權(quán)利要求書： 1.一種基于機(jī)器視覺的風(fēng)機(jī)葉片缺陷自診斷定位方法，其特征是該方法包括如下步驟：步驟1：通過視覺傳感器獲取風(fēng)機(jī)葉片各種缺陷樣本圖像集，對樣本圖像人工分類，為后續(xù)判斷分類器的正確率提供依據(jù)；

步驟2：對步驟1采集到的圖像樣本數(shù)據(jù)集中的缺陷特征及噪聲進(jìn)行分析，采用中值濾波，在很好地保留了目標(biāo)邊緣特征的同時(shí)去除圖像中大部分噪聲；

步驟3：根據(jù)步驟2獲得的去噪后的圖像樣本集，采用閾值法將樣本集中圖像的目標(biāo)區(qū)域完整的分割出來，然后運(yùn)用Blob分割算法度量圖像中連通區(qū)域的形心、邊界盒、面積屬性來對物體的檢測區(qū)域進(jìn)行分析和處理，并標(biāo)記缺陷位置；

步驟4：根據(jù)步驟3獲得的缺陷特征樣本集，依據(jù)樣本特性創(chuàng)建基于顆粒特征向量的分類器，采用支持向量機(jī)對樣本集合進(jìn)行訓(xùn)練，得到準(zhǔn)確度較高的分類器；

步驟5：將不同缺陷類別圖像作為輸入，可以快速準(zhǔn)確地實(shí)現(xiàn)風(fēng)機(jī)葉片的缺陷分類及定位；

其特征是步驟3的具體步驟為：

步驟3.1：首先根據(jù)濾波后樣本集直方圖設(shè)置灰度值閾值，采用閾值分割法分離圖像前景和背景，獲得二值圖像；

步驟3.2：對步驟3.1獲得的二值圖像采用形態(tài)學(xué)方法，進(jìn)行閉運(yùn)算消除小的孤立噪聲的同時(shí)獲得葉片表面缺陷連通區(qū)域；

步驟3.3：根據(jù)驟3.2獲得圖像目標(biāo)像素，統(tǒng)計(jì)出目標(biāo)圖像中滿足葉片缺陷條件的Blob數(shù)目，并對圖像中每個(gè)Blob進(jìn)行標(biāo)記；

步驟3.4：Blob信息提取，采用Blob線處理方法獲取連通區(qū)域的幾何特征，即連通區(qū)域的線段邊界點(diǎn)、最小外接矩形及形心位置，最后計(jì)算獲得風(fēng)機(jī)缺陷位置坐標(biāo)。

2.如權(quán)利要求1所述的一種基于機(jī)器視覺的風(fēng)機(jī)葉片缺陷自診斷定位方法，其特征是步驟4的具體步驟為：步驟4.1：對由步驟3獲得的圖像缺陷樣本，分別取它們的面積特征、圓度因子、細(xì)長度特征以及孔洞數(shù)作為目標(biāo)特征，計(jì)算樣本集的各特征參數(shù)；

步驟4.2：基于步驟4.1獲得的樣本集各特征參數(shù)的非線性特性，選用非線性內(nèi)核函數(shù)，將各特征參數(shù)數(shù)據(jù)映射到高維空間中使樣本數(shù)據(jù)變成線性；

