本發(fā)明屬于風(fēng)機(jī)葉片缺陷診斷技術(shù)領(lǐng)域，具體涉及基于選擇性搜索的分割技術(shù)以及基于圖片的風(fēng)機(jī)葉片表面缺陷診斷方法，通過風(fēng)機(jī)葉片圖片來判斷風(fēng)機(jī)葉片表面缺陷。

背景技術(shù)：

葉片是風(fēng)力發(fā)電機(jī)組關(guān)鍵部件之一，在工作過程中受到強(qiáng)風(fēng)負(fù)荷、沙粒沖刷、大氣氧化與潮濕空氣腐蝕等因素的影響，不可避免會(huì)出現(xiàn)氣孔、裂縫、磨損、腐蝕等問題，如不及時(shí)進(jìn)行處理會(huì)導(dǎo)致葉片斷裂，嚴(yán)重威脅著機(jī)組安全運(yùn)行，因此對(duì)風(fēng)力發(fā)電機(jī)葉片實(shí)施狀態(tài)檢測(cè)與故障診斷研究具有重要意義。風(fēng)機(jī)葉片檢測(cè)可避免葉片在運(yùn)行過程中可能出現(xiàn)故障，降低由于突發(fā)事故產(chǎn)生的不必要損失及停機(jī)維護(hù)檢修帶來的發(fā)電損失，減少葉片維修維護(hù)成本，直接影響著機(jī)組的整體可靠穩(wěn)定與綜合效益。

目前風(fēng)機(jī)葉片的故障診斷方法主要采用人工巡檢的方式，無法滿足實(shí)時(shí)監(jiān)測(cè)，及時(shí)進(jìn)行故障診斷的需求，而且對(duì)于大規(guī)模風(fēng)力發(fā)電場(chǎng)，這種巡檢方式效率低下。另外也有采用故障信號(hào)分析的方法，如時(shí)域和頻域分析方法，但其具有局部局限性，通常只能宏觀的診斷出故障是否發(fā)生，無法對(duì)表面缺陷的類型。

技術(shù)實(shí)現(xiàn)要素：

為了解決傳統(tǒng)風(fēng)機(jī)葉片故障識(shí)別中的一些不足，本發(fā)明從圖像的角度提出一種基于選擇性搜索分割的風(fēng)機(jī)葉片表面缺陷診斷方法，對(duì)待拍攝到的風(fēng)機(jī)葉片使用選擇性搜索分割獲得候選區(qū)域；提取候選區(qū)域的圖像特征，通過支持向量機(jī)分類器，判定待檢測(cè)風(fēng)機(jī)葉片的狀態(tài)。

為了達(dá)到上述目的，本發(fā)明采用的技術(shù)方案如下：

一種基于選擇性搜索分割的風(fēng)機(jī)葉片表面缺陷診斷方法，包括以下步驟：

步驟1：通過選擇性搜索分割從現(xiàn)場(chǎng)拍攝的風(fēng)機(jī)葉片故障圖像中獲得待檢測(cè)的區(qū)域；

(1)通過基于圖的圖像分割，得到初始化的區(qū)域r＝{r1,…,rn}，n為初始化的區(qū)域個(gè)數(shù)，具體步驟如下；

a.將現(xiàn)場(chǎng)拍攝的風(fēng)機(jī)葉片故障圖像用加權(quán)圖表示，加權(quán)圖由節(jié)點(diǎn)集v和邊集e組成，表示為g＝(v,e)，節(jié)點(diǎn)集v＝{v1,…,vm}，m為節(jié)點(diǎn)個(gè)數(shù)，邊集e＝{b1,…,bl}，l為邊的條數(shù)；

b.以非遞減方式將l條邊按照權(quán)值排序；

c.每個(gè)節(jié)點(diǎn)屬于一個(gè)區(qū)域，得到最初的分割區(qū)域集合r⁽⁰⁾；

d.記第k條邊連接的兩個(gè)節(jié)點(diǎn)為vi和vj，記第k次分割的區(qū)域集合為r^(k-1)，如果r^(k-1)中vi和vj分別屬于兩個(gè)區(qū)域且第k條邊的權(quán)重w(bk)大于兩個(gè)區(qū)域內(nèi)間距，則r^(k)＝r^(k-1)，k＝k+1，反之，合并兩個(gè)區(qū)域，在r^(k-1)中去掉這兩個(gè)區(qū)域并加入新合并的區(qū)域，變成新的分割集合r^(k)；

e.重復(fù)步驟d,直到k＝m，得到初始化的區(qū)域r＝r^(m)；

(2)初始化相似度集合為空集；

(3)計(jì)算相鄰區(qū)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)為灰度特征相似度，st(ri,rj)為紋理相似性，sa(ri,rj)為面積相似性，sc(ri,rj)為相交相似性；

a.從每個(gè)初始區(qū)域中得到一個(gè)一維的灰度分布直方圖，該直方圖共有25個(gè)區(qū)間，和分別表示第i個(gè)和第j個(gè)區(qū)域第k個(gè)區(qū)間的灰度分布直方圖特征；

