本發(fā)明涉及故障檢測，更具體地說，它涉及一種風力發(fā)電葉片故障檢測系統(tǒng)。

背景技術(shù)：

1、在風能產(chǎn)業(yè)迅猛發(fā)展的過程中，確保風力發(fā)電機組的高效與安全運行至關(guān)重要，其中，風力機葉片的狀態(tài)監(jiān)測尤為關(guān)鍵，因為葉片故障不僅會降低風力機的發(fā)電效率，還可能引發(fā)嚴重的安全事故。

2、公告號為cn112950634b，專利名稱為一種基于無人機巡檢的風力機葉片損傷識別方法的中國專利，公開了：通過無人機拍攝風力機葉片圖像，并通過基于注意力機制的區(qū)域卷積神經(jīng)網(wǎng)絡模型對風力機葉片圖像中的葉片損傷進行分類和位置回歸。

3、公告號為cn112233091b，專利名稱為一種風力機葉片圖像損傷檢測和定位方法的中國專利，公開了：通過滑動窗口沿著風力機葉片表面圖像的水平或垂直方向進行滑動，并通過級聯(lián)強分類器判斷滑動窗口內(nèi)是否包含損傷區(qū)域，如果包含損傷區(qū)域，則通過卷積神經(jīng)網(wǎng)絡模型識別損傷區(qū)域的損傷類型，包括：玻纖破損、裂紋、表皮破損和腐蝕，訓練級聯(lián)強分類器和卷積神經(jīng)網(wǎng)絡模型的訓練樣本的樣本標簽通過人工標記的方式獲得。

4、上述方案都是通過機器視覺算法對單張圖像進行分析，從而檢測風力機葉片表面的損傷，然而，風力機往往位于開闊地帶，易受復雜多變的自然環(huán)境影響，葉片表面可能因惡劣天氣條件而積累各種附著物，例如雨水、冰雪、塵埃甚至鳥類排泄物等，附著物在單張圖像中可能被錯誤地識別為損傷，導致可能出現(xiàn)錯誤識別的情況。

技術(shù)實現(xiàn)思路

1、本發(fā)明的目的是提供一種風力發(fā)電葉片故障檢測系統(tǒng)，解決上述背景技術(shù)中的技術(shù)問題。

2、本發(fā)明提供了一種風力發(fā)電葉片故障檢測系統(tǒng)，包括：

3、視頻采集模塊，其用于在預設時間段t內(nèi)，通過無人機搭載高清攝像頭采集風力發(fā)電機葉片的轉(zhuǎn)動視頻；

4、視頻處理模塊，其用于對風力發(fā)電機葉片的轉(zhuǎn)動視頻進行關(guān)鍵幀提取獲得關(guān)鍵幀圖像數(shù)量為n的圖像數(shù)據(jù)集；

5、子區(qū)域劃分模塊，其用于遍歷圖像數(shù)據(jù)集的n個關(guān)鍵幀圖像，并通過滑動窗口將每個關(guān)鍵幀圖像中的風力發(fā)電機葉片劃分為m個子區(qū)域圖像；

6、時空圖數(shù)據(jù)構(gòu)建模塊，其用于根據(jù)n個關(guān)鍵幀圖像的m個子區(qū)域圖像構(gòu)建時空圖數(shù)據(jù)；

7、時空圖數(shù)據(jù)包括：n個子圖數(shù)據(jù)，n個子圖數(shù)據(jù)分別與n個關(guān)鍵幀圖像建立映射關(guān)系；

8、每個子圖數(shù)據(jù)均由m個節(jié)點和節(jié)點之間的邊組成；

9、第n個子圖數(shù)據(jù)的第m個節(jié)點與第n個關(guān)鍵幀圖像中的第m個子區(qū)域圖像建立映射關(guān)系，其中1≤m≤m，1≤n≤n；

10、葉片故障檢測模型構(gòu)建模塊，其用于構(gòu)建并訓練葉片故障檢測模型；

11、葉片故障檢測模塊，其用于將時空圖數(shù)據(jù)輸入到訓練完成的葉片故障檢測模型，輸出的值表示風力發(fā)電機葉片的m個子區(qū)域圖像的故障類型；

12、故障類型包括：裂縫、腐蝕、涂層損傷、附著物吸附和無損傷。

13、進一步地，t、n、m、滑動窗口的大小和滑動窗口的步長均為自定義參數(shù)。

14、進一步地，對風力發(fā)電機葉片的轉(zhuǎn)動視頻進行關(guān)鍵幀提取獲得關(guān)鍵幀圖像數(shù)量為n的圖像數(shù)據(jù)集，包括以下步驟：

15、步驟s201，將風力發(fā)電機葉片的轉(zhuǎn)動視頻按照等時間間隔進行分幀處理獲得k個分幀圖像，其中k為大于n的自定義參數(shù)；

16、步驟s202，將k個分幀圖像進行灰度化處理獲得灰度圖像；

17、步驟s203，將k個灰度圖像轉(zhuǎn)換為灰度直方圖表示；

18、灰度直方圖通過維度數(shù)量為256的向量表示，每個維度的值表示與維度索引相同的灰度級別的像素點數(shù)量；

19、步驟s204，對k個灰度直方圖進行歸一化處理；

20、歸一化處理后的灰度直方圖通過維度數(shù)量為256的向量表示，所有維度的值的總和為1；

21、步驟s205，計算相鄰兩個歸一化處理后的灰度直方圖的巴氏距離，判斷該巴氏距離大于等于預設距離閾值，則將后一幀的灰度圖像作為關(guān)鍵幀圖像；

22、計算相鄰兩個歸一化處理后的灰度直方圖的巴氏距離的計算公式如下：

23、；

24、其中1≤k≤k，表示第k個歸一化處理后的灰度直方圖和第k-1個歸一化處理后的灰度直方圖之間的巴氏距離，和分別表示第k個和第k-1個歸一化處理后的灰度直方圖的第i個維度的值；

