久久久91-久久久91精品国产一区二区-久久久91精品国产一区二区三区-久久久999国产精品-久久久999久久久精品

★長揚科技（北京）股份有限公司閆印強，趙子剛，姚興仁

關(guān)鍵詞：AI安全模型；葉片健康診斷巡檢模型；智能巡檢；計算機視覺技術(shù)；智慧風(fēng)電廠

隨著我國風(fēng)電裝機數(shù)量和容量的不斷增長，風(fēng)力發(fā)電機組正朝著大型化、高效化和智能化的方向發(fā)展。同時，風(fēng)機葉片的規(guī)模、尺寸不斷增加，使得其造價占到風(fēng)電機總成本的比例越來越高，風(fēng)機葉片的安全檢測變得尤為重要。然而，由于風(fēng)電機組的工作環(huán)境十分復(fù)雜惡劣，運行時間越長，風(fēng)機葉片出現(xiàn)變形^[1]、裂紋^[2]、鼓包、油污、砂眼^[3]和風(fēng)蝕等損傷的可能性就越高。若風(fēng)機葉片在工作過程中出現(xiàn)開裂、變形等現(xiàn)象，如不立即停機檢修而是讓機組繼續(xù)運轉(zhuǎn)，可能會引發(fā)機械故障，如葉片折斷或摔落^[4]，這種嚴(yán)重事故將給用戶帶來巨大財產(chǎn)損失。因此，檢測并發(fā)現(xiàn)葉片損傷情況的及時性尤為重要，這也一直是困擾業(yè)界的主要問題之一。

目前，風(fēng)機葉片風(fēng)險隱患監(jiān)測識別的方法和工具主要有振動^[2~5]、光纖傳感^[6]、無人機^[7]。依靠振動和傳感的檢測方法，主要缺陷是它無法精準(zhǔn)定位問題的根源，且有些領(lǐng)域無法覆蓋。通過無人機的監(jiān)測方法的主要缺陷是不能實現(xiàn)實時監(jiān)測，一方面是因為無人機飛行狀態(tài)受天氣情況影響大，另一方面這種檢測需要機組停機才能檢測，所以只能定時巡檢。

鑒于現(xiàn)有技術(shù)手段的缺陷和不足，本文提出了基于高清可見光視頻+熱成像技術(shù)的視覺AI檢測技術(shù)，通過使用深度神經(jīng)網(wǎng)絡(luò)構(gòu)建葉片健康診斷模型，對風(fēng)機葉片運行過程中出現(xiàn)的損傷進行實時檢測與識別，實現(xiàn)了對葉片生產(chǎn)過程中的健康狀態(tài)實時監(jiān)測的智能巡檢，攻克了現(xiàn)有傳統(tǒng)安全監(jiān)測方法的缺陷和不足。

1 安全巡檢現(xiàn)狀分析

目前國內(nèi)外風(fēng)機葉片的巡檢技術(shù)主要包括：傳感器檢測技術(shù)^[8]、超聲波^[9]和激光監(jiān)測技術(shù)^[10]、無人機與機器人監(jiān)測巡檢技術(shù)^[11]這3種。

1.1　傳感器檢測技術(shù)

基于傳感器的檢測技術(shù)目前主要體現(xiàn)在3個方向：聲發(fā)射傳感器檢測技術(shù)^[12、13]、光纖光柵傳感器檢測技術(shù)^[14]和SCADA傳感器檢測技術(shù)^[15]。這些技術(shù)都需要使用傳感器作為依托，部署到風(fēng)機葉片的待檢測區(qū)域，通過傳感器捕獲的轉(zhuǎn)速等信號來進行分析，從而檢測出葉片是否發(fā)生故障或者損傷。基于傳感器的檢測方法存在兩個比較明顯的檢測缺陷：一個是檢測范圍的局限性高，例如鼓包、油污、砂眼、風(fēng)蝕、著火、雷擊燒灼等現(xiàn)象通過傳感器的方式無法檢測，只能檢測到斷裂、變形等情況；另一個是無法精確定位故障發(fā)生的原因，例如葉片折斷故障，傳感器能從轉(zhuǎn)速判斷葉片出現(xiàn)了故障，但發(fā)生故障的原因不止一種，不能準(zhǔn)確地定位出是葉片折斷導(dǎo)致的。

