一种基于红外热成像的叶片检测装置，其特征在于，所述装置包括：

获取单元，用于获取风机叶片表面的热成像图像；

处理单元，用于对所述热成像图像进行处理后，得到第一图像集；

计算单元，用于采用梯度下降算法计算所述第一图像集的缺陷特征，得到多变量线性回归特征模型；

检测单元，用于根据所述变量线性回归特征模型对待检测图像进行检测，从而获取风机叶片的缺陷信息。

8.根据权利要求7所述的一种基于红外热成像的叶片检测装置，其特征在于，所述处理单元，进一步包括：

第一处理单元，用于对所述图像通过均值滤波器去噪后，进行灰度化处理，得到灰度图像集；

第二处理单元，用于对所述灰度图像集进行特征缩放至预设范围，得到第一图像集。

9.根据权利要求7所述的一种基于红外热成像的叶片检测装置，其特征在于，所述计算单元，具体包括：

根据条件概率：h_θ(x)＝P(y＝1|x；Θ)得到概率P，以确定风机叶片的缺陷类型分类，进一步包括：

根据逻辑回归：其中，z＝Θ^TX，从而确定h_θ(x)；

根据逻辑回归的梯度下降：以及.

根据加入正则化项的梯度下降：从而确定θ；

其中，在上述公式中h(x)表示关于x的函数h，g(z)表示关于z的函数g，e、P、x、T表示数学运算符号，θ表示权重，α、λ表示超参数，m表示样本数量，Labels表示样本标签真实值，i表示第i行，j表示第j列。

10.一种基于红外热成像的叶片检测设备，其特征在于，包括处理器、存储器以及存储在所述存储器内的计算机程序，所述计算机程序能够被所述处理器执行以实现如权利要求1至6任意一项所述的一种基于红外热成像的叶片检测方法。