一种基于计算机视觉的风机叶片缺陷检测方法及设备与流程

技术特征：
1.一种基于计算机视觉的风机叶片缺陷检测方法，其特征在于，包括：构建风机叶片缺陷检测模型，所述风机叶片缺陷检测模型包括基础特征提取模块、多尺度池化融合模块、多尺度特征层融合模块、特征解耦模块和预测模块；获取具有缺陷的风机叶片表面图像并进行预处理，形成风机叶片表面缺陷图像数据集，并将预处理后的风机叶片表面缺陷图像数据集输入所述风机叶片缺陷检测模型，进行模型训练；将实时采集的风机叶片表面图像输入训练完成的风机叶片缺陷检测模型，通过模型输出结果，对风机叶片表面缺陷进行检测。2.根据权利要求1所述的基于计算机视觉的风机叶片缺陷检测方法，其特征在于，所述风机叶片缺陷检测模型中，基础特征提取模块为特征提取器，采用深度卷积网络对风机叶片表面图像进行基础特征提取，得到不同尺寸和深度的特征层；多尺度池化融合模块用于对不同尺寸和深度的有效特征层进行池化融合，以提高小缺陷目标的检测率；多尺度特征层融合模块用于对不同尺寸和深度的有效特征层进行特征层融合；特征解耦模块用于对多尺度池化融合后得到的不同尺寸的有效特征层进行解耦，以为不同的预测项提供充分的特征数据；预测模块用于输出预测结果。3.根据权利要求2所述的基于计算机视觉的风机叶片缺陷检测方法，其特征在于，所述特征提取器的深度卷积网络为hnnet网络、resnet-101网络或resnet-152网络。4.根据权利要求3所述的基于计算机视觉的风机叶片缺陷检测方法，其特征在于，所述hnnet网络结构的最小组件包括卷积层、bn、mish激活函数；其中，bn层用于实现正则化效果，能提升模型收敛速度，防止模型过拟合；mish激活函数用于提高训练稳定性和平均准确率。5.根据权利要求2所述的基于计算机视觉的风机叶片缺陷检测方法，其特征在于，所述多尺度池化融合模块由多层池化层并联形成，基础特征提取模块提取得到的特征层输入后，经过每一池化层进行多尺度池化处理。6.根据权利要求2所述的基于计算机视觉的风机叶片缺陷检测方法，其特征在于，所述多尺度特征层融合模块使用fpn和pan网络结构对不同尺寸特征层进行融合，提高小目标、多目标检测率。7.根据权利要求2所述的基于计算机视觉的风机叶片缺陷检测方法，其特征在于，所述特征解耦模块通过设置多层基础卷积单元，用于对风机叶片表面图像进行缺陷类别、缺陷位置及缺陷置信度的预测；其中，所述特征解耦模块包括输入端，输入端连接第一多层基础卷积单元和第二多层基础卷积单元的一端，第二多层基础卷积单元的另一端连接第三多层基础卷积单元和第四多层基础卷积单元。8.一种基于计算机视觉的风机叶片缺陷检测装置，其特征在于，包括：模型构建模块，用于构建风机叶片缺陷检测模型，所述风机叶片缺陷检测模型包括基础特征提取模块、多尺度池化融合模块、多尺度特征层融合模块、特征解耦模块和预测模块；
模型训练模块，用于获取具有缺陷的风机叶片表面图像并进行预处理，形成风机叶片表面缺陷图像数据集，并将预处理后的风机叶片表面缺陷图像数据集输入所述风机叶片缺陷检测模型，进行模型训练；缺陷检测模块，用于将实时采集的风机叶片表面图像输入训练完成的风机叶片缺陷检测模型，通过模型输出结果，对风机叶片表面缺陷进行检测。9.一种计算机设备，其特征在于，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时，实现如权利要求1-7中任一所述的方法。10.一种非临时性计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1-7中任一所述的方法。

技术总结
本发明提出一种基于计算机视觉的风机叶片缺陷检测方法及设备，该方法通过构建包括基于HnNet网络的基础特征提取模块、多尺度池化融合模块、多尺度特征层融合模块、特征解耦模块和预测模块的风机叶片缺陷检测模型，进行风机叶片缺陷检测；使用单CCD摄像头纵向移位扫描周期拍摄或使用CCD阵列周期拍摄形式，获取风机叶片局部图像，相邻局部图像有重叠区域，保障不丢失图像数据；通过设置特征层解耦方式，为不同预测项提供充足特征量，提高预测准确率；通过本发明，能够识别裂纹、砂眼、分层、脱粘等各种各样、形式各异的风机叶片缺陷。形式各异的风机叶片缺陷。形式各异的风机叶片缺陷。


技术研发人员：邸智 万芳 曹朔 曾谁飞 黄思皖 韦玮 白新奎 满锋利 李恭斌 薛录宏 李小翔
受保护的技术使用者：中国华能集团清洁能源技术研究院有限公司
技术研发日：2022.02.21
技术公布日：2022/6/1