【技术实现步骤摘要】
本专利技术涉及风机叶片安全监测，特别涉及一种基于轻量化分割网络的风机叶片净空检测方法。
技术介绍
1、随时间推移，机组性能和寿命都在逐年缩减，导致风电机组扫塔、倒塔、叶片断裂等事故频繁出现。因此，研究学者提出叶片净空用以衡量风机是否安全运行。叶片净空是指风机叶片在运行过程中与塔筒表面的垂直几何距离，最小净空则是叶片运行到最低点时与塔筒表面的垂直距离。风机净空距离发生变化，轻则导致扫风面积变小影响发电效率，重则发生扫塔事故造成严重的安全隐患。目前，解决复杂多变环境下的风机净空距离估算及避免扫塔问题是当前风力发电技术发展的重要方向之一。
2、he等人提出了一种基于高速相机的便携式叶尖间隙测量系统，该方法基于图像数据计算叶尖间隙，但由于相机摄像范围有限，只能拍摄固定区域的叶片情况，获取数据无法保证其完整性，难以对净空进行完整的评估。但是基于图像处理的风机净空计算的难点在光照变化、大雾大雨、黑夜等复杂环境中难以准确获取叶片的轮廓。鉴于此，zhang提出的基于毫米波雷达传感器的风力机塔架与叶尖间隙测量与控制方法，通过安装在塔筒表面的八个毫米波雷达传感器，不断测量运行过程中塔筒与叶片之间距离的变化值，估算出叶片与塔架之间的最小间隙距离，能适应恶劣天气、光照差的情况，但成本昂贵。
3、由于目前风力发电机组安装正逐步向海上和山地区域发展，其室外环境复杂多变，在大雨大雾大雪等天气对风机叶片的图像数据分析影响较大。国内外研究学者利用深度学习鲁棒性和抗干扰能力强的优势，克服基于图像净空检测易受特殊环境影响的劣势。wu等人提出了
4、一般情况下，风速只要达到3米/秒，叶尖速度可达280多公里每小时。因此需进一步提升检测网络的速度，但同时由于风机设备计算能力受限，常用的检测算法在风机设备中难以发挥高精度的优势。
技术实现思路
1、本专利技术提供了一种基于轻量化分割网络的风机叶片净空检测方法，以解决
技术介绍
所提到的技术问题。
2、为达到上述目的，本专利技术的技术方案是这样实现的：
3、本专利技术提供了一种基于轻量化分割网络的风机叶片净空检测方法，包括如下步骤：
4、s1、采集多张风机叶片图片并构建训练集；
5、s2、在yolov8原网络模型的基础框架上，构建改进的yolov8-ennet目标检测网络，改进的yolov8-ennet目标检测网络包括依次连接的骨干网络、嵌入eca模块的改进的瓶颈层neck以及预测层head；其中骨干网络选用引入cbam注意力机制的efficientnetv2主干网络；
6、s3、从训练集中选择一张风机叶片图片输入到改进的yolov8-ennet目标检测网络中，最终得到带有边界框且边界框周边标注有目标类别和置信度的图片；即检测结果；
7、s4、构建总损失函数，计算检测结果与真实结果之间的损失，循环s3至s4，直至总损失函数收敛，并利用反传播算法更新改进的yolov8-ennet目标检测网络的权重，得到训练后的yolov8-ennet目标检测网络；
8、s5、对训练后的yolov8-ennet目标检测网络进行测试，得到测试结果，并通过测试结果计算得到净空值。
9、进一步地，所述s1具体包括如下步骤：
10、s11、在风力发电机塔架上安装摄像机，摄像机架设在叶片和塔筒之间，并朝向叶片的叶尖方向；
11、s12、通过摄像机对叶片、叶尖与塔筒进行拍摄，得到包含塔筒、叶片和叶尖的视频，然后对视频进行抽帧、清洗处理，得到多张风机叶片图片，风机叶片图片包含塔筒以及叶尖和/或叶片，然后用多张风机叶片图片构建训练集。
12、进一步地，所述s2中的efficientnetv2主干网络共含有8个阶段；8个阶段依次有序连接；
13、其中，第0阶段为一个卷积层；相对于efficientnetv1网络，第一至第三阶段将原本的mbconv模块替换为fused-mbconv模块，以减少计算复杂度；第四阶段至第六阶段均为两个连接的mbconv模块；第七阶段为依次连接的卷积层、pooling&fc模块以及空间金字塔池化快速模块sppf；其中，第三阶段和第四阶段嵌入了cbam注意力机制，以减少冗余特征对后续卷积操作的影响；第四至第六阶段中的mbconv模块嵌入了se模块；从而增强特征表示的能力；