1.2　超聲波和激光監(jiān)測技術(shù)

超聲波和激光監(jiān)測技術(shù)目前主要用于葉片內(nèi)部與較深部位的檢測。大型葉片內(nèi)部質(zhì)量問題無法顯性判斷異常缺陷的位置和大小，需要利用超聲波和激光監(jiān)測技術(shù)進行內(nèi)部探測。超聲波主要應(yīng)用于玻纖纖維層合板較厚和膠黏劑粘接的區(qū)域檢測，激光散斑干涉主要應(yīng)用于葉片夾層結(jié)構(gòu)層的檢測^[16]。在實際應(yīng)用中可通過不同設(shè)備檢測優(yōu)勢相結(jié)合的方式來實現(xiàn)葉片的整體無損檢測。該方法存在的比較明顯的不足是只能作為定時定點檢測工具停機檢測，無法在工作狀態(tài)下實時檢測。此外，目前超聲波和激光的檢測主要針對葉片的內(nèi)部進行檢測，不合適葉片外面的檢測，故有一定的局限性。

1.3　無人機與機器人監(jiān)測巡檢技術(shù)

機器人與無人機作為定期巡檢的工具，是一種通過可見光攝像機進行葉片損傷巡檢^[17、18]，實現(xiàn)可視化的故障檢測技術(shù)，相比于前2種方法有一定改進，然而不足也依然明顯，例如只能停機檢測，且只能定時巡檢，無法做到實時檢測。另外，受外界環(huán)境干擾比較大，尤其是無人機，如遇到刮風(fēng)下雨等天氣就不能按時巡檢，且巡檢過程中受到外界信號的干擾大，容易產(chǎn)生偏航等現(xiàn)象^[19]。

基于現(xiàn)有風(fēng)機葉片檢測技術(shù)的研究現(xiàn)狀，針對現(xiàn)有傳統(tǒng)檢測技術(shù)無法精確定位、需要停機檢測、無法實時檢測等問題，本文提出了基于視覺AI的檢測技術(shù)，通過使用高清視頻和熱成像設(shè)備，達到對葉片故障進行實時檢測和精準(zhǔn)定位故障的目的。

2　相關(guān)技術(shù)

基于高清視頻+熱成像的視覺AI分析技術(shù)構(gòu)建的葉片健康診斷的智能巡檢系統(tǒng)，是集多學(xué)科于一體的技術(shù)綜合性檢測方法，除涉及傳統(tǒng)較為完善的機械、電工電子、通信、自動化等技術(shù)外，更融合圖像與視頻識別、紅外成像、人工智能等前沿技術(shù)。

2.1　圖像目標(biāo)檢測與識別算法

基于圖像的目標(biāo)檢測與識別算法是構(gòu)建神經(jīng)網(wǎng)絡(luò)，對二維圖像進行特征提取和學(xué)習(xí)得到算法模型，使用模型識別圖片中是否包含特定目標(biāo)的過程。國內(nèi)外在目標(biāo)檢測識別方面的研究目前已有非常成熟的理論和成果，比如以rcnn^[20]系列為代表的two-stage方向和以YOLO^[21]系列為代表的one-stage方向，還有近年比較火熱的基于transformer^[22]在目標(biāo)檢測方面的應(yīng)用。在眾多的目標(biāo)檢測算法中，YOLO在速度和精度上的綜合表現(xiàn)優(yōu)異，深受業(yè)界從業(yè)者喜愛。為了研究成果具備普適性，本文選擇工業(yè)界目前廣泛使用的YOLO5^[23]版本模型作為目標(biāo)檢測算法。YOLO5版本的backbone主要由CBL、BottleneckCSP/C3以及SPP/SPPF等組成，其中BottleneckCSP模塊借鑒引入了ResNet^[24]的跨層和連接，可以保證網(wǎng)絡(luò)加深后不會出現(xiàn)特征消失的現(xiàn)象。

