[发明专利]基于VGG16-SegUnet和dropout的海流机叶片附着物识别方法

说明书

本发明属于海流机故障诊断领域，具体涉及一种基于VGG16‑SegUnet和dropout的海流机叶片附着物识别方法，步骤如下：对海流机图像进行语义标注，完成原始数据集的创建；旋转增强原始数据集并进行标准化预处理；搭建VGG16‑SegUnet网络；使用Adadelta优化器对网络进行训练；测试训练好的网络，完成海流机叶片附着物位置和大小的识别，同时估计识别结果的不确定度；最后计算出准确的附着物面积占比以及平均交并比。本发明解决了现有基于图像信号的海流机叶片附着物诊断方法不能定位附着物、输出准确附着物占比以及估计识别不确定度的问题，并为海流机叶片视情维护以及后续的容错控制提供了指导性建议。

技术领域

本发明涉及海流机故障诊断领域，具体涉及一种基于VGG16-SegUnet和dropout的海流机叶片附着物识别方法。

背景技术

海流能是一种被誉为“蓝色油田”和“海上沙特阿拉伯”的可再生清洁能源，主要有以下两种形成方式：海底水道和海峡中较为稳定的海水流动；由潮汐运动产生的有规律海水流动。相比于风能和太阳能，海流能有可预测性、高能量密度等优势。海流机作为一种海流能发电装置具有低噪音，可靠运行且没有苛刻的选址要求等优点，它的发电原理是：通过旋转机械吸收流动的海水能量，并将其转换为电能传输到电网中实现并网发电。与在陆上安装的风机不同，海流机一旦正式投入运行将被长时间安置在水下，这将产生如下几个潜在问题：(1)小型海洋生物很可能以附着物的形式在海流机叶片表面进行繁殖，这将可能引发叶片不平衡故障；(2)海流机叶片一般是金属材质的，所以常年的海水浸泡会锈蚀叶片，从而影响机械性能。具体而言，由附着物形成的不平衡故障会导致发电机输出电压频率、幅值的降低以及波形的扭曲最终影响发电质量和效率甚至引发电网波动。因而，对于海流发电系统来讲，在这些故障形成的“萌芽”阶段就有效地检查到相应的故障状态并做出预警显得尤为重要。

目前，关于海流机故障检测和诊断的方法相对较少，主要分为基于电信号(海流机定子电流、电压)和图像信号(海流机水下图像数据)两种类型。但是，面对复杂的水下环境，单纯对定子电流、电压信号进行分析不足以完成对附着物程度的精确诊断。此外，现有的基于图像信号的海流机叶片附着物诊断方法存在如下问题：(1)没有对附着物的位置和大小进行识别；(2)没有诊断出精确的附着物面积占比；(3)不能对不同的附着物分布进行识别，且缺少对诊断结果的不确定度进行分析。

发明内容

为解决上述提到的基于图像信号的海流机叶片附着物诊断方法存在的问题，实现更为直观和精确的附着物程度识别，本发明提供一种基于VGG16-SegUnet和dropout的海流机叶片附着物识别方法。

所述基于VGG16-SegUnet和dropout的海流机叶片附着物识别方法包括以下步骤：

步骤一、首先，采集不同附着类型的海流机水下图像，然后使用开源工具labelme进行语义标注，从而完成原始图像-语义标签数据集的创建：背景，叶片，附着物分别被标注为0，1，2。

步骤二、采用[0°，360°]的旋转数据增强技术扩充原始图像-语义标签数据集，然后对原始图像进行标准化预处理：

其中，x表示海流机图像中R，G，B任意一个维度的数据；x_min，x_max分别表示x中的最小，最大像素值；x最终被标准化到[-1，1]。

再将增强后的数据按3∶1∶1的比例划分为训练集、验证集和测试集。