風電場風機葉片無人機自主巡檢系統分析設計與研究
2024-10-15 15:24:26 點擊：
目前,風電機組外觀巡檢主要以高倍望遠鏡觀察或“蜘蛛人”高空繞行下降的方式目測檢查。但以上人工巡檢方式耗費人力嚴重,效率低下,且工作質量受人體疲勞、參差不齊的人員素質等因素影響較大,“蜘蛛人”的方式還存在人身安全風險高的問題,同時這種人工作業的模式缺乏對巡檢數據的規范化管理。尤其是海上風電,受風浪環境、離岸距離、交通工具等因素影響,人員出海進行日常巡檢存在難度大、風險高、效率低下等一系列問題。同時,相較于陸上風電,海上風電機組運行環境惡劣,風機缺陷風險更高。為此,相較于陸地風電場,海上風電場的日常維護及巡檢難度更大。
為了解決高空巡檢作業的問題,近年來多旋翼無人機逐漸被引入風電機組外觀巡檢工作中。但是由于風機巡檢內容的復雜性, 目前多旋翼無人機風機巡檢的模式主要為人員在風機機位下手動操控無人機巡檢,少數廠家可以通過預先設置固定風機停機位的方式實現半自動飛行巡檢。但是以上模式依舊需要人員到達每臺風機的機位下方,存在效率低下、自動化程度較低的問題,尤其是海上風電開船出海到達每臺機位的效率非常低下;并且手動飛行還存在人員操作不穩定、不規范等問題,對后續數據集約化處理不利。
因此,面向風電場尤其是海上風電場提高風機外觀巡檢自動化水平、減少人工巡檢作業頻次、提高巡檢作業效率的需求,為適應風電場運維工作智能化的發展趨勢[1—7],本文研究設計以大疆多旋翼無人機為核心檢測設備的風機葉片 自主巡檢系統,以實現無人機對風電機組葉片外觀巡檢的自動化功能。
1主要功能
無人機自主巡檢的全過程實施方案可以劃分為以下幾個主要步驟:①目標風機停機→②一鍵啟動巡檢任務,無人機起飛→③無人機抵近,獲取風機停機狀態關鍵參數→④計算巡檢關鍵點, 自動規劃巡檢飛行路徑→⑤沿葉片定距飛行→⑥高分辨率攝像頭進行連續拍照→⑦巡檢任務結束,開始返航→⑧高精度降落到啟航點。
對應以上實施步驟,無人機自主巡檢系統需要實現的主要功能劃分如下。
1.1 巡檢前準備和巡檢任務啟動
將風電場的風機進行編號,和該風機的葉片長度、輪轂高度、輪轂半徑、塔筒基座GPS坐標等已知固定參數關聯,形成風機數據表。巡檢任務啟動時,操作人員可在人機交互界面上輸入待檢風機編號,操作無人機系統啟動自主巡檢任務。
1.2停機狀態參數獲取
風力發電機組主要停機狀態數據是風機風輪的偏航角、葉片的傾角等隨機停機參數,停機姿態的確定為后續自主路徑規劃提供了基礎。
1.3 巡檢路徑點規劃
根據風機停機狀態參數,結合飛行安全距離等配置參數,風機葉片長度、輪轂高度、輪轂半徑等已知固定參數,計算完成巡檢任務的關鍵路徑點,按照關鍵路徑點依次飛行,形成飛行路徑。
1.4 定距飛行功能
無人機在對風機進行外觀巡檢時保持恒定距離,以保證攝像有效性。
1.5 云臺追蹤調整及自動連拍
巡檢葉片過程中,云臺實時調整攝像頭位置,將風機葉片始終保持在視野中心位置,并連續拍攝照片。
1.6高精度降落
無人機能夠安全返航,高精度降落至指定降落回收位置。
2自主巡檢系統軟硬件
2.1 系統硬件構成
風電場風機葉片無人機自主巡檢系統分析設計與研究
地面設備:地面設備用于運行開發者的上位機程序。上位機程序采用交互式模式,以便巡檢人員輸入待檢風機編號, 自定義的風機安全飛行距離參數、飛行速度等數據,并含任務執行啟動和重要傳感器數據實時顯示。為了便于巡檢人員攜帶,可選用Android 或IoS平板電腦,上位機程序由Java等程序設計語言編寫。
遙控器:無人機與地面設備之間的數據鏈路包括控制鏈路、數傳鏈路和圖傳鏈路等,地面設備首先通過有線(USB)或無線(wi—Fi)連接傳遞到大疆無人機的遙控器上,并最終通過Wi—Fi、LightBridge、OcuSynC等鏈路傳遞到無人機上,因此需要以遙控器作為媒介來進行通信和數據傳輸。
嵌入式計算平臺:嵌入式計算平臺用于運行下位機程序,包含核心應用算法功能模塊,應與無人機適配并兼具較高的性能,具備圖像處理程序的良好運行效果。本文選用ManiFold 2C/2G機載計算機。
感知設備:無人機平臺上需掛載高清相機或激光 雷達等感知設備,用以滿足復雜多樣的圖像處理和分析任務,而云臺能夠實現搭載相機俯仰角和偏航角的實時變化和調整,通過拍攝角度的調整從而達到所拍攝圖片具有良好效果的功能。本文選用的H20T攝像頭包含2000萬像素變焦相機、1200萬像素廣角相機、1 200 m激光測距儀與熱成