2.2　熱成像技術(shù)

紅外成像技術(shù)是一項在圖像領(lǐng)域應(yīng)用十分廣泛的成熟技術(shù)，在智能巡檢設(shè)備上安裝紅外成像攝像頭或紅外成像元器件對巡檢區(qū)域進行紅外成像，即可測量設(shè)備表面溫度。系統(tǒng)對紅外成像進行圖像去噪處理，對圖像配準(zhǔn)疊加多幅圖像后，將去噪處理后的紅外圖像回傳至數(shù)據(jù)處理中心進行處理。紅外熱成像設(shè)備通常分為制冷焦平面熱像儀和非制冷焦平面熱像儀^[25]。制冷焦平面熱成像技術(shù)，是由于早些時候焦平面探測器材料以及工藝存在缺陷，所以需要通過對成像儀制冷以提高成像精度。隨著新材料的研發(fā)和制造工藝的提升，用于紅外成像的焦平面陣列探測器不進行冷卻也可滿足成像精度要求，這就是非制冷紅外熱像儀，它的優(yōu)勢在于無需制冷、體積小、功耗低，是目前智能巡檢系統(tǒng)使用的主流產(chǎn)品。在對葉片進行監(jiān)測過程中，可采用紅外成像對葉片溫度進行檢測，在風(fēng)機塔筒上安裝紅外成像攝像頭或紅外成像元器件對葉片進行紅外成像，即可測量其表面溫度。

3　基于AI技術(shù)的葉片智能巡檢的設(shè)計研究

3.1　系統(tǒng)總體設(shè)計

系統(tǒng)總體采用“端+邊+云”的架構(gòu)。“端”側(cè)主要指安裝在風(fēng)機葉片上的視聲覺AI監(jiān)測裝置，負(fù)責(zé)采集現(xiàn)場的視頻和聲音數(shù)據(jù)；“邊”側(cè)主要是接入“端”側(cè)推送的視頻流和音頻流數(shù)據(jù)的視覺AI工程機，通過其上部署的AI模型對視頻、圖像或聲音進行智能分析，并將檢測分析結(jié)果發(fā)送到“云”側(cè)；“云”側(cè)部署葉片健康監(jiān)控預(yù)警平臺，主要是接收“邊、端”推送來的檢測分析結(jié)果，經(jīng)研判生成報警，并對報警進行閉環(huán)處理，同時對數(shù)據(jù)進行多維度、多粒度的綜合展示，用戶也可通過接口與風(fēng)機生產(chǎn)管理系統(tǒng)進行數(shù)據(jù)對接。視聲覺AI監(jiān)測裝置安裝在風(fēng)機塔筒現(xiàn)場端，視覺AI工程機（用來對采集的視頻和圖像進行AI模型計算分析）安裝在中控室端，葉片健康監(jiān)測預(yù)警平臺安裝在虛擬化的“云”側(cè)。

系統(tǒng)部署環(huán)節(jié)主要分為現(xiàn)場側(cè)部署和中控室側(cè)部署，現(xiàn)場側(cè)主要部署紅外與可見光的雙目攝像機和聲音傳感器；中控室側(cè)主要部署視覺AI工程機、虛擬化的平臺應(yīng)用服務(wù)器、視頻交換機和視頻存儲服務(wù)器，現(xiàn)場側(cè)和中控室側(cè)通過光纖進行連接和通信。

系統(tǒng)的總體業(yè)務(wù)流程是雙目攝像機獲取視頻和圖像信息后通過光纖傳輸?shù)揭曨l交換機上，然后根據(jù)監(jiān)測任務(wù)的不同，將視頻或圖像分發(fā)到對應(yīng)的視覺AI工程機上；工程機上的AI模型再對采集的視頻和圖像進行智能分析，最終把檢測分析結(jié)果傳給云端的葉片健康監(jiān)測預(yù)警平臺；預(yù)警平臺可依據(jù)分析結(jié)果進行預(yù)警、報警、決策和通知。平臺也具備模塊的配置與更新、邊緣設(shè)備和誤報庫的管理以及系統(tǒng)權(quán)限設(shè)定、組織角色配置等功能。系統(tǒng)總體架構(gòu)如圖1所示。

