基于机器视觉的风机叶片缺陷检测

针对风机叶片缺陷难以检测的问题,提出一种基于机器视觉的风机叶片缺陷检测方法.首先,使用非局部均值方法去除图像中的背景噪声,同时平滑缺陷边缘;其次,使用自适应对比度增强方法进行图像增强,提升图像的整体质量;然后使用双阈值 OTSU 大津法分割增强后的图像,提取得到缺陷区域;最后,使用 Canny算子和形态学 变换对缺陷区域进行边缘检测,得到缺陷区域定位.试验结果表明,该算法具有一定的有效性和准确性.     

基于改进EfficientDet的药丸检测算法

针对药剂师在药丸分拣过程中因疲劳而出错的问题,本文提出了一种基于改进EfficientDet的药丸检测算法。首先,引入Mosaic数据增强技术来提高采样数据的复杂度;然后,对主干网络EfficientNet进行改进优化,嵌入了CBMA模块的特征融合层,通过增强学习特征提高对药丸关键特征的提取能力;最后,对BiFPN特征融合部分增加了下层到上层的跨级数据流,通过充分利用多级数据,提高了不同层次的多尺度特征融合效率。实验表明,改进后的EfficientDet算法在测试中mAP值达到99.84%,相比较原始EfficientDet算法提高了0.65%,同时也比YOLOv3,YOLOv4和YOLOv4-Tiny等性能较好的目标检测网络具有更高的准确率和更好的实际应用性。     

基于风机叶片缺陷的超声波检测方法分析

作为风力发电机的关键部件,叶片质量至关重要,目前风机叶片缺陷检测主要采用无损检测方法,如超声波、红外热波、声发射波及X射线检测,针对叶片深层缺陷、裂纹和分层等缺陷难以有效检出等问题,结合风机叶片典型结构和常见缺陷,通过设置叶片试件不同位置、不同类型的人工缺陷,采用超声波对人工缺陷进行检测,检测试验结果表明,超声波检测方...     

基于改进EfficientNet的海上风机叶片早期缺陷检测及分类

针对海上风机叶片小尺寸缺陷检测准确率低、分类效果较差的问题,提出一种基于EfficientNet的改进海上风机叶片表面早期缺陷检测模型.首先,在EfficientNet特征提取网络中引入非对称卷积替换普通3×3卷积,增强了卷积核骨架信息,提高网络提取缺陷信息的能力;其次提出一种混合空间通道注意力模块聚焦空间和通道信息,结合BiFPN特征融合模块对不同深度的语义信息进行特征融合,提升算法多尺度特征融合能力;最后引入Focal-EIOU和Focal Loss损失函数计算位置损失和分类损失,提高定位精度,解决模型训练过程中正、负图像样本的比例失衡的问题.实验结果表明,本文所提算法模型平均精度均值为97.6％,对风机叶片表面早期缺陷的检测性能有明显提升.     

基于EfficientDet网络的输电线路故障检测

为保障电力系统的安全运行,需要对输电线路进行全方位的智能监测和实时预警.针对电力行业缺少公开图像数据样本、故障特征不明显、小目标难以检测的问题,提出了一种基于EfficientDet网络的输电线路故障检测方法.首先,采集并仿真多场景下的输电线路异物悬挂、导线散股断股两类故障,整理形成故障数据集.考虑到故障样本中存在诸多...     

基于深度学习的风机叶片边缘检测

利用传统视觉算法提取叶片边缘易受地平线或非目标风机的干扰对提取结果造成误差。针对这一问题,提出一种基于显著性及改进双向级联网络的检测算法,该算法可排除地平线及背景影响,获取完整边缘信息。其中,显著性检测网络模拟人的注意机制,提取视场重要信息,将目标风机与背景分离;改进双向级联网络在原有结构新增尺度选择模块,优化不同层之间特征共享,精确检测不同尺度的边缘,完整获取目标轮廓。利用某风电场无人机采集的实验数据,对识别性能评估得出该方法具有足够的精度,可在不同环境中准确识别叶片轮廓。     

