風能作為可再生能源,已在世界范圍內(nèi)獲得了廣泛應用。由于風力發(fā)電機的所在環(huán)境惡劣、所受應力強烈等因素,風機的葉片表面可能產(chǎn)生裂紋、油污、砂眼等損傷,這嚴重影響了風力發(fā)電的效率和安全性。當前葉片表面損傷檢測方法多為人為操作,存在耗時長、效率低、主觀性強等缺點。因此,本文基于無人機采集的風機葉片圖像,利用圖像處理、機器學習、深度學習等計算機視覺技術,針對葉片損傷進行自動檢測算法和健康維護系統(tǒng)的研究與開發(fā)工作,主要完成以下內(nèi)容:（1）對風力發(fā)電機葉片損傷特性及圖像處理理論進行分析,研究了基于Halcon的圖像處理方法。對葉片圖像進行相機標定、快速自適應加權中值濾波、圖像加強、動態(tài)閾值分割等操作,完成了對葉片損傷圖像的處理和初步識別。（2）對20HOG、Haar-like、LBP20等特征及20CatBoost、XGBoost、AdaBoost20等分類算法進行對比和分析,利用原始和擴展的LBP特征集,并基于AdaBoost開發(fā)包括決策樹和支持向量機在內(nèi)的多重級聯(lián)分類器,形成了20LBP-ADA模型,對葉片損傷進行特征提取和模型訓練。通過對圖像的旋轉(zhuǎn)、平移、放縮、添加噪點、改變明暗等方式將原始圖... 

【文章來源】：北京交通大學北京市 211工程院校 教育部直屬院校

【文章頁數(shù)】：86 頁

【學位級別】：碩士

【文章目錄】：
致謝
摘要
ABSTRACT
1 緒論
    1.1 課題研究背景及意義
        1.1.1 課題來源
        1.1.2 課題研究意義
    1.2 國內(nèi)外研究現(xiàn)狀
        1.2.1 常規(guī)葉片損傷識別方法
        1.2.2 計算機視覺及其在葉片損傷檢測中的應用
    1.3 主要工作
    1.4 結構安排
2 基于圖像處理的葉片表面損傷分析
    2.1 損傷特性及圖像理論分析
        2.1.1 風機葉片的損傷特性
        2.1.2 損傷圖像處理的理論分析
    2.2 相機標定算法研究
        2.2.1 基于Halcon的標定原理
        2.2.2 標定參數(shù)確定
    2.3 損傷特征的圖像處理
        2.3.1 動態(tài)閾值分割
        2.3.2 快速自適應加權中值濾波
        2.3.3 區(qū)域的亞像素精度處理
        2.3.4 損傷輪廓提取及標記
    2.4 小結
3 基于機器學習的葉片損傷檢測模型
    3.1 特征提取及分類器的算法研究
        3.1.1 特征提取算法的分析研究
        3.1.2 基于機器學習的多種分類器算法
        3.1.3 特征提取及分類器算法的對比分析
    3.2 基于機器學習的葉片損傷檢測框架
        3.2.1 擴展的LBP特征
        3.2.2 基于AdaBoost的多重級聯(lián)分類器
    3.3 模型訓練及分析
        3.3.1 基于原始圖像的數(shù)據(jù)擴增
        3.3.2 訓練環(huán)境及過程
        3.3.3 實驗分析及對比
    3.4 小結
4 基于深度學習的微小損傷檢測算法---YSODA
    4.1 深度學習在微小目標檢測中的應用
    4.2 基于YOLO的目標檢測算法
        4.2.1 YOLO網(wǎng)絡原理
        4.2.2 YOLO在小目標檢測中的不足
    4.3 基于多尺度融合的小目標檢測算法---YSODA
        4.3.1 YSODA的網(wǎng)絡結構
        4.3.2 訓練過程及參數(shù)配置
    4.4 基于YSODA的小目標損傷檢測實驗
        4.4.1 損傷標注及建立葉片圖像數(shù)據(jù)庫
        4.4.2 實驗分析及對比
    4.5 小結
5 葉片損傷檢測的系統(tǒng)化應用
    5.1 圖像采集的規(guī)范與平臺架構
        5.1.1 采集平臺的架構
        5.1.2 圖像采集的規(guī)范
    5.2 系統(tǒng)功能及應用
        5.2.1 系統(tǒng)設計流程
        5.2.2 系統(tǒng)主要功能
        5.2.3 風場實際應用
    5.3 小結
6 結論與展望
    6.1 結論
    6.2 展望
參考文獻
作者簡歷及攻讀碩士學位期間取得的研究成果
學位論文數(shù)據(jù)集


【參考文獻】：
期刊論文
[1]基于無人機圖像的風力發(fā)電機葉片缺陷識別[J]. 仇梓峰,王爽心,李蒙.  發(fā)電技術. 2018(03)
[2]多特征融合的實時人手跟蹤算法（英文）[J]. 李逢,桑農(nóng),王洪智,顏軼,高常鑫,劉樂元.  控制理論與應用. 2017(06)
[3]基于顯著性檢測的風機葉片裂紋提取研究[J]. 翟永杰,張木柳,喬弘,王迪.  南方能源建設. 2016(02)
[4]風力發(fā)電機組葉片故障診斷[J]. 李大冰,吉榮廷,馮文秀.  節(jié)能技術. 2013(06)
[5]振動檢測技術在風力機葉片裂紋故障監(jiān)測中的應用[J]. 李錄平,李芒芒,晉風華,李海波.  熱能動力工程. 2013(02)
[6]風電葉片復合材料結構缺陷無損檢測研究進展[J]. 周偉,張洪波,馬力輝,張萬嶺.  塑料科技. 2010(12)
[7]風力機葉片的紅外熱成像無損檢測的數(shù)值研究[J]. 肖勁松,嚴天鵬.  北京工業(yè)大學學報. 2006(01)

碩士論文
[1]基于機器視覺的風力發(fā)電機葉片表面缺陷檢測研究[D]. 張建斐.蘭州理工大學 2018
[2]風力發(fā)電機葉片表面缺陷檢測的研究[D]. 徐靈鑫.中國計量學院 2015
[3]基于計算機視覺的風力機葉片缺陷診斷研究[D]. 張磊.華中科技大學 2013
[4]基于聲發(fā)射技術的風電葉片裂紋無線監(jiān)測系統(tǒng)研究[D]. 韓敬宇.北京化工大學 2010
[5]基于聲發(fā)射和小波分析的大型風力機葉片材料損傷識別研究[D]. 趙新光.沈陽工業(yè)大學 2009



本文編號：3177968