|
为了提高风机叶片图像的分割质量，提出了一种改进DeepLabv3+网络的风机叶片分割算法。由于无人机采集风机叶片图像具有背景复杂和叶片占比差异较大的问题，提出的算法在DeepLabv3+网络的基础上改进了ASPP模块和Decoder模块。DASPP通过级联多个空洞卷积层，使用密集连接的方式将每个空洞卷积层的输出传递给后续的空洞卷积层，通过一系列的特征连接编码不同尺度的中间特征，获得了更大范围的感受野。在Decoder阶段添加多层特征融合，以恢复在降采样过程中丢失的细节信息和各级特征。通过对风机叶片数据集进行实验，MIoU值达到了0.991 3，PA值达到了0.996 8，实验表明该设计的算法对风机叶片的分割效果优于DeepLabv3+网络，具有更好的细节信息。近些年来，随着国家对风电政策支持力度的不断加大，风电产业获得了长足的发展，我国已经成为世界上最大的风电产业大国。随着大量风电机组的出保，风电运维管理问题也受到业内人士的广泛关注。由于风电场环境较复杂，风力发电机组叶片全天候在高空运行，容易出现缺陷影响叶片寿命，严重的甚至造成停机事故。因此，对风机叶片进行定期检查具有重要意义。随着无人机技术、人工智能及无损检测技术的发展，基于无人机平台采集高清风机叶片图像，通过计算机视觉技术自动识别缺陷的自动巡检技术已成为风电机组定期巡检的新模式。由于无人机航拍采集的叶片图像背景为大地，背景复杂，干扰因素较多，利用图像分割技术实现对风机叶片区域的分割，实现背景的去除，能够排除环境干扰，有效提高缺陷识别的准确率。传统的图像分割方法根据图像的颜色、空间结构和纹理信息等特征进行处理分析，如：基于阈值的图像分割方法、基于边缘的图像分割方法、基于区域的图像分割方法、基于特定理论的分割方法等[1-4]。传统的图像分割方法在分割精度和分割效率上难以达到实际应用的要求，需要通过人工设计的特征与其他方法的结合实现，具有很大的局限性[5-6]。而深度学习能够从数据中有效地自主学习特征，具有很强的自学习能力。随着2015年全卷积网络FCN[7]的提出，利用深度学习进行语义分割逐渐发展起来。
|
