【技术实现步骤摘要】
本专利技术属于新能源风力发电系统的智能监测与故障预警应用，具体涉及面向新能源风力发电机组的智能图像漏油监测方法及系统，特别是基于图像处理与深度学习的风电设备润滑油管道漏油监测方法及系统。
技术介绍
1、当前新能源风力发电在能源结构中占据越来越重要的地位，而风力发电机组的安全稳定运行对能源供应的保障至关重要。其中，风机润滑系统的状态直接影响着风电机组的可靠性，润滑油管道的漏油情况必须得到有效监测，以避免引发事故。
2、目前，现场人工检查润滑管道状态的效率较低，无法实现风机润滑系统的持续监测，存在漏检风险。近年来，计算机视觉与人工智能技术取得长足发展，在工业现场应用广泛，基于这些技术手段构建智能的风机润滑系统监测系统，实现润滑管道的自动化漏油检测与预警，势在必行。
3、基于上述问题，本专利技术提供面向新能源风力发电机组的智能图像漏油监测方法及系统。
技术实现思路
1、专利技术目的：本专利技术的目的是提供面向新能源风力发电机组的智能图像漏油监测方法及系统，能够对风机润滑油管道实现自动化的漏油检测与预警，以解决现有技术中对漏油监测不足的问题。
2、技术方案：本专利技术的第一方面提供面向新能源风力发电机组的智能图像漏油监测方法，包括以下步骤，s1、使用工业级双光谱摄像头采集风机机舱内可见光和红外图像；s2、对可见光图像进行基于深度学习的图像复原和质量增强；s3、使用目标检测模型识别增强后可见光图像中的管道表面潜在漏油点；s4、对可见光和红外图像进行配准，分
3、本技术方案的，所述s2中的基于深度学习的图像复原和质量增强方法，使用生成对抗网络作为画质增强模型，包含生成器和判别器，生成器采用编码-解码结构。
4、本技术方案的，所述画质增强模型中的生成器包含：第一编码层、第二编码层、三编码层，采用卷积和池化逐步降采样；第一解码层、第二解码层、三解码层，采用反卷积和上采样逐步还原；生成器输出层，获得增强后的图像。
5、本技术方案的，所述s3中的目标检测模型包含特征提取网络和预测网络，特征提取网络采用resnet残差结构，预测网络包含锚框预测分支和分类预测分支。
6、本技术方案的，所述目标检测模型中的特征提取网络包含：五个残差结构模块，每个模块包含多个残差块；多尺度特征融合是实现了顶层到底层的连接，获得多尺度特征。
7、本技术方案的，所述图像配准采用sift特征匹配算法实现；所述温度分布采用对应点温度差值实现；所述卷积神经网络模型部署于npu芯片上。
8、本技术方案的，还包括标准润滑管道样本库，用于网络模型的训练和优化。
9、本专利技术的第二方面提供面向新能源风力发电机组的智能图像漏油监测系统，由图像采集模块、可见光画质增强模块、红外测温模块、可见光漏油检测模块、双光谱信息融合模块和告警模块组成；所述可见光画质增强模块、红外测温模块分别与图像采集模块连接，可见光画质增强模块、红外测温模块分别与可见光漏油检测模块、双光谱信息融合模块连接，双光谱信息融合模块分别与可见光漏油检测模块、告警模块连接；所述图像采集模块，用于采集设备可见光和红外光图像，所述可见光画质增强模块，用于对可见光图像进行深度学习画质增强、去抖动、去模糊，所述可见光漏油检测模块，用于基于目标检测模型识别潜在漏油点，所述红外测温模块，根据红外测温图像获得画面温度信息，所述双光谱信息融合模块，用于实现可见光与红外图像配准，分析温度特征，所述报警模块，用于综合图像与温度信息判断漏油，并发出预警。
10、本技术方案的，所述面向新能源风力发电机组的智能图像漏油监测系统，还包括温度检测模块，用于检测对应点的温度差值；其中，温度检测模块分别与图像采集模块、双光谱信息融合模块连接。
11、本技术方案的，所述基于深度学习的可见光画质增强模块，使用生成对抗网络作为画质增强模型，包含生成器和判别器，生成器采用编码-解码结构，其中，可见光画质增强模块中的生成器包含：第一编码层、第二编码层、三编码层，采用卷积和池化逐步降采样，第一解码层、第二解码层、三解码层，采用反卷积和上采样逐步还原，生成器输出层，获得增强后的图像；所述目标检测模型包含特征提取网络和预测网络，特征提取网络采用resnet残差结构，预测网络包含锚框预测分支和分类预测分支，其中，目标检测模型中的特征提取网络包含：五个残差结构模块，每个模块包含多个残差块，多尺度特征融合是实现了顶层到底层的连接，获得多尺度特征；所述信息融合模块采用sift算法实现图像配准，所述报警模块在判定有漏油时触发本地和远程报警，所述卷积神经网络模型部署于npu芯片上。