14、所述eca模块嵌入在瓶颈层neck内的跨阶段特征融合模块c2f中，且嵌入在跨阶段特征融合模块c2f内的多个bottleneck模块中；
15、所述预测层head包括大中小三个检测头，以进行多尺度检测。
16、进一步地，所述eca模块通过全局平均池化、卷积层和激活函数在通道维度上加权特征图，以增强重要的通道特征。
17、进一步地，所述eca模块中的工作过程具体如下：
18、步骤a1、首先eca模块内的全局平均池化将输入到eca模块的特征图转化为一维向量，捕捉全局的空间信息，得到每个通道的全局特征表示；
19、步骤a2、将每个通道的全局特征表示输入到卷积层中，卷积层使用一个大小为k的一维卷积核通道描述符进行1d卷积操作，通过局部跨通道交互捕捉重要的特征信息；
20、步骤a3、将卷积层的输出结果通过sigmoid激活函数，将输出值压缩成0到1之间，生成的每个通道的权重，每个通道的权重能够适当调节输入到eca模块的特征图中的信息；
21、步骤a4、将原始特征图的每个通道乘以相应的通道注意力权重，生成增强后的特征图，即重新加权特征图。
22、进一步地，所述步骤a1中的一维向量具体如下：
23、 ；
24、其中，c是总通道数，h是特征图的高度，w是特征图的宽度；是输入到eca模块的特征图的第个通道；表示当前通道数；分别指的是特征图的高度和宽度；
25、所述步骤a2中的1d卷积操作的计算公式为：
26、；
27、其中，k是卷积核大小；
28、所述步骤a3中的sigmoid函数的计算公式为：
29、；
30、其中，是第个通道的注意力权重；表示sigmoid函数符号；
31、所述重新加权特征图的计算公式为：
32、；
33、其中，是重新加权后的第个通道。
34、进一步地，所述s3具体包括如下步骤：
35、s31、从训练集中选择一张风机叶片图片输入到改进的yolov8-ennet目标检测网络中，efficientnetv2主干网络对本文档来自技高网...
【技术保护点】
1.一种基于轻量化分割网络的风机叶片净空检测方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的风机叶片净空检测方法，其特征在于，所述S1具体包括如下步骤：
3.根据权利要求1所述的风机叶片净空检测方法，其特征在于，所述S2中的EfficientNetV2主干网络共含有8个阶段；8个阶段依次有序连接；
4.根据权利要求3所述的风机叶片净空检测方法，其特征在于，所述ECA模块通过全局平均池化、卷积层和激活函数在通道维度上加权特征图，以增强重要的通道特征。
5.根据权利要求4所述的风机叶片净空检测方法，其特征在于，所述ECA模块中的工作过程具体如下：
6.根据权利要求5所述的风机叶片净空检测方法，其特征在于，所述步骤a1中的一维向量具体如下：
7.根据权利要求1所述的风机叶片净空检测方法，其特征在于，所述S3具体包括如下步骤：
8.根据权利要求1所述的风机叶片净空检测方法，其特征在于，所述S4中的总损失函数由位置损失函数、置信度损失函数和分类损失函数按照设定系数相加而成；
9.根据权
10.根据权利要求9所述的风机叶片净空检测方法，其特征在于，所述风机叶尖和风机叶片融合检测方法、叶尖分割检测方法两个检测方法的选用规则为：
...【技术特征摘要】
1.一种基于轻量化分割网络的风机叶片净空检测方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的风机叶片净空检测方法，其特征在于，所述s1具体包括如下步骤：
3.根据权利要求1所述的风机叶片净空检测方法，其特征在于，所述s2中的efficientnetv2主干网络共含有8个阶段；8个阶段依次有序连接；
4.根据权利要求3所述的风机叶片净空检测方法，其特征在于，所述eca模块通过全局平均池化、卷积层和激活函数在通道维度上加权特征图，以增强重要的通道特征。
5.根据权利要求4所述的风机叶片净空检测方法，其特征在于，所述eca模块中的工作过程具体如下：
【专利技术属性】
技术研发人员：万琴，戴健涛，黄凌翔，李澄清，肖俊颖，阳雪兵，张辉，谢秋月，李智，
申请(专利权)人：湖南工程学院，
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。