[发明专利]一种基于YoloV4-Lite网络的水轮机转轮叶片缺陷检测方法

说明书

本发明涉及水轮机转轮叶片的缺陷检测技术领域，具体公开了一种基于YoloV4‑Lite网络的水轮机转轮叶片缺陷检测方法，包括步骤：S1：基于YoloV4‑Lite网络构建缺陷检测网络；S2：对水轮机转轮叶片的不同缺陷处进行图片采集，得到千张以上缺陷图片；S3：对步骤S2采集的缺陷图片进行预处理(使用LabelImg软件按照Pascal VOC 2012格式处理)，得到数据集；S4：采用所述数据集对所述缺陷检测网络进行训练、测试和验证。本发明将YoloV4‑Lite的主干提取网络CSPDarkNet53网络替换为MobileNet网络，MobileNet网络是一种实时轻量型网络，可以提高检测网络速度，大幅度降低网络参数。实验结果表明，缺陷检测网络可以达到97.48％的准确率，且MobileNetV3的网络参数量只需要37.35MB，比CSPDarkNet53降低了206.94MB，FPS达到44.68，具有高准确率、低内存存储、实时性优势。

技术领域

本发明涉及水轮机转轮叶片的缺陷检测技术领域，尤其涉及一种基于YoloV4-Lite网络的水轮机转轮叶片缺陷检测方法。

背景技术

目前，水轮机转轮叶片检测所采用的方法大多是人工检测，但人工检测精度低、成本高、工作风险大。人工检查时，水轮机需要停止运行，每次人工检查需要一周左右的时间，这将带来巨大的经济损失。因此，从传统的人工检测向机器检测转变就显得尤为重要。在机器检测过程中，选择更合适的算法将决定故障检测的准确性。

为了解决样本处理过程中分布不均匀的问题，目前有方法利用MC-SMOTE算法将样本划分为不同的聚类，然后进行分类，应用于风电叶片结冰的实际工业生产问题。分类结果表明MC-SMOTE比经典SMOTE具有更高的分类性能。

目前还有基于SCADA数据的风电机组故障检测方法，该方法可以提取风电机组系统的故障特征，并将其应用于机组故障检测。结果也证明了该方法具有一定的预测检测能力。

目前还有方法通过使用LSTM网络，预测正常运行的风力发电机的时间序列数据。仿真结果表明，该方法能够快速检测出可能的水轮机系统故障。

目前还有方法将半监督学习方法应用于风力发电机组的故障检测中，采用NSGA-II方法选择特征参数，采用软标签和二进制支持向量机进行半监督故障检测。同时，该方法可以在系统崩溃之前预测系统故障，从而减少资源消耗。

目前还有方法通过采集风力发电机发出的时域信号，并将其转换成二维矩阵，形成二维图像。然后通过图像识别分析图像的纹理特征，并对这些故障进行了分类。结果表明，该方法能够对风力发电机最常见的故障进行分类检测。

目前还有方法通过迭代非线性滤波器来消除重噪声，提取弱故障振动特征。以形态分析为基础，将其应用于风力发电机叶片轴承的故障检测。结果表明，该方法优于一些常规的轴承故障诊断方法。

目前，由于水轮机尺寸较大，故障数据采集困难，目前没有学者对水轮机转轮叶片表面缺陷检测等相关内容进行研究。

发明内容

本发明提供一种基于YoloV4-Lite网络的水轮机转轮叶片缺陷检测方法，解决的技术问题在于：如何对水轮机转轮叶片的表面缺陷进行精准的机器检测。

为解决以上技术问题，本发明提供一种基于YoloV4-Lite网络的水轮机转轮叶片缺陷检测方法，包括步骤：

S1：基于YoloV4-Lite网络构建缺陷检测网络；

S2：对水轮机转轮叶片的不同缺陷处进行图片采集，得到千张以上缺陷图片；

S3：对步骤S2采集的缺陷图片进行预处理，得到数据集；

S4：采用所述数据集对所述缺陷检测网络进行训练、测试和验证。

进一步地，所述步骤S1具体为：