圖1 系統(tǒng)總體架構(gòu)圖

3.2　葉片監(jiān)測設(shè)備的布局設(shè)計

監(jiān)測葉片健康狀態(tài)的視聲覺AI監(jiān)測裝置，主要部署在風(fēng)機塔筒上機艙下面，高度以能清晰地拍攝到葉片的表面狀態(tài)為準(zhǔn)。在風(fēng)機塔筒兩側(cè)各部署一臺攝像機，分別監(jiān)測葉片的正反面損傷，一臺為雙目攝像機（紅外與可見光），另一臺為可見光攝像機。可見光攝像機主要用來識別葉片的變形、裂紋、折斷、鼓包、覆冰、油污、砂眼、風(fēng)蝕、著火、雷擊燒灼等損傷；紅外線攝像機主要用來監(jiān)測葉片上的砂眼、鼓包、裂紋等損傷。檢測部署示意圖如圖2所示。

圖2 監(jiān)測設(shè)備布局設(shè)計圖

3.3　葉片健康A(chǔ)I診斷模型的設(shè)計

葉片健康A(chǔ)I診斷模型總體設(shè)計思路是，基于深度學(xué)習(xí)圖像處理算法，結(jié)合紅外熱成像技術(shù)下呈現(xiàn)的葉片隱患損傷狀態(tài)，構(gòu)建可診斷葉片健康狀況的視覺AI模型。經(jīng)過模型訓(xùn)練、誤差調(diào)整和精度優(yōu)化等迭代過程，獲得最優(yōu)權(quán)重進行模型部署和測試。診斷模型主要分為基于可見光和紅外的2種情況。

通過高清可見光攝像機和熱成像攝像機對葉片發(fā)生變形、裂紋、折斷、鼓包、覆冰、油污、砂眼、風(fēng)蝕和雷擊燒灼等損傷的異常和正常狀態(tài)進行拍照，并進行原始圖像數(shù)據(jù)的采集，包括可見光和熱成像兩種類型的圖片樣本，所以需要分別訓(xùn)練針對圖片類型的兩種目標(biāo)檢測模型。對收集到的原始樣本進行合規(guī)性、完整性和準(zhǔn)確性等的處理，如：數(shù)據(jù)轉(zhuǎn)換、分組、篩選、排序、補全、糾錯和刪除不合規(guī)的記錄等清洗操作，以及對圖片樣本進行數(shù)據(jù)標(biāo)注和數(shù)據(jù)增強處理。數(shù)據(jù)標(biāo)注使用labelme對樣本圖片中的各種故障類型進行拉框標(biāo)注，形成coco類型的數(shù)據(jù)集；數(shù)據(jù)增強采用mixup、cutout、雙光增強等方式，能改善數(shù)據(jù)均衡、增加數(shù)據(jù)豐富性等。得到樣本集之后，通過樣本集對診斷模型進行大量運算和訓(xùn)練，在運算訓(xùn)練中依據(jù)識別的誤差，需要多次迭代訓(xùn)練，包括更換優(yōu)化器、調(diào)整迭代次數(shù)、調(diào)整anchor大小等方式，并對主要參數(shù)進行調(diào)整，包括：估計量、最小樣本分割數(shù)、學(xué)習(xí)率、損失量、最大深度、迭代次數(shù)、特征分值、閥值、類型、范圍、權(quán)重和偏置等^[26,27]。根據(jù)模型的訓(xùn)練結(jié)果，進行預(yù)測、測試和評估，如果權(quán)重精度測試結(jié)果多次不合格，就需要更新訓(xùn)練樣本集數(shù)據(jù)，直至在訓(xùn)練樣本集范圍內(nèi)達到允許的準(zhǔn)確度和精度。