步驟4.3：求解特性空間中的最優(yōu)分類函數(shù)，得到最優(yōu)分類模型；

步驟4.4：選用葉片缺陷訓(xùn)練樣本集，經(jīng)步驟3特征提取后，輸入SM分類器，依據(jù)分類結(jié)果測試分類器的可靠性。

說明書： 一種基于機(jī)器視覺的風(fēng)機(jī)葉片缺陷自診斷定位方法技術(shù)領(lǐng)域[0001] 本發(fā)明涉及的是一種風(fēng)機(jī)葉片自診斷方法，具體是一種基于機(jī)器視覺的風(fēng)機(jī)葉片多種缺陷自診斷定位方法。背景技術(shù)[0002] 我國近年對風(fēng)能大力開發(fā)，風(fēng)機(jī)容量占比迅速提升，減少向大氣排放的溫室氣體約15萬噸。然而，在風(fēng)機(jī)的運(yùn)行中，維護(hù)的成本占據(jù)能源成本的10％?20％，風(fēng)機(jī)葉片一直處于惡劣的自然環(huán)境中，容易使得葉片產(chǎn)生缺陷導(dǎo)致機(jī)組運(yùn)行失效或安全事故，對葉片的缺陷進(jìn)行監(jiān)測能夠及時(shí)發(fā)現(xiàn)并排除存在危險(xiǎn)，減少運(yùn)維成本。當(dāng)前解決這個(gè)問題的方法主要有：1.聲發(fā)生法：當(dāng)葉片在運(yùn)行時(shí)產(chǎn)生裂紋、折斷等缺陷時(shí)，對其進(jìn)行敲擊，其返回的聲信號(hào)將發(fā)生改變，但由于環(huán)境噪音較大，對葉片狀態(tài)分析造成很大影響。葉片敲擊在實(shí)驗(yàn)室中容易完成，但實(shí)際運(yùn)行過程中難以實(shí)現(xiàn)。2.應(yīng)力監(jiān)測：通過在葉片上布置檢測光纖，葉片在運(yùn)轉(zhuǎn)時(shí)發(fā)生的振動(dòng)及形變都會(huì)使得光纖內(nèi)部的光信號(hào)傳輸發(fā)生微小的變化，通過分析傳輸?shù)男盘?hào)的變化，對葉片進(jìn)行監(jiān)測。光纖監(jiān)測的敏感度高，但是成本太高。3.超聲波探傷和紅外熱成像檢測技術(shù)受噪聲和環(huán)境溫度影響很大，且成本較高。隨著計(jì)算機(jī)技術(shù)及圖像處理技術(shù)的不斷發(fā)展，基于機(jī)器視覺的無損檢測技術(shù)也得到了迅速的發(fā)展。中國專利公開號(hào)CN108510001A公開了一種風(fēng)力發(fā)電機(jī)葉片缺陷分類方法及其分類系統(tǒng)。利用在風(fēng)力發(fā)電機(jī)葉片圖像樣本數(shù)據(jù)集上進(jìn)行過訓(xùn)練的ResNet提取葉片的缺陷特征；利用ResNet提取的所述葉片的缺陷特征來獲得頻繁程度高的葉片缺陷類別信息；將提取的頻繁程度高的葉片缺陷類別信息用于決策樹的構(gòu)建，重復(fù)迭代直至收斂后得到缺陷分類模型，并利用基于高頻取樣CatBoost方法對其缺陷特征進(jìn)行分類。這種方法雖然得到缺陷分類模型并分類，但未對缺陷進(jìn)行標(biāo)記和定位，不利于后續(xù)的缺陷追蹤。中國專利公開號(hào)CN103984952A公開了基于機(jī)器視覺圖像對電力系統(tǒng)風(fēng)力發(fā)電機(jī)葉片表面裂紋故障進(jìn)行診斷的方法。該方法包括步驟一、劃分風(fēng)力發(fā)電機(jī)葉片，獲得葉片基元；步驟二、對風(fēng)力發(fā)電機(jī)葉片基元進(jìn)行拍照，并對背景進(jìn)行剔除；步驟三、對步驟二獲得的葉片基元結(jié)果圖像進(jìn)行二次劃分成圖像基元，并對基元結(jié)果圖像進(jìn)行特征提?。徊襟E四、對故障診斷所用的支持向量機(jī)進(jìn)行訓(xùn)練；步驟五、使用訓(xùn)練好的支持向量機(jī)對風(fēng)力發(fā)電機(jī)葉片基元的表面故障種類進(jìn)行診斷；步驟六、對所有的葉片基元均進(jìn)行步驟二、三、五的操作，直至完成整片葉片的表面故障診斷。這種方法能夠診斷大型葉片表面缺陷，但專利中僅提到了對葉片表面裂紋的檢測，未對其他缺陷的檢測展開研究，檢測效果單一。并且也未對缺陷進(jìn)行標(biāo)記和定位，同樣不利于后續(xù)的缺陷追蹤。發(fā)明內(nèi)容[0003] 本發(fā)明針對現(xiàn)有技術(shù)存在的不足，提供一種基于機(jī)器視覺的風(fēng)機(jī)葉片缺陷自診斷定位方法,即風(fēng)機(jī)葉片自動(dòng)判別、定位及分類方法，針對當(dāng)前葉片診斷過程中缺少葉片定位技術(shù)，提出解決方案，保證葉片缺陷快速識(shí)別、分類的同時(shí)標(biāo)記定位缺陷位置，為后續(xù)葉片表面缺陷追蹤提供依據(jù)。