[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

说明书

本发明公开了一种基于红外热成像的叶片检测方法，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。本发明提出的方案能够实现对风机叶片表面缺陷进行精确的检测、并且降低检测成本以及提高检测效率。

技术领域

本发明涉及风力发电机技术领域，尤其涉及一种基于红外热成像的叶片检测方法和装置以及设备。

背景技术

风能是一种重要的可再生能源，随着我国风能市场的扩大，风机制造业逐渐进入高速发展期。风力发电机的寿命和安全性影响着风电利用和发展的脚步，风机叶片是风力发电机的核心部件，其寿命和安全性直接影响着整个风电机组的寿命和安全状况。由于风电场运行环境比较复杂，风机叶片全天候在高空运行，长期接收风沙、污染、雷击以及台风等各种因素的影响，风机叶片容易出现缺陷并逐步扩展，若未能及时发现风机叶片缺陷，会直接影响了载荷和刚度矩阵，最终降低叶片的寿命和运行安全性。

现有中通过目视观察法(包括采用高倍望远镜、高空绕道视觉检测等方式)对风机叶片表面进行检测，该方法为非接触式检测且较为直观，但是该方法存在人力巡检的检测成本高、受人的主观影响较大，且识别率低以及检测效率低等问题。

发明内容

有鉴于此，本发明的目的在于提出一种基于红外热成像的叶片检测方法和装置以及设备，能够实现对风机叶片表面缺陷进行精确的检测、并且降低检测成本以及提高检测效率。

为实现上述目的，本发明提供一种基于红外热成像的叶片检测方法，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。

优选的，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。

优选的，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。

优选的，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。

优选的，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。

优选的，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；