b.對(duì)每個(gè)初始區(qū)域，在8個(gè)方向上計(jì)算方差為1的高斯微分，每個(gè)方向用10個(gè)區(qū)間的紋理直方圖來描述，和分別表示第i個(gè)和第j個(gè)區(qū)域第k個(gè)區(qū)間的紋理直方圖特征；

c.其中size(ri)和size(rj)分別表示第i個(gè)和第j個(gè)區(qū)域的像素?cái)?shù)目，size(x)表示拍攝所得圖片的像素?cái)?shù)目；

d.其中size(aij)表示第i個(gè)和第j個(gè)區(qū)域最小外包區(qū)域的像素?cái)?shù)目；

(4)找到相似度最大的兩個(gè)區(qū)域ra，rb，s(ra,rb)＝max(s)；

(5)合并ra和rb，獲得新的區(qū)域rt，rt＝ra∪rb；

(6)在相似度集合s中去掉和ra相關(guān)的相似度，s＝s\s(ra,r*)，在相似度集合s去掉和rb相關(guān)的相似度，s＝s\s(rb,r*)；

(7)在初始化的區(qū)域r中去掉ra和rb，r＝r\ra，r＝r\rb，加入rtr＝r∪rt；

(8)計(jì)算區(qū)域rt和它的相鄰區(qū)域的相似度st，s＝s∪st；

(9)重復(fù)步驟(4)到步驟(8)，直到得到待檢測(cè)的區(qū)域rt；

步驟2：通過imagenet圖像集訓(xùn)練深度卷積神經(jīng)網(wǎng)絡(luò)，提取除最后兩層以外的網(wǎng)絡(luò)作為圖像特征提取網(wǎng)絡(luò)；

(1)構(gòu)建一個(gè)10層神經(jīng)網(wǎng)絡(luò)，前六層分別是卷積層c1、池化層p1、卷積層c2、池化層p2、卷積層c3和池化層p3，第7、8、9層是全連接層fc1、fc2和fc3，輸出層是softmax層；

(2)通過反向傳播算法，通過imagenet圖像集訓(xùn)練步驟(1)中的深度卷積神經(jīng)網(wǎng)絡(luò)，直到輸出層的損失函數(shù)j(θ)≤0.001，得到深度卷積神經(jīng)網(wǎng)絡(luò)cnn；

(3)提取訓(xùn)練后深度卷積神經(jīng)網(wǎng)絡(luò)cnn的前八層，作為圖像特征提取網(wǎng)絡(luò)f(x)；

步驟3：提取風(fēng)機(jī)葉片訓(xùn)練的圖像特征，放入支持向量機(jī)進(jìn)行訓(xùn)練學(xué)習(xí)，求解分類超平面，得到支持向量機(jī)模型m(d)；

步驟4：將步驟1中獲得的待檢測(cè)區(qū)域rt，輸入步驟2中的到的圖像特征提取網(wǎng)絡(luò)f(x)，得到待檢測(cè)區(qū)域的圖像特征dt，將圖像特征dt輸入訓(xùn)練好的支持向量機(jī)模型m(d)，最終得到風(fēng)機(jī)狀態(tài)yt。

和現(xiàn)有技術(shù)相比較，本發(fā)明具備如下優(yōu)點(diǎn)：

第一,本發(fā)明利用選擇性分割算法從拍攝的圖像中分割出待檢測(cè)風(fēng)機(jī)葉片的候選區(qū)域,大大的減小對(duì)所有存在區(qū)域進(jìn)行故障診斷的計(jì)算復(fù)雜,提高了對(duì)于風(fēng)機(jī)葉片故障的識(shí)別效率。

第二,本發(fā)明利用imagenet數(shù)據(jù)集來訓(xùn)練深度卷積神經(jīng)網(wǎng)絡(luò),克服了風(fēng)機(jī)葉片故障圖片數(shù)量少的困難,避免了人工設(shè)計(jì)特征,可以很好的提取風(fēng)機(jī)圖片的特征,對(duì)于風(fēng)機(jī)故障的識(shí)別具有較高的準(zhǔn)確度。

附圖說明

圖1是本發(fā)明實(shí)現(xiàn)的流程圖。

圖2是拍攝到的風(fēng)機(jī)葉片圖片。

圖3是選擇性搜索分割的區(qū)域。

具體實(shí)施方式

下面參照?qǐng)D1，結(jié)合風(fēng)機(jī)葉片圖像表面缺陷診斷為實(shí)例對(duì)本發(fā)明作更詳細(xì)的說明。

本發(fā)明基于選擇性搜索分割的風(fēng)機(jī)葉片故障檢測(cè)方法包括以下4個(gè)步驟：

步驟1：通過選擇性搜索分割從拍攝圖片(如圖2)中獲得待檢測(cè)的區(qū)域；

(1)通過基于圖的圖像分割，得到初始化的區(qū)域r＝{r1,…,rn}，n為初始化的區(qū)域個(gè)數(shù)，具體步驟如下；

a.將現(xiàn)場(chǎng)拍攝的風(fēng)機(jī)葉片故障圖像用加權(quán)圖表示，加權(quán)圖有節(jié)點(diǎn)集v和邊集e組成，表示為g＝(v,e)，節(jié)點(diǎn)集v＝{v1,…,vm}，m為節(jié)點(diǎn)個(gè)數(shù)，邊集e＝{b1,…,bl}，l為邊的條數(shù)；