[0004] 本發(fā)明的技術(shù)方案如下：一種基于機(jī)器視覺的風(fēng)機(jī)葉片缺陷自診斷定位方法，其特征是該方法包括如下步驟：[0005] 步驟1：通過視覺傳感器獲取風(fēng)機(jī)葉片各種缺陷樣本圖像集，對樣本圖像人工分類，為后續(xù)判斷分類器的正確率提供依據(jù)；[0006] 步驟2：對步驟1采集到的圖像樣本數(shù)據(jù)集中的缺陷特征及噪聲進(jìn)行分析，采用中值濾波，在很好地保留目標(biāo)邊緣特征的同時(shí)去除圖像中大部分噪聲；[0007] 步驟3：根據(jù)步驟2獲得的去噪后的圖像樣本集，采用閾值法將樣本集中圖像的目標(biāo)區(qū)域完整的分割出來，然后運(yùn)用Blob分割算法度量圖像中連通區(qū)域的形心、邊界盒、面積等屬性來對物體的檢測區(qū)域進(jìn)行分析和處理，并標(biāo)記缺陷位置；該方法可以檢測單個(gè)葉片中的多種不同類型缺陷，標(biāo)記各缺陷在圖像中的位置；[0008] 步驟4：根據(jù)步驟3獲得的缺陷特征樣本集，依據(jù)樣本特性創(chuàng)建基于顆粒特征向量的分類器，采用支持向量機(jī)對樣本集合進(jìn)行訓(xùn)練，得到準(zhǔn)確度較高的分類器；步驟3中已標(biāo)記出缺陷坐標(biāo)，在進(jìn)行缺陷分類訓(xùn)練時(shí)直接讀取每幅圖像中各缺陷在圖像中的起點(diǎn)和終點(diǎn)位置，能夠最大限度的減少圖像掃描時(shí)間，減少樣本訓(xùn)練及缺陷分類檢測的時(shí)間；[0009] 步驟5：將不同缺陷類別圖像作為輸入，可以快速準(zhǔn)確地實(shí)現(xiàn)風(fēng)機(jī)葉片的缺陷分類及定位。[0010] 進(jìn)一步的，所述步驟3的具體步驟為：[0011] 步驟3.1：首先根據(jù)濾波后樣本集直方圖設(shè)置灰度值閾值，采用閾值分割法分離圖像前景和背景，獲得二值圖像；[0012] 步驟3.2：對步驟3.1獲得的二值圖像采用形態(tài)學(xué)方法，進(jìn)行閉運(yùn)算消除小的孤立噪聲的同時(shí)獲得葉片表面缺陷連通區(qū)域；[0013] 步驟3.3：根據(jù)驟3.2獲得圖像目標(biāo)像素，統(tǒng)計(jì)出目標(biāo)圖像中滿足葉片缺陷條件的Blob數(shù)目，并對圖像中每個(gè)Blob進(jìn)行標(biāo)記；[0014] 步驟3.4：Blob信息提取，采用Blob線處理方法獲取連通區(qū)域的幾何特征，即連通區(qū)域的線段邊界點(diǎn)、最小外接矩形及形心位置，最后計(jì)算獲得風(fēng)機(jī)缺陷位置坐標(biāo)。[0015] 進(jìn)一步的，所述步驟4的具體步驟為：[0016] 步驟4.1：對由步驟3獲得的圖像缺陷樣本，分別取它們的面積特征、圓度因子、細(xì)長度特征以及孔洞數(shù)作為目標(biāo)特征，計(jì)算樣本集的各特征參數(shù)；[0017] 步驟4.2：基于步驟4.1獲得的樣本集各特征參數(shù)的非線性特性，選用非線性內(nèi)核函數(shù)，將各特征參數(shù)數(shù)據(jù)映射到高維空間中使樣本數(shù)據(jù)變成線性；[0018] 步驟4.3：求解特性空間中的最優(yōu)分類函數(shù)，得到最優(yōu)分類模型；[0019] 步驟4.4：選用葉片缺陷訓(xùn)練樣本集，經(jīng)步驟3特征提取后，輸入SM分類器，依據(jù)分類結(jié)果測試分類器的可靠性。[0020] 本發(fā)明的優(yōu)點(diǎn)是：發(fā)明提供了一種基于機(jī)器視覺的風(fēng)機(jī)葉片缺陷自診斷、定位及分類方法，該方法快速有效識(shí)別葉片表面缺陷，對缺陷進(jìn)行分類、標(biāo)記及定位，實(shí)時(shí)掌握葉片情況，追蹤缺陷發(fā)展。該方法能夠有效監(jiān)測風(fēng)力發(fā)電機(jī)葉片健康狀況，保障風(fēng)機(jī)安全運(yùn)行，提高風(fēng)機(jī)工作效率，大大降低運(yùn)維成本。附圖說明[0021] 圖1為本發(fā)明方法的系統(tǒng)工作流程圖。[0022] 圖2為本發(fā)明CMOS相機(jī)標(biāo)定后重投影誤差圖。[0023] 圖3為本發(fā)明矯正后角點(diǎn)和實(shí)際角點(diǎn)圖。