[发明专利]一种基于VGG-BLS的风机叶片缺陷检测方法

说明书

本发明涉及一种基于VGG‑BLS的风机叶片缺陷检测方法，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。与现有技术相比，本发明具有：1.成本更低，只需获取缺陷图像，通过计算机仿真即可检测缺陷类别；2.准确率有一定的提升；3.检测效率有大幅度的提升等优点。

技术领域

本发明涉及一种风力发电机叶片缺陷检测方法，尤其是涉及一种基于VGG-BLS的风机叶片缺陷检测方法。

背景技术

目前，风机叶片的检测已经有大量研究，比较传统的叶片缺陷检测的主要方法有目视检测技术，X射线检测技术、超声波热成像检测技术等。也有大量研究者通过处理各种安装在风机表面的传感器所发出的信号来完成故障检测任务，常见的有动传感器、声发射传感器(AESs)、多维传感器监测网络等。

近年来，机器学习的发展也推动了信号处理的发展，并逐渐衍生出了logit-boost、决策树(DT)、支持向量机(SVM)等信号处理方法。通过处理叶片的缺陷信号来判断缺陷类别。

由于风机叶片的大部分故障是肉眼可见的，因此风机叶片的缺陷检测可以看作是计算机视觉领域的一个图像分类问题。随着深度学习的发展，研究者们将风机叶片缺陷图像输入到卷积网络中，由计算机来完成叶片缺陷的识别工作，但这方面的工作相对较少。

在现有这些技术中，传统的叶片缺陷检测方法存在着传感器安装困难，技术成本高，并且极容易受到环境影响等问题。通过信号处理的方法诊断出的叶片缺陷类型有限，并且这种检测方法也比较繁琐。通过深度卷积网络检测叶片缺陷时，常会因为网络中参数和权重太多，导致反向传播过程中计算量太复杂，影响检测的效率，并且检测精度有待提高。

发明内容

本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于VGG-BLS的风机叶片缺陷检测方法，旨在提高风机叶片缺陷检测的效率和精度。

本发明的目的可以通过以下技术方案来实现：

一种基于VGG-BLS的风机叶片缺陷检测方法，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。

进一步地，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。

进一步地，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：