[发明专利]一种风力发电机组叶片视频监测中的抽帧方法

说明书

本发明涉及一种风力发电机组叶片视频监测中的抽帧方法，以解决现有的基于视频分析的叶片监测方法处理视频数据量大，实时智能分析、故障诊断对硬件资源、带宽要求较高，进而导致使用成本较高的问题。该方法的流程为：首先搭建并训练基于深度学习的分类网络模型，再通过训练好的叶片帧抽取模型抽取包含叶片的视频帧，最后通过位置优先策略和置信度筛选策略，在保证每台风力发电机的每个叶片能够被均匀抽到且所抽取的叶片位置有利于后续叶片裂纹、结冰等异常状况检测的前提下，抽取出最终指定数目的视频帧。

技术领域

本发明涉及一种风力发电机组叶片视频监测中的抽帧方法。

背景技术

风能是一种清洁无公害的可再生绿色能源，近年来，风电开发建设发展迅速，并网风电装机容量连创新高。叶片作为风力发电机组的重要组件，造价高且更换成本不菲，其一旦出现裂纹、结冰等情况，易引起故障停机，甚至导致叶片报废，对叶片进行监测是及时发现安全隐患最为有效的方法。

基于视频分析的叶片监测方法因直观、有效，而被风电厂家广泛应用。但处理视频数据量大，实时智能分析、故障诊断对硬件资源、带宽要求较高，进而导致使用成本较高，对其在风电场的低成本部署提出挑战。因此研究低复杂度、快速、准确、有效的视频抽帧方法，为风电场叶片智能视频监测系统的低成本部署提供技术支撑，具有重要的现实意义。

发明内容

为解决现有的基于视频分析的叶片监测方法处理视频数据量大，实时智能分析、故障诊断对硬件资源、带宽要求较高，进而导致使用成本较高的问题，而提供一种风力发电机组叶片视频监测中的抽帧方法。

为达到上述目的，本发明所采用的技术方案是：

一种风力发电机组叶片视频监测中的抽帧方法，其特殊之处在于：通过深度学习算法抽取包含叶片的视频帧，再通过位置优先策略和置信度筛选策略，抽取出最终指定数目的视频帧；具体包括以下步骤：

1)搭建基于深度学习的图片分类网络模型

选用网络模型ResNet18或SqueezeNet，对ResNet18网络特征图的深度进行裁剪，或者对SqueezeNet网络特征图的深度进行裁剪，并去除SqueezeNet网络的部分“FireModule”块；

2)模型训练

采集叶片视频并整理成视频帧数据集，使用整理好的视频帧数据集对搭建的网络模型进行训练，得到基于深度学习的叶片帧抽取模型；

3)获取指定数目的包含叶片帧

3.1)记风力发电机叶片数目为N，每个叶片对应一个Id；

3.2)采集叶片视频，对视频中的叶片从0开始编号，每个叶片从进入画面到离开画面一次计数加1，记编号为n，则通过式(1)可得到每个编号与实际叶片的对应关系：

Id＝n％N   (1)；

3.3)通过叶片帧抽取模型对视频中包含叶片的帧进行抽取，将编号为n的叶片从进入画面到离开画面所抽取到的帧数记为m，并对抽取到的视频帧从0开始编号，由此每段视频经过叶片帧抽取模型抽取后得到式(2)所示的抽取帧信息列表：

[…，[n,[conf₀,conf₁,…,conf_m],[pic₀,pic₁,…,pic_m]],…]   (2)；

其中，conf为一帧图片判定为包含叶片或不包含叶片的置信度值，pic为该帧图片临时存放的完整路径信息；

3.4)由式(2)中的列表信息，经过位置优先策略和置信度筛选策略，并根据路径pic对抽取帧进行汇总，删除无用帧，得到最终指定数目topN的包含叶片帧。