[0024] 圖4為本發(fā)明方法的缺陷定位、分類與識(shí)別流程圖。具體實(shí)施方式[0025] 下面對本發(fā)明的實(shí)施例作詳細(xì)說明，本實(shí)施例在以本發(fā)明技術(shù)方案為前提下進(jìn)行實(shí)施，給出了詳細(xì)的實(shí)施方式和具體的操作過程。[0026] 參照圖1,本實(shí)施例程包括：圖像采集模塊、圖像預(yù)處理模塊、缺陷提取與標(biāo)記模塊、缺陷分類模塊。其中圖像采集模塊用于采集測試圖像樣本集及系統(tǒng)工作過程中對葉片未知類別圖像數(shù)據(jù)的實(shí)時(shí)采集，并將采集的信息傳輸?shù)絇C機(jī)。圖像預(yù)處理模塊對采集的葉片圖像進(jìn)行圖像濾波去除噪聲，之后缺陷提取與標(biāo)記模塊根據(jù)上述預(yù)處理后的樣本數(shù)據(jù)運(yùn)用閾值法+Blob分割算法度量圖像中連通區(qū)域的屬性，對物體的檢測區(qū)域進(jìn)行分析和處理，提取測試葉片圖像的多種缺陷特征并標(biāo)記缺陷位置。缺陷分類模塊依據(jù)各類缺陷特征創(chuàng)建基于顆粒特征向量的分類器對缺陷進(jìn)行分類，從而得到更加精確的缺陷分類，最后輸出葉片缺陷坐標(biāo)及缺陷類別。[0027] 所述圖像采集模塊，CMOS攝像機(jī)作為圖像采集傳感器，獲取風(fēng)機(jī)葉片圖像。為消除相機(jī)畸變給缺陷定位帶來的影響，使用GP100?2型的菲林標(biāo)定板作為參數(shù)計(jì)算的拍攝對象，采集標(biāo)定板不同姿態(tài)的圖像共17張，使用CameraCalibrator對采集到的標(biāo)定的圖像進(jìn)行解算，求出各幅圖像的旋轉(zhuǎn)矩陣和平移矩陣，進(jìn)而計(jì)算出重投影誤差(如圖2)，并得到修正參數(shù)(如圖3)。[0028] 所述預(yù)處理模塊，其主要任務(wù)是去除圖像噪聲。采用5*5的十字交叉中值濾波模板，濾除孤立噪聲的同時(shí)很好地保留了目標(biāo)邊緣細(xì)節(jié)。[0029] 所述缺陷提取與標(biāo)記模塊參考圖4特征提取部分，其主要任務(wù)是圖像的目標(biāo)區(qū)域與背景完整的分割出來，提取缺陷連通區(qū)域并標(biāo)記缺陷，得到缺陷形心坐標(biāo)。與現(xiàn)有技術(shù)相比，本發(fā)明具有的優(yōu)勢是可以快速的識(shí)別并標(biāo)記一副圖像中的多種缺陷類型。具體實(shí)施步驟如下：[0030] 1.采用Otsu算法(最大類間方差)自動(dòng)計(jì)算閾值實(shí)現(xiàn)圖像二值化。讀取圖像像素值，計(jì)算灰度直方圖，根據(jù)類間方差最大確定最佳閾值，對灰度圖像進(jìn)行閾值自動(dòng)分割。[0031] 2.葉片缺陷的一些位置本來應(yīng)該是一個(gè)完整的連通區(qū)域，但因?yàn)槿~片在同一位置的缺陷程度比較淺，使得在二值化后缺陷變成一個(gè)個(gè)獨(dú)立的小連通區(qū)域。這會(huì)使得對缺陷的檢測出現(xiàn)數(shù)目過多，可能導(dǎo)致缺陷被判斷為多個(gè)獨(dú)立缺陷。根據(jù)二值化圖像特征，選用圓盤形模板采用閉運(yùn)算將彌散分布的孔洞合并得到連通區(qū)域，同時(shí)去除孤立亮點(diǎn)噪聲。[0032] 3.Blob連通區(qū)域統(tǒng)計(jì)，并標(biāo)記每個(gè)連通區(qū)域。[0033] 4.采用Blob處理方法，在連通區(qū)域的掃描過程中，同時(shí)獲取連通區(qū)域的幾何特征，包括連通區(qū)域的線段邊界點(diǎn)、最小外接矩形及形心位置，并同時(shí)將缺陷連通區(qū)域數(shù)據(jù)存入各Blob的信息結(jié)構(gòu)體中。[0034] 所述缺陷分類模塊參考圖4訓(xùn)練階段，根據(jù)風(fēng)機(jī)運(yùn)轉(zhuǎn)過程中葉片常見缺陷(麻面、點(diǎn)蝕、裂紋、斷裂)確定特征參數(shù)，作為分類器的特征向量對分類器進(jìn)行訓(xùn)練，并對樣本集中的缺陷進(jìn)行分類。具體步驟如下：[0035] 1.選取特征向量。根據(jù)缺陷類型選取面積特征A、圓度因子C、細(xì)長度特征S以及孔洞數(shù)為訓(xùn)練分類器的輸入特征參數(shù)。[0036] 面積特征A： 其中，(i,j)目標(biāo)區(qū)域的起始坐標(biāo)，M,N為目標(biāo)區(qū)域的長和寬，I(x,y)為目標(biāo)區(qū)域像素；

