[发明专利]一种用于确定风力发电机叶轮姿态的方法

说明书

一种用于确定风力发电机叶轮姿态的方法，包括风力发电机结构检测算法和叶轮姿态估计算法，将待检测图像输入风力发电机结构检测算法，得到机舱和叶轮叶尖点的位置坐标，通过叶轮姿态估计算法得到叶轮与塔筒的偏转角度，确定叶轮姿态；本发明方法简单，结果准确率高，识别率高，定位误差小，经实地实验验证，无人机巡检路线正确，为无人机对风力发电机进行自主巡检提供了技术支持，有显著的社会和经济效益。

技术领域

本发明涉及工业自动化领域，特别是一种用于确定风力发电机叶轮姿态的方法。

背景技术

近几年世界风电一直保持30％以上的增速快速发展。风力发电相比火力发电(目前我国火力发电占比最大)与核电，不产生任何环境污染，属于清洁能源；风力发电属于可再生能源，源源不断；风力发电相比太阳能发电，占用土地面积小，不破坏绿化，而且还可以将风力发电移至大海，利用海风发电，从而得到取之不尽的能源；我国有大量的戈壁沙漠以及山脉，面积大；风力发电基建周期短，装机灵活。

由于风机较大，现在一般利用无人机进行巡检，能达到人工不方便到达的高度和肉眼难以企及的精度。可以在第一时间发现并准确定位问题，高效率作业提高巡检频次，把故障扼杀在摇篮里。在利用无人机对风力发电机进行自主巡检的过程中，成功完成检测任务的关键是确定叶轮姿态，从而为无人机的路径规划提供参考依据。传统的叶尖点定位方法主要采用基于图像识别的目标检测技术。该方法主要是在传统图像处理方法的基础上，提取图像本身的关键点信息，如图像的角点和特征点，并利用这些关键点之间的关系进行拼接。然而，所获得的照片中的风力发电机不一定位于图像的中间，并且背景复杂，因此提取的关键点有时候是位于背景而不是风力发电机结构上，使得算法不能识别有用的信息，从而导致定位误差。因此，如何能准确的识别叶轮姿态，为无人机巡检的路径规划提供参考依据。至今未见公开报道。

发明内容

针对上述情况，为克服现有技术之缺陷，本发明之目的就是提供一种用于确定风力发电机叶轮姿态的方法，可有效解决现有识别叶轮姿态的方法识别率低，导致定位误差大，无人机不能完成有效巡检的目的。

为实现上述目的，本发明解决的技术方案是，一种用于确定风力发电机叶轮姿态的方法，包括风力发电机结构检测算法和叶轮姿态估计算法，将待检测图像输入风力发电机结构检测算法，得到机舱和叶轮叶尖点的位置坐标，通过叶轮姿态估计算法得到叶轮与塔筒的偏转角度，确定叶轮姿态，具体包括以下步骤：

(1)、风力发电机结构检测算法：1a、采集风机图片，并对机舱和叶轮叶尖点类别和位置进行标注，方法是，利用无人机采集风力发电机叶片图像数据，并对图像进行旋转、翻转变换方式实现数据的预增强，构建数据集；然后将数据集输入数据标注软件，以矩形框的形式完成标注，标注的信息包括缺陷的类型和缺陷的坐标；将标注后的数据以8:2的比例分为训练数据集和测试数据集；1b、构建图像检测模型，采用one stage的目标检测算法，将目标边框定位的问题转化为回归问题处理，将标注过的数据输入网络并进行训练，实现对风机结构的检测；方法是，将采集的风机图片缩放到网络的输入大小，并进行归一化，将3-4张采集的风机图片进行随机缩放、随机裁剪和随机排布，并重新拼接，构造卷积神经网络对得到的新图片进行特征提取，经过卷积网络提取特征后输出结果到特征融合网络进行进一步的处理，特征融合网络完成对特征的融合后将结果传递到预测网络，输出对图像的预测结果，包括检测的类别(class n)，检测框的位置坐标(xmin，ymin，xmax，ymax)；

1c、验证训练过后的模型性能，方法是，训练图像检测模型，将步骤1a得到的训练数据集传入图像检测模型，得到输出结果，并对比与人工标注数据集的差别，验证指标包括识别缺陷类别的准确度和缺陷定位的准确度，采用EIOU损失函数，直接对检测框参数的预测结果进行惩罚，多次训练图像检测模型，最终得到训练后的图像检测模型，用步骤1a得到的测试数据集对模型的性能进行测试，保存符合要求的模型文件，当不符合，则返回继续训练图像检测模型，并最终保存符合要求的模型文件；

(2)叶轮姿态估计算法：