25、步驟s206，判斷關(guān)鍵幀圖像的數(shù)量大于n，則提高預設距離閾值，判斷關(guān)鍵幀圖像的數(shù)量小于n，則降低預設距離閾值，直至獲得n個關(guān)鍵幀圖像作為圖像數(shù)據(jù)集。

26、進一步地，節(jié)點之間的邊包括：同一子圖數(shù)據(jù)的相鄰節(jié)點之間構(gòu)建邊；相鄰子圖數(shù)據(jù)的同一節(jié)點之間構(gòu)建邊。

27、進一步地，葉片故障檢測模型包括：第一隱藏層、n個第二隱藏層、m個提取器和m個分類器；

28、第一隱藏層輸入與時空圖數(shù)據(jù)的n個子圖數(shù)據(jù)的m個節(jié)點存在映射關(guān)系的子區(qū)域圖像，輸出特征圖；

29、第n個第二隱藏層輸入時空圖數(shù)據(jù)的第n個子圖數(shù)據(jù)，輸出更新矩陣，更新矩陣包括m個行向量，第n個第二隱藏層輸出的更新矩陣的第m個行向量表示第n個子圖數(shù)據(jù)的第m個節(jié)點的更新特征；

30、m個提取器用于提取第n個第二隱藏層輸出的更新矩陣的m個行向量并輸入到m個分類器；

31、m個分類器的分類空間表示風力發(fā)電機葉片的m個子區(qū)域圖像的故障類型。

32、進一步地，第一隱藏層的計算公式包括：

33、；

34、；

35、其中表示第一隱藏層輸出的特征圖，表示第一隱藏層輸入的子區(qū)域圖像，a表示中間特征圖，和分別表示第一權(quán)重參數(shù)和第二權(quán)重參數(shù)，和分別表示第一偏置參數(shù)和第二偏置參數(shù)，表示逐點相乘，relu表示relu激活函數(shù)，softmax表示softmax激活函數(shù)。

36、進一步地，第n個第二隱藏層的計算公式包括：

37、；

38、；

39、；

40、；

41、；

42、；

43、；

44、其中表示第n個第二隱藏層輸出的更新矩陣，表示第n個子圖數(shù)據(jù)的第m個節(jié)點的更新特征，和分別表示第n個子圖數(shù)據(jù)的第m個節(jié)點的第一中間特征和第二中間特征，賦值為0，和分別表示第n個和第n-1個子圖數(shù)據(jù)的第m個節(jié)點的特征圖，賦值為0，表示在n個子圖數(shù)據(jù)中與第m個節(jié)點存在邊連接的節(jié)點的集合，表示第n個子圖數(shù)據(jù)的第v個節(jié)點的特征圖，、和分別表示第n個子圖數(shù)據(jù)的第m個節(jié)點的候選第二中間特征、更新門和重置門，、、、、、、、和分別表示第三權(quán)重參數(shù)、第四權(quán)重參數(shù)、第五權(quán)重參數(shù)、第六權(quán)重參數(shù)、第七權(quán)重參數(shù)、第八權(quán)重參數(shù)、第九權(quán)重參數(shù)、第十權(quán)重參數(shù)和第十一權(quán)重參數(shù)，、、和分別表示第三偏置參數(shù)、第四偏置參數(shù)、第五偏置參數(shù)和第六偏置參數(shù)，表示將第n個子圖數(shù)據(jù)的m個節(jié)點的更新特征進行堆疊操作，concat表示拼接操作，vec表示向量化操作，表示逐點相乘，sigmoid表示sigmoid激活函數(shù)，tanh雙曲正切激活函數(shù)。

45、進一步地，用于訓練葉片故障檢測模型的訓練樣本的樣本標簽通過人工標注獲得。

46、進一步地，指定交叉熵損失函數(shù)作為葉片故障檢測模型的損失函數(shù)。

47、本發(fā)明提供一種存儲介質(zhì)，其存儲了非暫時性計算機可讀指令，當非暫時性計算機可讀指令由計算機執(zhí)行時，執(zhí)行上述的一種風力發(fā)電葉片故障檢測系統(tǒng)。

48、本發(fā)明的有益效果在于：本發(fā)明通過對風力發(fā)電機葉片的轉(zhuǎn)動視頻進行關(guān)鍵幀提取，并將每個關(guān)鍵幀圖像劃分為多個子區(qū)域構(gòu)建時空圖數(shù)據(jù)，通過葉片故障檢測模型對時空圖數(shù)據(jù)在時間和空間上的信息進行聚合，從而提高風力發(fā)電機葉片的故障類型的識別精度，減少出現(xiàn)錯誤識別的情況。