[0037] 圓度因子C： 其中，P為目標(biāo)區(qū)域周長，A為目標(biāo)區(qū)域面積；[0038] 細(xì)長度為目標(biāo)區(qū)域等效矩形的長寬比；[0039] 孔洞數(shù)用拓?fù)湫螤钐卣髅枋?，這里用歐拉數(shù)E來表示拓?fù)涮卣?。H表示目標(biāo)區(qū)域中空洞數(shù)，C表示連通域數(shù)?？锥磾?shù)結(jié)合面積特征快速有效區(qū)分麻面和點(diǎn)蝕。[0040] E＝C?H[0041] 2.利用支持向量機(jī)(SM)對葉片缺陷進(jìn)行決策分類，樣本特征向量數(shù)據(jù)作為分類器的輸入。由于樣本空間非線性問題，在支持向量中，針對樣本集線性不可分的情況，本發(fā)明選用徑向基核函數(shù)完成將輸入原始樣本數(shù)據(jù)映射到高維空間中使樣本數(shù)據(jù)變成線性可分，確定最優(yōu)分類線，最終得到最優(yōu)分類模型。[0042] 3.分類器測試階段。將各種葉片缺陷的圖像作為輸入，可得到缺陷定位的相關(guān)數(shù)據(jù)(表1列出了各種缺陷數(shù)據(jù)示例)以及分類結(jié)果。為了得到分類器的準(zhǔn)確度對實(shí)驗(yàn)結(jié)果進(jìn)行分析。[0043] 表1葉片缺陷檢測數(shù)據(jù)示例(部分?jǐn)?shù)據(jù))[0044][0045][0046] 使用訓(xùn)練完成的分類器對葉片中的麻面、裂紋、點(diǎn)蝕、折斷情況進(jìn)行診斷，分類結(jié)果及準(zhǔn)確率如表2所示。[0047] 表2各缺陷分類的準(zhǔn)確率[0048][0049] 由表2可知，對四種缺陷檢測的準(zhǔn)確率分別為86.02％、93.12％、87.11％、96.06％，各種缺陷準(zhǔn)確度較高，平均準(zhǔn)確度高達(dá)90.63％。如表3所示，為比較算法的準(zhǔn)確度，與卷積神經(jīng)網(wǎng)絡(luò)(CNN)算法Inception?2、ResNet?50、ResNet?101、Inception?ResNet?2實(shí)驗(yàn)數(shù)據(jù)比較，檢測的準(zhǔn)確率高于目前常用的這四種卷積算法。

[0050] 表3不同的卷積神經(jīng)網(wǎng)絡(luò)算法與本發(fā)明方法分類效果對比[0051]