AI診斷模型對葉片可見光樣本圖片損傷的檢測流程如圖3所示。

圖3 AI診斷模型對葉片可見損傷的檢測流程圖

AI診斷模型對葉片熱成像樣本圖片損傷的檢測流程如圖4所示。

圖4 AI診斷模型對葉片熱成像損傷的檢測流程圖

4　基于AI技術(shù)的葉片智能巡檢的應(yīng)用研究

風(fēng)機葉片的巡檢識別功能，是通過聯(lián)網(wǎng)的攝像機配合AI模型來進行風(fēng)機葉片狀況的實時檢測，并完成自動實時的巡檢工作。自動巡檢工作可以由在監(jiān)控區(qū)域里安裝的攝像機聯(lián)合操作來完成，具體方案是，平臺可獲取和設(shè)置每個攝像機的狀態(tài)、參數(shù)，因此平臺可以把每個攝像機作為一個巡檢點，根據(jù)巡檢任務(wù)來規(guī)劃巡檢線路和巡檢順序，配置的巡檢內(nèi)容有葉片的變形、裂紋、折斷、鼓包、覆冰、油污、砂眼、風(fēng)蝕和雷擊燒灼等，并設(shè)置好巡檢周期，可以是3分鐘至24小時內(nèi)的任何時間段，設(shè)置完成后可以在平臺上啟動巡檢任務(wù)，可在平臺上在線看到現(xiàn)場情況和收到報警信息。

4.1　基于可見光攝像機葉片智能巡檢的應(yīng)用

高清可見光攝像機主要巡檢的內(nèi)容有葉片發(fā)生的變形、裂紋、折斷、鼓包、覆冰、油污、砂眼、風(fēng)蝕和雷擊燒灼等損傷的異常情況。通過在風(fēng)機塔筒的高空可見光攝像機對葉片發(fā)生以上的異常和正常狀態(tài)進行拍照和視頻，并采用以上基于可見光的葉片健康視覺AI診斷模型的視覺AI智能視頻分析技術(shù)，可實時檢測現(xiàn)場的視頻和圖片，從中及時發(fā)現(xiàn)葉片的異常狀態(tài)，并將檢測結(jié)果和現(xiàn)場情況進行抓圖，自動上傳至上級管理用戶進行結(jié)果復(fù)核。

智能巡檢葉片損傷監(jiān)測場景實際應(yīng)用效果如圖5、圖6和圖7所示。

圖5 葉片裂紋、變形、折斷監(jiān)測點

圖6 葉片鼓包、覆冰、油污監(jiān)測點

圖7 葉片砂眼、風(fēng)蝕、雷擊燒灼監(jiān)測點

4.2　基于紅外攝像機葉片智能巡檢的應(yīng)用

紅外線攝像機是通過紅外熱成像技術(shù)，利用葉片的向光和背光和葉片各部分之間的溫度差或輻射差異形成的紅外輻射特征圖像，來發(fā)現(xiàn)和識別葉片上的砂眼、鼓包、裂紋等安全隱患現(xiàn)象^[28]。智能巡檢葉片損傷監(jiān)測場景實際應(yīng)用效果如圖8所示。

圖8 葉片砂眼、鼓包、裂紋監(jiān)測點

4.3　模型訓(xùn)練結(jié)果分析

基于風(fēng)機葉片安全生產(chǎn)需求對不同檢測功能構(gòu)建智能巡檢所需要的AI模型，并通過模型訓(xùn)練、精度評價及優(yōu)化模型等最終選擇最優(yōu)模型進行模型部署、模型測試。

其中最優(yōu)模型的分?jǐn)?shù)計算方式為：

F1_score=0.4×P+0.3×R+0.3×[email protected]

