基于无人机的风机叶片缺陷的检测方法、装置和系统

本申请涉及风力发电设备检测领域，特别是涉及一种基于无人机的风机叶片缺陷的检测方法、装置和系统。

背景技术：

1、风力发电作为一种清洁的可再生能源，已经被广泛应用，风机叶片作为风力发电机的关键部件，其性能直接影响到发电效率和安全性，然而，在长期运行过程中，风机叶片容易受到各种外界因素的影响，如风蚀、雷击、疲劳等，导致出现裂缝、磨损、腐蚀等缺陷，因此，及时准确地检测风机叶片的缺陷对于保障风力发电机的安全运行和提高发电效率具有重要意义。

2、随着风力发电的广泛应用，风机叶片的维护和检测变得尤为重要，传统的风机叶片检测方法主要依靠人工目视检查或利用地面设备进行检测，这些方法不仅效率低、成本高，而且存在一定的安全风险，随着无人机技术的发展，利用无人机进行风机叶片检测成为一种新的趋势，无人机可以快速、灵活地接近风机叶片，捕捉高清图像，大大提高了检测效率和安全性。

3、然而，目前基于无人机的风机叶片检测技术主要依赖于人工分析图像，缺乏有效的自动识别和分析，无法实现对叶片缺陷进行快速准确识别。

4、针对目前基于无人机的风机叶片检测技术主要依赖于人工分析图像，缺乏有效的自动识别和分析的问题，目前还没有提出有效的解决方案。

技术实现思路

1、在本发明中提供了一种基于无人机的风机叶片缺陷的检测方法、装置和系统，以解决目前基于无人机的风机叶片检测技术主要依赖于人工分析图像，缺乏有效的自动识别和分析的问题。