基于SSD算法优化的风机叶片缺陷检测研究与应用

风机叶片在运行过程中,由于环境和高速旋转等原因会产生各种缺陷,这些缺陷直接影响风机发电量,严重者甚至导致叶片产生不可逆的损伤,带来巨大的经济损失。针对风机叶片的缺陷识别和检测,采用优化后的SSD(单步多框目标检测)算法,该算法从采集的缺陷样本中自主学习叶片缺陷特征,实现风机叶片缺陷的自动检测、定位和分类。最终在测试数据集上达成mAP(平均精度均值)为82.1%,召回率为90.3%。该算法已应用于企业级项目中,实践证明深度学习算法在企业级项目中具有很好的鲁棒性和商业价值。     

无人机在风机叶片检测中的应用

介绍了无人机的分类及特点,分析了风机叶片的故障种类、检测方式及无人机应用于叶片检测的特点等,最后通过实例说明无人机在风机叶片检测中具有操作简单、维修方便、效率高等优点。     

基于卷积神经网络的风机叶片损伤检测

作为捕获风能的关键部件,风机叶片受制造及运行载荷影响,可能存在不同程度的损伤,这会直接影响风机运行可靠性。为防止风机叶片持续损伤发生质量安全事故,需要开发1种快速简便且非植入安装式的检测方法来识别风机叶片的损伤情况。根据叶片损伤和叶片运行噪声间存在的物理相关性,提出了一种基于声学信号和卷积神经网络（convolutional neural network,CNN）的风机叶片损伤检测方法,将时序声学信号转换成二维频谱图片,结合健康频谱图生成残差频谱图,并通过训练卷积神经网络来识别风机叶片是否存在损伤。分析结果表明：该算法消除了叶轮旋转产生的固有叶片扫风声音对损伤识别的影响,提高了识别精度;以某地风机的实测数据为例进行算法分析,结果表明该算法的分类精度达到了96.9%,验证了基于卷积神经网络的检测方法的有效性和精确性。     

基于光纤传感技术的风机叶片故障检测技术研究进展

叶片是风电机组的重要组成部分,承担着捕获风能的重要功能,一旦损伤必然导致风机停机,对其进行状态监测十分必要。对风机叶片的监测主要采用无损检测技术,传统方法大都基于电子测量原理,具有抗电磁干扰能力差、无法实现分布式测量等缺点。文中在对比传统无损检测技术灵敏度、效率、抗干扰能力等指标的基础上,重点分析和研究了光纤传感技术用于风机叶片监测的现状。从测量原理、传感器结构、应用实施方法、监测效果等方面,分析了FBG、BOTDA、OFDR以及干涉型光纤传感技术的研究进展,最后重点分析了光纤形状传感技术在风机叶片监测中的应用研究现状、存在的问题及未来发展趋势。     

基于四摄像头的全景目标检测系统

目前基于图像的检测系统多以单摄像头为主,但是单幅图像的视野有限,往往存在检测盲区,为此,设计了一种基于四摄像头的全景目标检测系统.首先搭建了由3B+树莓派、摄像头、LCD液晶屏、移动电源联合组成的系统硬件,基于QT设计了可进行检测结果显示与参数设置的用户交互软件界面;系统通过四部摄像头实现对周边360°场景进行取景,然后对采集到的图像进行预处理与拼接,最后通过基于EfficientDet深度学习模型检测器进行目标检测与结果显示.实验结果表明,该系统可便携移动,能实现360°全景取景与目标检测功能且目标检测准确率达94%以上.     

基于关键点的遥感图像旋转目标检测

高分辨率的遥感图像与普通图像相比,遥感图像目标具有方向多样性和尺度变化较大等特点.针对遥感图像目标检测问题,提出一种R-CenterNet遥感图像目标检测算法.首先,对CenterNet网络重新设计,在网络结构中加入旋转因子为检测框提供角度信息;其次,增加网络深度,提高网络检测性能;最后,为聚合不同区域的信息,进一步提...     