12、与现有技术相比，本专利技术的面向新能源风力发电机组的智能图像漏油监测方法及系统的有益效果在于：1、同时利用了可见光与红外双模态信息进行智能化漏油监测，两者相互验证，大幅提高了漏油识别的准确性；2、深度学习画质增强算法提高了机舱抖动条件下可见光图像的质量，目标检测网络识别润滑管道表面潜在漏油点，配准算法实现了多模态信息的精确对应，使系统能够快速、准确地对漏油进行检测与定位；3、当检测到漏油时，能够及时响应预警，显著缩短事故响应时间，大幅提升风电设备的安全性与可靠性。
本文档来自技高网...【技术保护点】
1.面向新能源风力发电机组的智能图像漏油监测方法，其特征在于：包括以下步骤，
2.根据权利要求1所述的面向新能源风力发电机组的智能图像漏油监测方法，其特征在于：所述S2中的基于深度学习的图像复原和质量增强方法，使用生成对抗网络作为画质增强模型，包含生成器和判别器，生成器采用编码-解码结构。
3.根据权利要求2所述的面向新能源风力发电机组的智能图像漏油监测方法，其特征在于：所述画质增强模型中的生成器包含：第一编码层、第二编码层、三编码层，采用卷积和池化逐步降采样；第一解码层、第二解码层、三解码层，采用反卷积和上采样逐步还原；生成器输出层，获得增强后的图像。
4.根据权利要求1所述的面向新能源风力发电机组的智能图像漏油监测方法，其特征在于：所述S3中的目标检测模型包含特征提取网络和预测网络，特征提取网络采用ResNet残差结构，预测网络包含锚框预测分支和分类预测分支。
5.根据权利要求4所述的面向新能源风力发电机组的智能图像漏油监测方法，其特征在于：所述目标检测模型中的特征提取网络包含：五个残差结构模块，每个模块包含多个残差块；多尺度特
6.根据权利要求1所述的面向新能源风力发电机组的智能图像漏油监测方法，其特征在于：所述图像配准采用SIFT特征匹配算法实现；所述温度分布采用对应点温度差值实现；所述卷积神经网络模型部署于NPU芯片上。
7.根据权利要求1所述的面向新能源风力发电机组的智能图像漏油监测方法，其特征在于：还包括标准润滑管道样本库，用于网络模型的训练和优化。
8.面向新能源风力发电机组的智能图像漏油监测系统，其特征在于：由图像采集模块、可见光画质增强模块、红外测温模块、可见光漏油检测模块、双光谱信息融合模块和告警模块组成；
9.根据权利要求8所述的面向新能源风力发电机组的智能图像漏油监测系统，其特征在于：所述面向新能源风力发电机组的智能图像漏油监测系统，还包括温度检测模块，用于检测对应点的温度差值；
10.根据权利要求8所述的面向新能源风力发电机组的智能图像漏油监测系统，其特征在于：所述基于深度学习的可见光画质增强模块，使用生成对抗网络作为画质增强模型，包含生成器和判别器，生成器采用编码-解码结构，其中，可见光画质增强模块中的生成器包含：第一编码层、第二编码层、三编码层，采用卷积和池化逐步降采样，第一解码层、第二解码层、三解码层，采用反卷积和上采样逐步还原，生成器输出层，获得增强后的图像；
...【技术特征摘要】
1.面向新能源风力发电机组的智能图像漏油监测方法，其特征在于：包括以下步骤，
2.根据权利要求1所述的面向新能源风力发电机组的智能图像漏油监测方法，其特征在于：所述s2中的基于深度学习的图像复原和质量增强方法，使用生成对抗网络作为画质增强模型，包含生成器和判别器，生成器采用编码-解码结构。
3.根据权利要求2所述的面向新能源风力发电机组的智能图像漏油监测方法，其特征在于：所述画质增强模型中的生成器包含：第一编码层、第二编码层、三编码层，采用卷积和池化逐步降采样；第一解码层、第二解码层、三解码层，采用反卷积和上采样逐步还原；生成器输出层，获得增强后的图像。
4.根据权利要求1所述的面向新能源风力发电机组的智能图像漏油监测方法，其特征在于：所述s3中的目标检测模型包含特征提取网络和预测网络，特征提取网络采用resnet残差结构，预测网络包含锚框预测分支和分类预测分支。
5.根据权利要求4所述的面向新能源风力发电机组的智能图像漏油监测方法，其特征在于：所述目标检测模型中的特征提取网络包含：五个残差结构模块，每个模块包含多个残差块；多尺度特征融合是实现了顶层到底层的连接，获得多尺度特征。
6.根据权利要求1所述的面向新能源风力...
【专利技术属性】
技术研发人员：王龙，景文林，宋坤，周超，赵亚军，王成军，王玉琛，孙子正，
申请(专利权)人：南京南自信息技术有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。