[发明专利]基于选择性搜索分割的风机叶片表面缺陷诊断方法

摘要

本发明基于选择性搜索分割的风机叶片表面缺陷诊断方法，包括以下步骤对待拍摄到的风机叶片使用选择性搜索分割获得候选区域；通过ImageNet图像集训练深度卷积神经网络，提取除输出层以外的网络作为图像特征提取器；提取风机叶片训练集的图像特征并训练支持向量机分类器；提取候选区域的图像特征，通过支持向量机分类器，判定待检测风机叶片的状态；本发明有效地减少了计算量，可以通过图片较好的识别风机叶片故障类型，可用于风电厂对于风机叶片的监测。

主权项

一种基于选择性搜索分割的风机叶片表面缺陷诊断方法，其特征在于：包括以下步骤：步骤1：通过选择性搜索分割从现场拍摄的风机叶片故障图像中获得待检测的区域；(1)通过基于图的图像分割，得到初始化的区域R＝{r1,…,rn}，n为初始化的区域个数，具体步骤如下；a.将现场拍摄的风机叶片故障图像用加权图表示，加权图由节点集V和边集E组成，表示为G＝(V,E)，节点集V＝{v1,…,vm}，m为节点个数，边集E＝{b1,…,bl}，l为边的条数；b.以非递减方式将l条边按照权值排序；c.每个节点属于一个区域，得到最初的分割区域集合R(0)；d.记第k条边连接的两个节点为vi和vj，记第k次分割的区域集合为R(k‑1)，如果R(k‑1)中vi和vj分别属于两个区域且第k条边的权重w(bk)大于两个区域内间距，则R(k)＝R(k‑1)，k＝k+1，反之，合并两个区域，在R(k‑1)中去掉这两个区域并加入新合并的区域，变成新的分割集合R(k)；e.重复步骤d,直到k＝m，得到初始化的区域R＝R(m)；(2)初始化相似度集合为空集；(3)计算相邻区域的相似度s(ri,rj)，S＝S∪s(ri,rj)；其中S(ri,rj)＝Sg(ri,rj)+St(ri,rj)+Sa(ri,rj)+Sc(ri,rj)，Sg(ri,rj)为灰度特征相似度，St(ri,rj)为纹理相似性，Sa(ri,rj)为面积相似性，Sc(ri,rj)为相交相似性；a.从每个初始区域中得到一个一维的灰度分布直方图，该直方图共有25个区间，和分别表示第i个和第j个区域第k个区间的灰度分布直方图特征；b.对每个初始区域，在8个方向上计算方差为1的高斯微分，每个方向用10个区间的纹理直方图来描述，和分别表示第i个和第j个区域第k个区间的纹理直方图特征；c.其中size(ri)和size(rj)分别表示第i个和第j个区域的像素数目，size(X)表示拍摄所得图片的像素数目；d.其中size(Aij)表示第i个和第j个区域最小外包区域的像素数目；(4)找到相似度最大的两个区域ra，rb，s(ra,rb)＝max(S)；(5)合并ra和rb，获得新的区域rt，rt＝ra∪rb；(6)在相似度集合S中去掉和ra相关的相似度，S＝S/s(ra,r*)，在相似度集合S去掉和rb相关的相似度，S＝S/s(rb,r*)；(7)在初始化的区域R中去掉ra和rb，R＝R/ra，R＝R/rb，加入rt R＝R∪rt；(8)计算区域rt和它的相邻区域的相似度St，S＝S∪St；(9)重复步骤(4)到步骤(8)，直到得到待检测的区域rt；步骤2：通过ImageNet图像集训练深度卷积神经网络，提取除最后两层以外的网络作为图像特征提取网络；(1)构建一个10层神经网络，前六层分别是卷积层C1、池化层P1、卷积层C2、池化层P2、卷积层C3和池化层P3，第7、8、9层是全连接层FC1、FC2和FC3，输出层是Softmax层；(2)通过反向传播算法，在ImageNet图像集训练步骤(1)中的深度卷积神经网络，直到输出层的损失函数J(θ)≤0.001，得到深度卷积神经网络CNN；(3)提取训练后深度卷积神经网络CNN的前八层，作为图像特征提取网络f(X)；步骤3：提取风机叶片训练的图像特征，放入支持向量机进行训练学习，求解分类超平面，得到支持向量机模型M(d)；步骤4：将步骤1中获得的待检测区域rt，输入步骤2中的到的图像特征提取网络f(X)，得到待检测区域的图像特征dt，将图像特征dt输入训练好的支持向量机模型M(d)，最终得到风机状态yt。