电力人工智能技术理论基础与发展展望(一): 假设分析与应用范式

随着无人机、巡检机器人和远程监控系统在输电、变电、配电、安监等电力场景中的广泛应用,利用电力视觉技术完成对海量巡检图像的自动处理,能够进一步提升电力系统智能化运维水平,对我国源网荷储一体化进程的快速推进具有至关重要的作用。随着通用视觉大模型的兴起,电力视觉技术正处于从传统深度学习时代向大模型时代跨越的重要节点。该文首先综述了电力视觉技术和通用视觉大模型的最新研究进展,结合视觉大模型在多种公共场景的应用先例,探讨视觉大模型在电力视觉领域将面临的3重能力边界问题。从初步探索通用视觉大模型的潜力,到逐步构建电力视觉大模型的过程,提出4种模型应用范式以突破视觉大模型能力边界。最后分析了视觉大模型对电力视觉研究者的影响,并对大模型浪潮下电力视觉技术的发展方向进行了展望。

     

样本重采样小目标检测算法的改进

在小目标检测领域中,很多算法以增加模型的复杂度为代价提高了精度,但是带来了较大的计算负担和设备要求.针对模型中复杂度和检测精度之间的矛盾,提出了一种改进的图像金字塔上样本重采样策略算法.该算法只需计算少量的样本数据,并且引入少量参数的轻量化注意力机制模块.实验在COCO数据集上进行了训练和测试,重采样策略mAP值为40...     

基于多尺度小波变换和时频图的微波源故障检测

针对目前大功率微波加热系统的微波源队列只有工作与否的二值检测,为了提高其队列运行的经济性和可靠性,在线实时检测微波源队列的运行状态及变化非常必要.提出一种基于多尺度小波变换和时频图的微波源故障检测方法.首先,根据电场强度的变化情况判断微波源队列是否发生故障.其次计算出残差信号,并根据残差在多尺度下的变化情况完成检测.最...     

基于AKAZE和PROSAC的风机叶片裂纹图像拼接方法

为获得完整且高分辨率的风机叶片裂纹图像,利用图像拼接技术将多张高分辨率图像拼接成一副完整的图像.针对风机叶片裂纹图像特征检测困难、匹配率低和拼接质量差的问题,提出一种基于AKAZE算法和PROSAC算法的图像拼接方法.首先,该方法利用AKAZE算法检测图像特征点,并生成二进制的特征点描述符;然后,将汉明距离作为相似度测量对特征点进行暴力匹配,在此基础上采用PROSAC算法优化特征匹配结果,并计算图像变换矩阵;最后,使用渐入渐出融合算法消除拼接痕迹,获得完整的叶片裂纹图像.试验结果表明,本文方法能够检测出数量丰富的特征点,匹配正确率在95％以上,拼接精度约为0.7个像素,并且拼接速度较SIFT方法提升了 17％.AKAZE+PROSAC方法可以更好地满足高分辨率风机叶片裂纹图像拼接的需求.     

基于级联网络的散乱堆叠物体分割算法

提出了一种针对处理散乱堆叠物体的改进方法.在YOLOv5模型中采用了加权双向特征金字塔网络(BiFPN)替代路径聚合网络(PANet),结合Gfocal损失函数,使得漏检和误检问题得到有效改善,平均精度均值(mAP)mAP@0.5达到了90.1%.利用 Mask R-CNN进行目标物体分割,使用轻量化的 Mobilenetv3替代ResNet101主干网络以减少参数量,同时借用CFNet思想加强特征融合机制,使得分割精度提高至92.1%.通过级联改进后的YOLOv5和改进后的 Mask R-CNN,算法在实时性和精确性上得到了平衡,在有效感兴趣区域(region of interest,ROI)中提取准确的物体形状信息.与单独使用实例分割算法相比,检测速度提升了1 s.实验证明所提出的算法不仅提高了推理速度,还提高了分割精度,解决了复杂堆叠场景下物体特征提取效果差且检测速度慢的问题.     

结合数据增强和改进YOLOv4的水下目标检测算法

针对水下低质量成像、水下目标形态大小各异、以及水下目标重叠或遮挡导致水下目标检测精度低的问题,提出一种结合数据增强和改进YOLOv4(you look only once)的水下目标检测算法,在YOLOv4的主干特征提取网络CSPDarknet53中添加卷积块注意力机制(convolutional block attention module, CBAM),以提高网络模型特征提取能力;在路径聚合网络(path aggregation network, PANet)中添加同层跳接和跨层跳接结构,以增强网络模型多尺度特征融合能力;通过数据增强方法PredMix(prediction-mix)模拟水下生物重叠、遮挡等显示不完全的情形,以增强网络模型鲁棒性。实验结果表明,结合数据增强和改进YOLOv4的水下目标检测算法在URPC2018(underwater robot picking control 2018)数据集上的检测精度提升到了78.39%,比YOLOv4高出7.03%,充分证明所提算法的有效性。