(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202210613504.5 (22)申请日 2022.06.01 (65)同一申请的已公布的文献号 申请公布号 CN 114723747 A (43)申请公布日 2022.07.08 (73)专利权人 领伟创新智能系统 （浙江） 有限公 司 地址 325000 浙江省温州市龙湾区海 洋科 技创业园C1幢3 04室 (72)发明人 李峰平　孙浩然　李小刚　林苏奔　 张昆鹏　郭剑　邵正鹏　冯光　 黄海玉　郑陈孙　刘潘东　李函禧　 (74)专利代理 机构 杭州万合知识产权代理事务 所(特殊普通 合伙) 33294 专利代理师 余冬　万珠明(51)Int.Cl. G06T 7/00(2017.01) G06T 7/73(2017.01) G06N 3/04(2006.01) G06N 3/08(2006.01) H03H 17/02(2006.01) (56)对比文件 CN 107742291 A,2018.02.27 审查员 苏晓燕 (54)发明名称 一种基于稀疏测度最大化的风机叶片表面 缺陷定位方法 (57)摘要 本发明公开了一种基于稀疏测度最大化的 风机叶片表面缺陷定位方法， 包括以下步骤， 获 取到风机叶片表面图像后， 使用相关机器学习方 法， 对灰度图片进行训练， 找到叶片区域与背景 区域； 其次设置二维数字滤波器宽度为n， 并令其 滤波器初值均为0； 随后使用卷积神经网络对滤 波器n×n个元素进行优化， 以最大化图片 稀疏测 度为目标， 找到滤波器元素最优解； 对于待检测 的任一测试图像， 使用获得的滤波参数进行滤 波； 若滤波后特征大于预定阈值， 则该像素点为 缺陷特征。 本发明以稀疏测度最大化为优化目 标， 从二维数字滤波器的优化构建出发， 利用卷 积神经网络找到其最优解。 本发 明仅需极少量的 数据即可完成滤波器参数的优化， 具有一定的实 用价值。 权利要求书1页 说明书5页 附图5页 CN 114723747 B 2022.09.13 CN 114723747 B 1.一种基于稀疏测度最大化的风机叶片表面缺陷定位方法， 其特征在于： 包括以下步 骤： S1： 获取风机叶片表面图像； S2： 将叶片表面图像转换至灰度图片； S3： 使用机器学习方法， 对灰度图片进行训练， 找到叶片区域与背景区域； S4： 设置滤波器宽度为 n， 并令其滤波器初值均为0； S5： 使用卷积神经网络对滤波器n ×n个元素进行优化， 以最大化图片稀疏测度为目标， 找到滤波器元 素最优解； S6： 对于待检测的任一测试图像， 使用S4 步骤中获得的滤波参数进行 滤波； S7： 去除滤波后图像特 征的低频趋势成分， 留下高频 特征； S8： 若高频特征大于预定阈值， 同时像素点位于S3步骤的叶片区域上， 则该像素点为缺 陷特征； 所述的步骤S 8中,使用的缺陷特 征判断算法为： 其中， Rij为当前像素点的缺陷判断结果， 1表示当前像素点为缺陷位置， 0表示当前像素 点不含有缺陷信息， i， j为分别为图像行列索引号， Sparse为当前像素点对应的稀疏测度， Sparseth为预设的稀疏测度阈值， Maskij为步骤S3获得的点(i， j)的状态信息 。 2.根据权利要求1所述的基于稀疏测度最大化的风机 叶片表面缺陷定位方法， 其特征 在于： 所述的步骤S3中， 叶片区域与背景区域的表述方法为： 其中Maskij为点(i， j)的状态信息， 当为1时， 点(i， j)为叶片区域， 当为0时， 点(i， j)为 背景区域， i， j为分别为图像行列索引号。 3.根据权利要求1所述的基于稀疏测度最大化的风机 叶片表面缺陷定位方法， 其特征 在于： 所述的步骤S5中,卷积神经网络优化目标函数为： arg max f(w)＝Sparse(I*w)； 其中， arg  max[ ]表示使目标函数取最大值时的变量值， Sparse()为计算系数测度的 符号， *表示卷积运 算， I为步骤S2中获取到的灰度图像， w 为滤波器参数。 4.根据权利要求1所述的基于稀疏测度最大化的风机 叶片表面缺陷定位方法， 其特征 在于： 所述的步骤S6中,滤波的具体过程 为： 其中 表示滤波后的图形特征， 为待滤波的风机叶片表面图像， *表示卷积运算， w为 滤波器参数。权　利　要　求　书 1/1 页 2 CN 114723747 B 2一种基于稀 疏测度最大化的风机叶片表面缺陷定位方 法 技术领域 [0001]本发明涉及 风电设施表面质量检测技术领域， 特别涉及 一种基于稀疏测 度最大化 的风机叶片表面 缺陷定位方法。 背景技术 [0002]作为风力发电机组的力源和主要承载部件， 风机叶片的运行状态对于保证风机工 作效率具有重要的作用。 然而， 风机主要位于自然条件较好的地区， 暴风雨、 风沙和雷击等 都有可能损伤叶片 。 随着国内风电场运行时间的增加， 风机叶片表面缺陷的快速、 高效检测 变得越来越重要。 传统的人工 巡检已难以满足要求。 发明内容 [0003]本发明的目的在于， 一种基于稀疏测度最大化的风机叶片表面缺陷定位方法。 本 发明仅需极少量的数据即可完成滤波器参数的优化。 [0004]本发明的技术方案： 一种基于稀疏测度最大化的风机叶片表面缺陷定位方法， 包 括以下步骤： [0005]S1： 获取风机叶片表面图像； [0006]S2： 将叶片表面图像转换至灰度图片； [0007]S3： 使用机器学习方法， 对灰度图片进行训练， 找到叶片区域与背景区域； [0008]S4： 设置滤波器宽度为 n， 并令其滤波器初值均为0； [0009]S5： 使用卷积神经网络对滤波器n ×n个元素进行优化， 以最大化图片稀疏测度为 目标， 找到滤波器元 素最优解； [0010]S6： 对于待检测的任一测试图像， 使用S4 步骤中获得的滤波参数进行 滤波； [0011]S7： 去除滤波后图像特 征的低频趋势成分， 留下高频 特征； [0012]S8： 若高频特征大于预定阈值， 同时像素点位于S3步骤的叶片区域上， 则该像素点 为缺陷特征。 [0013]上述的基于稀疏测度最大化的风机叶片表面缺陷定位方法， 所述的步骤S3中， 叶 片区域与背景区域的表述方法为： [0014] [0015]其中 为点 的状态信息， 当为1时， 点 为叶片区域， 当为0时， 点 为背景区域， ， 为分别为图像行列索引号。 [0016]前述的基于稀疏测 度最大化的风机叶片表面缺陷定位方法， 所述的步骤S5中,  卷 积神经网络优化目标函数为： [0017] ；说　明　书 1/5 页 3 CN 114723747 B 3