欢迎来到知嘟嘟! 联系电话:13336804447 卖家免费入驻,海量在线求购! 卖家免费入驻,海量在线求购!
知嘟嘟
我要发布
联系电话:13336804447
知嘟嘟经纪人
收藏
专利号: 2023106314641
申请人: 湖南科技大学
专利类型:发明专利
专利状态:已下证
专利领域: 计算;推算;计数
更新日期:2026-11-16
缴费截止日期: 暂无
价格&联系人
年费信息
委托购买

摘要:

权利要求书:

1.一种基于多属性感知注意力的风电叶片表面损伤检测方法,其特征在于,包括以下步骤:

1)建立多类风电叶片损伤图像数据库:收集不同种类的风电叶片损伤图像数据,使用图像处理手段对风电叶片图像进行数量扩充和质量增强;

2)建立通道-空间注意力增强的特征提取主干网络;

所述步骤2)具体包括:

步骤2-1):建立卷积神经网络特征提取网络主干;

步骤2-2):建立通道注意力模块;

步骤2-3):建立空间注意力模块;

步骤2-4):将通道注意力模块和空间注意力模块依次插入特征提取网络主干的特征提取块之后;

3)建立损伤边界框的多属性感知损失函数:针对边界框的复杂信息,建立一种边界框多属性损失函数,通过对边界框的多个属性进行感知,描述出预测框与真实框之间的差异,从而引导模型生成准确的预测框;

所述步骤3)中,通过建立损伤边界框的多属性感知损失函数,将预测框和真实框进行连接,通过衡量预测框和真实框交并比、中心点距离、长宽纵横比和边长之差,多属性协同感知两框差异,从而引导预测框向真实框逼近;其损失函数定义如下:其中,IoU表示预测框和真实框的交集与并集的比值,ρ2(b,bgt)表示预测框b与真实框bgt的中心点距离的平方,c为预测框和真实框最小外接矩阵的对角线平方,表示真实框的宽和长之比,表示预测框的宽和长之比,表示预测框和真实框的长之差与最小外接矩阵的长之比,表示预测框和真实框的宽之差与最小外接矩阵的宽之比;

4)构建风电叶片损伤检测模型:构建风电叶片损伤检测模型,利用多类风电叶片损伤图像数据库对风电叶片损伤检测模型进行训练,通过损伤特征增强型特征提取网络将风电叶片损伤检测模型注意力引导至损伤特征,再通过多属性感知损失函数生成损伤边界框,最后得到叶片的损伤种类和损伤位置;

构建的风电叶片损伤检测模型包含特征提取层、注意力模块、特征融合层和损伤边界框生成层。

2.根据权利要求1所述的基于多属性感知注意力的风电叶片表面损伤检测方法,其特征在于:所述步骤1)中,建立的风电叶片损伤图像数据库包含砂眼、蒙皮脱落、裂纹三类损伤图像和无损伤叶片图像,其中损伤图像通过形态学变换和图像调整扩充损伤图像数量和模拟不同环境下损伤的变化,形态学变换和图像调整的过程包括:反转、旋转、亮度调整、颜色调整、对比度调整和锐度调整;反转和旋转图像的目的是模拟不同角度下损伤图像信息的获取;通过调整图像的亮度和色度的操作,获得不同光照条件下受损图像的特征;对比度和锐度的调整用于增强图像的损伤特征,突出前景信息。

3.根据权利要求1所述的多属性感知注意力的风电叶片表面损伤检测方法,其特征在于:所述步骤2-2)中,通道注意力模块将特征提取块提取的特征图通道权重进行调整,对包含损伤特征较多的通道赋予较高的权重,从而实现增强损伤特征的目的;具体为将特征图的二维空间进行压缩,将特征图尺寸由(C,H,W)被压缩为(C,1,1),其中C表示Channel,为通道的含义,H表示Height,为高度的含义,W表示Width,为宽度的含义,从而实现对通道包含特征的概括;使用的具体压缩方式为平均池化和最大池化,平均池化将每个通道中的特征取平均操作,保留其总体特征;最大池化将每个通道中的特征值最大的特征进行保留,其他的丢弃,保留其显著特征,这两种特征压缩方式并行处理,分别都将原特征的尺寸(C,H,W)被压缩为(C,1,1);随后,两个压缩后的特征分别送入共享多层感知器中,建立通道之间的联系,从而得出新的通道权重;最后,两个新的通道权重相加后通过sigmoid函数映射到(0,1)之间,再将映射后的权重对原特征图进行加权,实现对损伤特征的通道增强;其整个过程用下式表示:Mc(F)=σ(MLP(AvgPool(F))+MLP(MaxPool(F)))

式中:F表示特征图,AvgPool和MaxPool分别表示平均池化和最大池化,MLP表示多层感知器,σ表示Sigmoid函数。

4.根据权利要求1所述的多属性感知注意力的风电叶片表面损伤检测方法,其特征在于:所述步骤2-3)中,空间注意力模块通过对特征图中的空间信息进行感知,将可能包含损伤特征的空间位置的权重进行提高,进而实现对损伤特征的空间增强;具体为将特征图的通道信息进行压缩,将特征图尺寸由(C,H,W)被压缩为(1,H,W),从而实现对通道包含特征的概括;使用的具体压缩方式为平均操作和最大操作,将相同位置的通道特征的平均值和最大值进行保留;随后,将两个空间权重进行堆叠为(2,H,W),再使用卷积操作压缩和建立空间联系,形成(1,H,W)的空间权重;最后将获取的空间权重通过Sigmoid函数映射到(0,1),对原特征图进行加权,从而实现损伤特征的空间增强;其整个过程用下式表示:Mc(F)=σ(Conv(Avg(F))+Conv(Max(F)))

式中:F表示特征图,Avg和Max分别表示平均操作和最大操作,Conv表示卷积操作,σ表示Sigmoid函数。

5.根据权利要求1所述的多属性感知注意力的风电叶片表面损伤检测方法,其特征在于:所述步骤2-4)中,将特征提取主干按照输出尺寸分成几个特征提取块,在每个特征提取块后依次将步骤2-2)、2-3)中注意力模块进行嵌入,最后组成增强型特征提取网络。

6.根据权利要求1所述的多属性感知注意力的风电叶片表面损伤检测方法,其特征在于:所述步骤4)中,首先使用数个卷积神经网络层进行堆叠,然后根据步骤2-4)在特定层后将注意力模块嵌入其中,从而逐层提取输入图像中包含的特征;在提取的图像特征中,按照网络深度,在1/3深度、2/3深度和最深处输出图像特征,并使用采样、拼接和卷积的方法将不同深度特征进行融合,然后输出一个特征张量;在损伤边界框的生成中,将上一阶段输出的特征张量使用卷积神经网络进行解码,将解码信息根据预设锚框生成初步预测框,然后使用多属性感知损失函数使预测框向目标框收敛,最后输出检测损伤边界框和种类。