AI模型精度數(shù)據(jù)如表1、表2所示。

表1 可見光圖像模型精度評價表

表2 紅外圖像模型精度評價表

5　結(jié)束語

本文提出了一種基于可見光+熱成像的葉片健康視覺AI檢測方法，可對葉片的變形、裂紋、折斷、鼓包、覆冰、油污、砂眼、風(fēng)蝕和雷擊燒灼等安全隱患進行實時可視化地監(jiān)測探傷、及時發(fā)現(xiàn)、即刻告警、及時處置，減小了安全事故發(fā)生的概率，降低了事故發(fā)生帶來的損失。本方法為非接觸實時檢測，將AI算法應(yīng)用到實際業(yè)務(wù)中，并創(chuàng)新地將可見光和熱成像技術(shù)結(jié)合，克服了傳統(tǒng)檢測方式定期巡檢、停機檢測、無法精確定位故障原因等不足和缺陷，既為風(fēng)機葉片健康監(jiān)測提供了一種新的檢測方法和思路，又為推動AI在風(fēng)電行業(yè)的落地進程添磚加瓦，還能解決實際應(yīng)用巡檢問題，起到了降本增效的作用，具備良好的推廣價值。

作者簡介：

閆印強（1969-），男，河北石家莊人，工程師，碩士，現(xiàn)就職于長揚科技（北京）股份有限公司，主要從事工業(yè)互聯(lián)網(wǎng)安全態(tài)勢感知平臺及安全生產(chǎn)一體化管控平臺咨詢規(guī)劃與建設(shè)。

趙子剛（1973-），男，內(nèi)蒙古錫林浩特人，工程師，學(xué)士，現(xiàn)就職于長揚科技（北京）股份有限公司，主要從事大型項目的解決方案架構(gòu)設(shè)計。

姚興仁（1991-），男，貴州黔南州人，高級信息系統(tǒng)項目管理師，碩士，現(xiàn)就職于長揚科技（北京）股份有限公司，主要從事AI視覺模型開發(fā)及視覺AI產(chǎn)品落地。

參考文獻：

[1] 李丹, 吳莉莉, 姚衛(wèi)星. 風(fēng)力機GFRP葉片彎曲變形規(guī)律[J]. 風(fēng)機技術(shù), 2012, (05) : 54 - 57.

[2] 李錄平, 李芒芒, 晉風(fēng)華, 等. 振動檢測技術(shù)在風(fēng)力機葉片裂紋故障監(jiān)測中的應(yīng)用[J]. 熱能動力工程, 2013, 02.

[3] 李春雷, 王洪江, 尹常永, 等. 風(fēng)機葉片故障診斷技術(shù)的研究進展[J]. 沈陽工程學(xué)院學(xué)報(自然科學(xué)版), 2022, 18 (03) : 1 - 5, 19.

[4] 陳斌杰. 淺析風(fēng)機葉片常見故障原因及處理措施[J]. 科技創(chuàng)業(yè)家, 2012, (20) : 76.

[5] 譚滔. 基于LabVIEW的海上風(fēng)力機葉片遠程狀態(tài)監(jiān)測系統(tǒng)設(shè)計與開發(fā)[D]. 長沙: 長沙理工大學(xué), 2017.

[6] 呂安強, 魏倫. 基于光纖傳感技術(shù)的風(fēng)機葉片故障檢測技術(shù)研究進展[J]. 高壓電器, 2022, 58 (07) : 83 - 92.

[7] 茅宇琳. 基于無人機采集圖像的風(fēng)機葉片多種表面缺陷檢測研究[D]. 北京: 北京交通大學(xué), 2020.

[8] 董禮, 王千, 蘇寶定, 等. 一種風(fēng)力發(fā)電機葉片與塔筒狀態(tài)監(jiān)測系統(tǒng): 中國, CN201320490251.3[P]. 2014 - 04 - 02.

[9] 史俊虎. 風(fēng)電葉片超聲波檢測應(yīng)用綜述[J]. 應(yīng)用化工, 2015, (S1) : 106 - 111.

[10] 羊森林, 趙萍, 王鋒, 等. 大型風(fēng)電葉片缺陷及其無損檢測技術(shù)研究[J]. 東方汽輪機, 2012, (01) : 26 - 34.