b.以非遞減方式將l條邊按照權(quán)值排序；

c.每個(gè)節(jié)點(diǎn)屬于一個(gè)區(qū)域，得到最初的分割區(qū)域集合r⁽⁰⁾；

d.記第k條邊連接的兩個(gè)節(jié)點(diǎn)為vi和vj，記第k次分割的區(qū)域集合為r^(k-1)，如果r^(k-1)中vi和vj分別屬于兩個(gè)區(qū)域且第k條邊的權(quán)重w(bk)大于兩個(gè)區(qū)域內(nèi)間距，則r^(k)＝r^(k-1)，k＝k+1，反之，合并兩個(gè)區(qū)域，在r^(k-1)中去掉這兩個(gè)區(qū)域并加入新合并的區(qū)域，變成新的分割集合r^(k)。

e.重復(fù)步驟d,直到k＝m，得到初始化的區(qū)域r＝r^(m)。

(2)初始化相似度集合為空集；

(3)計(jì)算相鄰區(qū)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)，表示sg(ri,rj)灰度特征相似度，st(ri,rj)為紋理相似性，sa(ri,rj)為面積相似性，sc(ri,rj)為相交相似性。

a.從每個(gè)初始區(qū)域中得到一個(gè)一維的灰度分布直方圖，該直方圖共有25個(gè)區(qū)間，和分別表示第i個(gè)和第j個(gè)區(qū)域第k個(gè)區(qū)間的灰度分布直方圖特征；

b.對(duì)每個(gè)初始區(qū)域，在8個(gè)方向上計(jì)算方差為1的高斯微分，每個(gè)方向用10個(gè)區(qū)間的紋理直方圖來描述，和分別表示第i個(gè)和第j個(gè)區(qū)域第k個(gè)區(qū)間的紋理直方圖特征；

c.其中size(ri)和size(rj)分別表示第i個(gè)和第j個(gè)區(qū)域的像素?cái)?shù)目，size(x)表示拍攝所得圖片的像素?cái)?shù)目；

d.其中size(aij)表示第i個(gè)和第j個(gè)區(qū)域最小外包區(qū)域的像素?cái)?shù)目。

(4)找到相似度最大的兩個(gè)區(qū)域ra，rb，s(ra,rb)＝max(s)；

(5)合并ra和rb，獲得新的區(qū)域rt，rt＝ra∪rb；

(6)在集合s去掉和ra相關(guān)的相似度，s＝s\s(ra,r*)，在集合s去掉和rb相關(guān)的相似度，s＝s\s(rb,r*)；

(7)在集合r去掉ra和rb，r＝r\ra，r＝r\rb，加入rtr＝r∪rt；

(8)計(jì)算區(qū)域rt和它的相鄰區(qū)域的相似度st，s＝s∪st；

(9)重復(fù)步驟(4)到步驟(8)，直到得到待檢測(cè)的區(qū)域rt，如圖3。

步驟2：通過imagenet圖像集訓(xùn)練深度卷積神經(jīng)網(wǎng)絡(luò)，提取除最后兩層以外的網(wǎng)絡(luò)作為圖像特征提取網(wǎng)絡(luò)；

(1)構(gòu)建一個(gè)10層神經(jīng)網(wǎng)絡(luò)，前六層分別是卷積層c1、池化層p1、卷積層c2、池化層p2、卷積層c3和池化層p3，第7、8、9層是全連接層fc1、fc2和fc3，輸出層是個(gè)softmax層；

(2)通過反向傳播算法，通過imagenet圖像集訓(xùn)練步驟(1)中建立的深度卷積神經(jīng)網(wǎng)絡(luò)，直到輸出層的損失函數(shù)j(θ)≤0.001，得到深度卷積神經(jīng)網(wǎng)絡(luò)cnn；

(3)提取訓(xùn)練后深度卷積神經(jīng)網(wǎng)絡(luò)cnn的前八層，作為圖像特征提取網(wǎng)絡(luò)f(x)，得到圖像的4096維的深度特征。

步驟3：提取風(fēng)機(jī)葉片訓(xùn)練的圖像深度特征，放入支持向量機(jī)進(jìn)行訓(xùn)練學(xué)習(xí)，求解分類超平面，得到支持向量機(jī)模型m(d)；

步驟4：將步驟1中獲得的待檢測(cè)區(qū)域，rt，輸入步驟2中的到的圖像特征提取網(wǎng)絡(luò)f(x)，得到待檢測(cè)區(qū)域的圖像特征，dt，將圖像特征輸入訓(xùn)練好的支持向量機(jī)模型中m(d)，最終得到風(fēng)機(jī)狀態(tài)，yt。圖3檢測(cè)到風(fēng)機(jī)故障類型為風(fēng)機(jī)葉片的雷擊損傷。