2、第一个方面，在本发明中提供了一种基于无人机的风机叶片缺陷的检测方法，所述无人机配置有相机和光谱仪，所述检测方法包括：

3、获取所述相机对所述风机叶片进行拍摄得到的风机叶片图像以及所述光谱仪对所述风机叶片进行扫描得到的风机叶片光谱；

4、通过基于深度学习的缺陷检测模型对所述风机叶片图像和所述风机叶片光谱进行识别，得到所述风机叶片的表面缺陷信息。

5、在其中的一些实施例中，所述相机被配置为连续对所述风机叶片进行拍摄，所述光谱仪被配置为连续对所述风机叶片进行扫描；

6、获取所述相机对所述风机叶片进行拍摄得到的风机叶片图像以及所述光谱仪对所述风机叶片进行扫描得到的风机叶片光谱，包括：

7、获取所述相机对所述风机叶片进行拍摄得到的当前时刻的所述风机叶片图像和所述光谱仪对所述风机叶片进行扫描得到的当前时刻的所述风机叶片光谱。

8、在其中的一些实施例中，所述缺陷检测模型包括第一缺陷检测模型、第二缺陷检测模型和第三缺陷检测模型；

9、通过基于深度学习的缺陷检测模型对所述风机叶片图像和所述风机叶片光谱进行识别，得到所述风机叶片的表面缺陷信息，包括：

10、通过所述第一缺陷检测模型对当前时刻的所述风机叶片图像进行识别，得到所述风机叶片的第一局部表面缺陷信息；

11、通过所述第二缺陷检测模型对当前时刻的所述风机叶片光谱进行识别，得到所述风机叶片的第二局部表面缺陷信息；

12、通过所述第三缺陷检测模型对所有时刻的所述风机叶片图像和所述风机叶片光谱进行综合识别，得到所述风机叶片的全局表面缺陷信息。

13、在其中的一些实施例中，通过所述第一缺陷检测模型对当前时刻的所述风机叶片图像进行识别包括：

14、通过所述第一缺陷检测模型，对当前时刻的所述叶片风机图像进行特征提取得到当前时刻的图像特征并对当前时刻的所述图像特征进行识别；

15、通过所述第二缺陷检测模型对当前时刻的所述风机叶片光谱进行识别包括：

16、通过所述第二缺陷检测模型，对当前时刻的所述风机叶片光谱进行特征提取得到当前时刻的光谱特征并对当前时刻的所述光谱特征进行识别；

17、通过所述第三缺陷检测模型对所有时刻的所述风机叶片图像和所述风机叶片光谱进行综合识别包括：

18、将所有时刻的所述图像特征和所述光谱特征进行融合得到融合特征，通过所述第三检测模型对所述融合特征进行识别。

19、在其中的一些实施例中，所述无人机还配置有声纳传感器，所述检测方法还包括：

20、获取所述声纳传感器对所述风机叶片探测得到的风机叶片回声；

21、对所述风机叶片回声进行分析得到，得到所述风机叶片的内部缺陷信息。

22、在其中的一些实施例中，所述检测方法还包括：

23、提取当前时刻的所述风机叶片图像的特征点；

24、匹配当前时刻和上一时刻的所述风机叶片图像之间的特征点，得到当前时刻的特征点匹配结果；

25、根据当前时刻的特征点匹配结果估计所述无人机在当前时刻相较于上一时刻的目标位姿变化；

26、根据所述目标位姿变化确定所述无人机在当前时刻的位姿。

27、在其中的一些实施例中，所述相机的分辨率在5000万像素以上、具有至少20倍光学变焦功能、配备有光学防抖技术以及快门速度应在1/2000秒以上；

28、和/或，所述声纳传感器的频率范围为20khz至100khz；

29、和/或，所述光谱仪覆盖400nm至1000nm的可见光和近红外光谱范围以及光谱分辨率不低于1nm。

30、第二个方面，在本发明中提供了一种基于无人机的风机叶片缺陷的检测装置，所述无人机配置有相机和光谱仪，所述检测装置包括：

31、数据获取模块，用于获取所述相机对所述风机叶片进行拍摄得到的风机叶片图像以及所述光谱仪对所述风机叶片进行扫描得到的风机叶片光谱；

32、缺陷识别模块，用于通过基于深度学习的缺陷检测模型对所述风机叶片图像和所述风机叶片光谱进行识别，得到所述风机叶片的表面缺陷信息。

33、第三个方面，在本发明中提供了一种风机叶片缺陷的检测系统，所述检测系统包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器被设置为运行所述计算机程序以执行第一个方面所述的基于无人机的风机叶片缺陷的检测方法。

34、第四个方面，在本发明中提供了一种无人机系统，所述无人机系统包括无人机和缺陷检测系统，所述无人机配置有相机、光谱仪和声纳传感器，所述缺陷检测系统为第三个方面所述的风机叶片缺陷的检测系统。

35、与相关技术相比，本发明提供的基于无人机的风机叶片缺陷的检测方法、装置和系统，采用基于深度学习的缺陷检测模型对风机叶片图像和风机叶片光谱进行识别，可以快速准确地得到风机叶片的表面缺陷信息。因此，提供了一种快速且准确地自动化缺陷检测方法，解决了目前基于无人机的风机叶片检测技术主要依赖于人工分析图像，缺乏有效的自动识别和分析的问题。

36、本申请的一个或多个实施例的细节在以下附图和描述中提出，以使本申请的其他特征、目的和优点更加简明易懂。

技术特征：

1.一种基于无人机的风机叶片缺陷的检测方法，其特征在于，所述无人机配置有相机和光谱仪，所述检测方法包括：

2.根据权利要求1所述的基于无人机的风机叶片缺陷的检测方法，其特征在于，所述相机被配置为连续对所述风机叶片进行拍摄，所述光谱仪被配置为连续对所述风机叶片进行扫描；

3.根据权利要求2所述的基于无人机的风机叶片缺陷的检测方法，其特征在于，所述缺陷检测模型包括第一缺陷检测模型、第二缺陷检测模型和第三缺陷检测模型；

4.根据权利要求3所述的基于无人机的风机叶片缺陷的检测方法，其特征在于，通过所述第一缺陷检测模型对当前时刻的所述风机叶片图像进行识别包括：

5.根据权利要求1所述的基于无人机的风机叶片缺陷的检测方法，其特征在于，所述无人机还配置有声纳传感器，所述检测方法还包括：

6.根据权利要求2所述的基于无人机的风机叶片缺陷的检测方法，其特征在于，所述检测方法还包括：

7.根据权利要求5所述的基于无人机的风机叶片缺陷的检测方法，其特征在于，所述相机的分辨率在5000万像素以上、具有至少20倍光学变焦功能、配备有光学防抖技术以及快门速度应在1/2000秒以上；

8.一种基于无人机的风机叶片缺陷的检测装置，其特征在于，所述无人机配置有相机和光谱仪，所述检测装置包括：

9.一种风机叶片缺陷的检测系统，所述检测系统包括存储器和处理器，其特征在于，所述存储器中存储有计算机程序，所述处理器被设置为运行所述计算机程序以执行权利要求1至7中任一项所述的基于无人机的风机叶片缺陷的检测方法。

10.一种无人机系统，其特征在于，所述无人机系统包括无人机和缺陷检测系统，所述无人机配置有相机、光谱仪和声纳传感器，所述缺陷检测系统为权利要求9所述的风机叶片缺陷的检测系统。

技术总结本申请涉及一种基于无人机的风机叶片缺陷的检测方法、装置和系统，其中，无人机配置有相机和光谱仪，检测方法包括：获取相机对风机叶片进行拍摄得到的风机叶片图像以及光谱仪对风机叶片进行扫描得到的风机叶片光谱；通过基于深度学习的缺陷检测模型对风机叶片图像和风机叶片光谱进行识别，得到风机叶片的表面缺陷信息。采用基于深度学习的缺陷检测模型对风机叶片图像和风机叶片光谱进行识别，可以快速准确地得到风机叶片的表面缺陷信息。因此，提供了一种快速且准确地自动化缺陷检测方法，解决了目前基于无人机的风机叶片检测技术主要依赖于人工分析图像，缺乏有效的自动识别和分析的问题。技术研发人员：鲍宏,柳顺硕,戚子扬,欧阳文政,王志林,车国于,夏宏伟受保护的技术使用者：合肥工业大学技术研发日：技术公布日：2024/6/18