風(fēng)能作為可再生能源,已在世界范圍內(nèi)獲得了廣泛應(yīng)用。由于風(fēng)力發(fā)電機(jī)的所在環(huán)境惡劣、所受應(yīng)力強(qiáng)烈等因素,風(fēng)機(jī)的葉片表面可能產(chǎn)生裂紋、油污、砂眼等損傷,這嚴(yán)重影響了風(fēng)力發(fā)電的效率和安全性。當(dāng)前葉片表面損傷檢測(cè)方法多為人為操作,存在耗時(shí)長、效率低、主觀性強(qiáng)等缺點(diǎn)。因此,本文基于無人機(jī)采集的風(fēng)機(jī)葉片圖像,利用圖像處理、機(jī)器學(xué)習(xí)、深度學(xué)習(xí)等計(jì)算機(jī)視覺技術(shù),針對(duì)葉片損傷進(jìn)行自動(dòng)檢測(cè)算法和健康維護(hù)系統(tǒng)的研究與開發(fā)工作,主要完成以下內(nèi)容:（1）對(duì)風(fēng)力發(fā)電機(jī)葉片損傷特性及圖像處理理論進(jìn)行分析,研究了基于Halcon的圖像處理方法。對(duì)葉片圖像進(jìn)行相機(jī)標(biāo)定、快速自適應(yīng)加權(quán)中值濾波、圖像加強(qiáng)、動(dòng)態(tài)閾值分割等操作,完成了對(duì)葉片損傷圖像的處理和初步識(shí)別。（2）對(duì)20HOG、Haar-like、LBP20等特征及20CatBoost、XGBoost、AdaBoost20等分類算法進(jìn)行對(duì)比和分析,利用原始和擴(kuò)展的LBP特征集,并基于AdaBoost開發(fā)包括決策樹和支持向量機(jī)在內(nèi)的多重級(jí)聯(lián)分類器,形成了20LBP-ADA模型,對(duì)葉片損傷進(jìn)行特征提取和模型訓(xùn)練。通過對(duì)圖像的旋轉(zhuǎn)、平移、放縮、添加噪點(diǎn)、改變明暗等方式將原始圖... 

【文章來源】：北京交通大學(xué)北京市 211工程院校 教育部直屬院校

【文章頁數(shù)】：86 頁

【學(xué)位級(jí)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(shí)別方法
        1.2.2 計(jì)算機(jī)視覺及其在葉片損傷檢測(cè)中的應(yīng)用
    1.3 主要工作
    1.4 結(jié)構(gòu)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(fēng)機(jī)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(jī)標(biāo)定算法研究
        2.2.1 基于Halcon的標(biāo)定原理
        2.2.2 標(biāo)定參數(shù)確定
    2.3 損傷特征的圖像處理
        2.3.1 動(dòng)態(tài)閾值分割
        2.3.2 快速自適應(yīng)加權(quán)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(biāo)記
    2.4 小結(jié)
3 基于機(jī)器學(xué)習(xí)的葉片損傷檢測(cè)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(jī)器學(xué)習(xí)的多種分類器算法
        3.1.3 特征提取及分類器算法的對(duì)比分析
    3.2 基于機(jī)器學(xué)習(xí)的葉片損傷檢測(cè)框架
        3.2.1 擴(kuò)展的LBP特征
        3.2.2 基于AdaBoost的多重級(jí)聯(lián)分類器
    3.3 模型訓(xùn)練及分析
        3.3.1 基于原始圖像的數(shù)據(jù)擴(kuò)增
        3.3.2 訓(xùn)練環(huán)境及過程
        3.3.3 實(shí)驗(yàn)分析及對(duì)比
    3.4 小結(jié)
4 基于深度學(xué)習(xí)的微小損傷檢測(cè)算法---YSODA
    4.1 深度學(xué)習(xí)在微小目標(biāo)檢測(cè)中的應(yīng)用
    4.2 基于YOLO的目標(biāo)檢測(cè)算法
        4.2.1 YOLO網(wǎng)絡(luò)原理
        4.2.2 YOLO在小目標(biāo)檢測(cè)中的不足
    4.3 基于多尺度融合的小目標(biāo)檢測(cè)算法---YSODA
        4.3.1 YSODA的網(wǎng)絡(luò)結(jié)構(gòu)
        4.3.2 訓(xùn)練過程及參數(shù)配置
    4.4 基于YSODA的小目標(biāo)損傷檢測(cè)實(shí)驗(yàn)
        4.4.1 損傷標(biāo)注及建立葉片圖像數(shù)據(jù)庫
        4.4.2 實(shí)驗(yàn)分析及對(duì)比
    4.5 小結(jié)
5 葉片損傷檢測(cè)的系統(tǒng)化應(yīng)用
    5.1 圖像采集的規(guī)范與平臺(tái)架構(gòu)
        5.1.1 采集平臺(tái)的架構(gòu)
        5.1.2 圖像采集的規(guī)范
    5.2 系統(tǒng)功能及應(yīng)用
        5.2.1 系統(tǒng)設(shè)計(jì)流程
        5.2.2 系統(tǒng)主要功能
        5.2.3 風(fēng)場(chǎng)實(shí)際應(yīng)用
    5.3 小結(jié)
6 結(jié)論與展望
    6.1 結(jié)論
    6.2 展望
參考文獻(xiàn)
作者簡歷及攻讀碩士學(xué)位期間取得的研究成果
學(xué)位論文數(shù)據(jù)集


【參考文獻(xiàn)】：
期刊論文
[1]基于無人機(jī)圖像的風(fēng)力發(fā)電機(jī)葉片缺陷識(shí)別[J]. 仇梓峰,王爽心,李蒙.  發(fā)電技術(shù). 2018(03)
[2]多特征融合的實(shí)時(shí)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(yīng)用. 2017(06)
[3]基于顯著性檢測(cè)的風(fēng)機(jī)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(shè). 2016(02)
[4]風(fēng)力發(fā)電機(jī)組葉片故障診斷[J]. 李大冰,吉榮廷,馮文秀.  節(jié)能技術(shù). 2013(06)
[5]振動(dòng)檢測(cè)技術(shù)在風(fēng)力機(jī)葉片裂紋故障監(jiān)測(cè)中的應(yīng)用[J]. 李錄平,李芒芒,晉風(fēng)華,李海波.  熱能動(dòng)力工程. 2013(02)
[6]風(fēng)電葉片復(fù)合材料結(jié)構(gòu)缺陷無損檢測(cè)研究進(jìn)展[J]. 周偉,張洪波,馬力輝,張萬嶺.  塑料科技. 2010(12)
[7]風(fēng)力機(jī)葉片的紅外熱成像無損檢測(cè)的數(shù)值研究[J]. 肖勁松,嚴(yán)天鵬.  北京工業(yè)大學(xué)學(xué)報(bào). 2006(01)

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



本文編號(hào)：3177968