[11] 張志飛. 變電站機器人智能巡檢系統(tǒng)應(yīng)用研究[D]. 北京: 華北電力大學(xué), 2015.

[12] 潘仁前, 朱永凱, 田貴云, 等. 基于聲發(fā)射傳感器陣列的風(fēng)力機葉片結(jié)構(gòu)健康監(jiān)測方法研究[C]. 2010遠東無損檢測新技術(shù)論壇論文集, 2010 : 107 - 112.

[13] 陸元明, 張乃正. 風(fēng)力機葉片裂紋在線監(jiān)測系統(tǒng)[J]. 電工技術(shù), 2017, (04).

[14] 徐萍. 風(fēng)力機葉片損傷監(jiān)測技術(shù)研究[D]. 南京航空航天大學(xué), 2016.

[15] 龐艷華. 基于SCADA數(shù)據(jù)時空特征挖掘的直驅(qū)風(fēng)電機組故障診斷[D]. 秦皇島: 燕山大學(xué), 2021.

[16] 徐陽, 劉衛(wèi)生, 喬光輝. 兆瓦級大型風(fēng)力發(fā)電機葉片的無損檢測[J]. 玻璃鋼/復(fù)合材料, 2013, (03) : 76 - 79.

[17] 仇梓峰, 王爽心, 李蒙. 基于無人機圖像的風(fēng)力發(fā)電機葉片缺陷識別[J]. 發(fā)電技術(shù), 2018, 39 (03) : 277 - 285.

[18] 鄧小文, 杜勝磊, 高慶水, 等. 一種風(fēng)力機葉片狀態(tài)監(jiān)測系統(tǒng): CN206448905U[P].

[19] 陸凡, 包洪兵, 謝振華, 等. 一種基于圖像識別的風(fēng)力機葉片巡檢無人機和巡檢方法: CN111038721A[P]. 2020.

[20] Girshick R, Donahue J, Darrell T, et al. Rich Feature Hierarchies for Accurate Object Detection and Semantic Segmentation[J]. IEEE Computer Society, 2013.

[21] Redmon J, Farhadi A. YOLOv3: An Incremental Improvement[J]. arXiv e - prints, 2018.

[22] Vaswani A, Shazeer N, Parmar N, et al. Attention Is All You Need[J]. arXiv, 2017.

[23] Zhu X, Lyu S, Wang X, et al. TPH - YOLOv5: Improved YOLOv5 Based on Transformer Prediction Head for Object Detection on Drone - captured Scenarios[J]. 2021.

[24] He K, Zhang X, Ren S, et al. Deep Residual Learning for Image Recognition[J]. IEEE, 2016.

[25] 劉小波, 楊洪波, 孫強. 非制冷焦平面紅外熱像儀光機熱分析[J]. 電光與控制, 2009, 16 (05) : 63 - 64, 77.

[26] 吳榮. 數(shù)字圖像相關(guān)算法研究及在風(fēng)力發(fā)電葉片健康診斷中的應(yīng)用[D]. 上海: 上海大學(xué), 2017.

[27] 楊永躍, 鄧善熙, 何革群. 風(fēng)力機葉片檢測中的機器視覺技術(shù)[J]. 太陽能學(xué)報, 2003, 24 (2) : 5.

[28] 肖勁松, 嚴(yán)天鵬. 風(fēng)力機葉片的紅外熱成像無損檢測的數(shù)值研究[J]. 北京工業(yè)大學(xué)學(xué)報, 2006, 32 (1) : 6.

[29] 申振騰. 風(fēng)力機葉片在線視覺監(jiān)測與故障診斷系統(tǒng)研究[D]. 天津科技大學(xué), 2018.

[30] 謝源. 風(fēng)力發(fā)電機組葉片實時狀態(tài)監(jiān)測與故障診斷系統(tǒng)及方法: CN102539438A[P].

摘自《自動化博覽》2023年5月刊