[发明专利]一种基于VGG-BLS的风机叶片缺陷检测方法

权利要求书

1.一种基于VGG-BLS的风机叶片缺陷检测方法，其特征在于，该方法包括以下步骤：

步骤1：拍摄风机叶片缺陷图像，并筛选出作为数据集的图像后进行数据预处理；

步骤2：将处理完毕的完整数据集输入至VGG-BLS网络模型中，利用其中的VGG-16提取特征，基于提取的特征再利用其中的BLS模型求得网络权重；

步骤3：将求得的网络权重输入VGG-16网络模型中进行网络模型训练，同时输入风机叶片缺陷数据集得到最终检测分类结果；

步骤4：通过增量学习的方法在线更新权重，并通过评价指标判断步骤3中训练完毕的网络模型性能。

2.根据权利要求1所述的一种基于VGG-BLS的风机叶片缺陷检测方法，其特征在于，所述的步骤1包括以下分步骤：

步骤101：通过无人机设备拍摄风机叶片缺陷图像，筛选出符合要求的图像作为数据集，并进一步划分为多种分类的数据集；

步骤102：将所有数据集进一步划分为训练集、测试集和验证集，通过数据增强将数据集扩充；

步骤103：采用霍夫变换对扩充后的数据集图片进行矫正，转换风机叶片位置状态，并裁剪尺寸后，得到处理完毕的完整数据集。

3.根据权利要求1所述的一种基于VGG-BLS的风机叶片缺陷检测方法，其特征在于，所述的步骤2中的VGG-BLS网络模型，其网络输出与网络的关系所对应的数学描述公式为：

Y＝[Z₁,Z₂,…,Z_n|ξ(ZⁿW_h1+β_h1),ξ(ZⁿW_h2+β_h2),…,ξ(ZⁿW_hm+β_hm)]W^m

Y＝[Z₁,Z₂,…,Z_n|H₁,H₂,…H_m]W^m

Y＝[Zⁿ|H^m]W^m

Y＝AW^m

式中，W^m为网络权重，将特征节点和增强节点记作矩阵A，Y表示期望输出，Zⁿ为特征节点，H^m为增强节点，W_hm为连接权重，β_hm为偏置。

4.根据权利要求1所述的一种基于VGG-BLS的风机叶片缺陷检测方法，其特征在于，所述的步骤2中的网络权重，其对应的描述公式为：

W^m＝[Zⁿ|H^m]⁺Y

式中，W^m为网络权重，将特征节点和增强节点记作矩阵A，Y表示期望输出，Zⁿ为特征节点，H^m为增强节点，为约束权重的系数。

5.根据权利要求1所述的一种基于VGG-BLS的风机叶片缺陷检测方法，其特征在于，所述的步骤4中通过增量学习的方法在线更新权重，其对应的描述公式为：

C＝ξ(ZⁿW_hm+1+β_hm+1)-A^mD

式中，A^m和A^m+1分别为当前及后一个网络最后输出，W^m和W^m+1分别为当前及后一个网络权重，Zⁿ为特征节点，W_hm+1为更新后的连接权重，β_hm+1为更新后的偏置。

6.根据权利要求1所述的一种基于VGG-BLS的风机叶片缺陷检测方法，其特征在于，所述的步骤4中的评价指标包括预测准确率和F1分数。