论文部分内容阅读
风电机组长期处于运转状态,工作环境的恶劣性与工况的复杂多变性使其在运行过程中会出现不同程度的损伤,定期对风电机组进行巡视检测应是风电维修过程中不可或缺的一个环节。另一方面,风电机组所处地域通常为滩涂或近海,且装机数量多,分布范围广,仅靠常规巡检手段很难保证工作效率和劳动强度,因此还需要通过无人机技术对风电机组运行状态进行航拍监控,采用机器视觉技术实现风电机组的视觉检测,其中识别与编组标定是风电机组巡检最基本的要素。本文在传统视觉检测的流程基础上对区域建议、风电机组图像特征表示、区域分类等部分进行改进,并基于风电机组拓扑结构进行拓扑图匹配以确定单一背景下风电机组的编组属性。论文的主要工作如下:1.就风电机组视觉巡检的研究背景及现实意义进行分析,较全面地介绍了视觉检测的步骤,并探讨比较了几种基于深度学习的目标检测方法的主要优缺点,为后续卷积神经网络(Convolutional Neural Network,CNN)模型的改进提供了基础。2.基于Gabor小波变换和反向传播(Back Propagation,BP)算法实现风电机组基本检测。利用Gabor小波和主成分分析(Principal Component Analysis,PCA)降维对预处理后的风电机组样本库图像进行特征提取,通过BP网络模型完成风电机组的分类,最后采用滑动窗方法实现风电机组定位。BP网络下的风电机组视觉检测率虽能在理想环境下达到82.56%,但是在无人机航拍图像中还是存在一定的限制。3.针对无人机航拍环境下拍摄角度变换、特征不显著等干扰问题,提出一种改进的GoogLeNet卷积神经网络对风电机组进行识别。在网络模型训练过程中引入迁移学习的概念,利用风电机组图像训练已预训练的GoogLeNet模型,在加快模型训练速度的同时,能避免分类网络陷入局部最优解,改善航拍环境下的目标视觉检测准确率。并在Faster RCNN框架下采用区域建议网络(Region Proposal Network,RPN)和多任务损失函数将区域建议和边框回归融入到网络中,实现航拍图像中的风电机组自动标注,降低时间复杂度。4.考虑到风电机组所处位置缺乏可参考的背景特征,且机组本身视觉特征又高度相似的问题,提出通过拓扑图匹配方法实现单纯背景下的风电机组编组标定。基于风电机组视觉检测结果使用快速鲁棒特征(Speeded Up Robust Feature,SURF)算法及曲线拟合构建风电机组统一位置特征点,将该特征点作为拓扑节点建立风电机组局部拓扑结构,根据无人机当前获取的位姿参数换算出局部拓扑图在地面坐标系中的投影,再将其与风电场群拓扑图进行高阶图匹配以实现风电机组的编组标定。