像相機,具備強大的功能,如圖3所示。
風電場風機葉片無人機自主巡檢系統分析設計與研究
2.2 系統軟件組成
系統軟件包含應用算法和控制程序,是風機葉片自主巡檢系統的基礎部分,可分為人機交互層、數據傳輸層、下位機層和功能支撐層,其中人機交互層和下位機層分別運行著上位機系統程序和下位機系統程序,是軟件系統的核心。
上位機程序運行在地面設備上并與遙控器連接,本質上為一個人機交互式程序。該上位機系統保留參數輸入位置,在巡檢前可輸入待巡檢風機的編號和巡檢時離風機的安全距離、巡檢飛行速度等自定義參數,上位機程序可以實
現一鍵點擊啟動,可以在無人機巡檢飛行時進行狀態監控,包含相機實時拍攝畫面展示、坐標位置與飛行速度展示、剩余電量和百分號表示的巡檢完成程度顯示等功能。本文的上位機系統基于大疆MSDK開發套件進行開發,是實現在移動端手持設備上操控無人機的重要組成部分。
下位機程序運行在嵌入式計算平臺上,包含為實現無人機自主巡檢任務而設計的各種核心應用算法與控制程序。在計算平臺上,巡檢任務開啟后,這些應用算法與控制程序可以實現:粗定位到待巡檢風機塔柱上方附近位置處停留;控制攝像機與云臺,實現視頻流的拍攝與高分辨率圖像的獲取;檢測風機葉片和輪轂等目標,實現無人機風機偏航角、輪轂位置與風機葉片傾角等重要參數的求解; 自動生成巡檢路徑的關鍵點,由航點任務規劃最終實現無人機自主飛行功能。本文的下位機系統基于大疆OSDK開發套件進行開發,可通過調用指定的接口來獲取無人機上的各類數據,執行相應的計算和處理,生成對應的控制指令控制無人機執行相應的動作。
系統軟件功能模塊示意圖如圖4所示。
3自主巡檢關鍵技術
對于無人機風機葉片全自主巡檢而言,核心技術包含對于風機以任意姿態停機后相關參數的測算,結合已知和測算參數的巡檢路徑的自動規劃和攝像頭將風機葉片盡量保持在視野中央位置的云臺自動追蹤。
3.1風機停機姿態參數測算
當風機以任意狀態停機時,風輪偏航角α和風機葉片傾角θ參數是隨機的,需要無人機上搭載的感知設備進行姿態參數的測算。
從感知設備處理圖像的維度,可以分為2D圖像數據與3D點云數據。
3.1.1 2D圖像數據設備
風機是由三扇兩兩互成120°角的葉片組成,具有特殊的外觀結構,三扇葉片基本在同一平面上。對于2D平面圖像,可選取風機葉片作為目標特征,并采用深度學習圖像識別算法識別出葉片(與導流罩),繪制葉片矩形識別框,計算其位置和大小。在與輪轂等高的位置上，環繞風機飛行一周'攝像頭實時采集風機外觀視頻流并檢測風機葉片,計算葉片矩形識別框的橫縱比(即矩形邊界框的寬度與高度比),將檢測出的矩形框橫縱比中的最小值作為此位置的矩形框度量值,在環繞飛行的過程中,找到矩形框度量值最小的兩個位置P1和P2,如圖5所示。
再結合塔柱GPS坐標和P1、P2位置的坐標,即可計算風輪平面所在位置,再根據環繞飛行過程中識別出導流罩的無人機相對位置,計算出風輪平面的朝向。最終,無人機結合輪轂高度和測算的風輪偏航角α, 自行飛行至風輪平面正前方'根據逆時針方向下距離豎直塔柱最近的葉片矩形識別框的對角線與豎直方向的夾角,估算出風機葉片傾角θ,如圖6所示。
3.1.2 3D點云數據設備
對于3D點云數據,當使用激光雷達、毫米波雷達等硬件設備或SFM與MVS等三維成像算法獲取風機外觀3D點云數據后,首先采用點云濾波去除風機點云的噪點和無關點云數據,再使用點云模型分割等方法得到風電機組各部分模型,最后利用葉片點云的點云投影、空間擬合和骨架提取等算法計算獲取風輪偏航角α和風機葉片傾角θ。
3.2自主巡檢路徑規劃
自主巡檢路徑規劃技術需要計算巡檢路徑上關鍵點在GPS模塊下的經緯高坐標(LLA)數據,使無人機依次飛行到這些關鍵點的位置上,從而形成對風機三扇葉片前緣、后緣和迎風面、背風面的表面巡檢。
技術功能實現方面,首先是建立坐標系計算關鍵位置,分別以風機塔柱地面中心為原點建立起東北天坐標系(ENU)R1,以三扇葉片中心線的交匯點(在輪轂內部)為原點,建立輪轂坐標系R2。在輪轂坐標系R2上,結合輪轂半徑r、葉片長度L、距離葉片的安全飛行距離w和測算的葉片傾角參數θ,計算出輪轂坐標系R2下各個關鍵點的空間坐標。之后結合輪轂高度h、風輪偏航角α和塔柱與葉片中心線交匯點之間的平移距離s參數,生成東北天坐標系R1和輪轂坐標系R2之間的旋轉變換矩陣,將輪轂坐標系R2下的關鍵點坐標換算到東北天坐標系R1下。最后再將東北天坐標系R1下的關鍵點空間數據根據坐標系換算公式計算生成經緯高坐標,輸入給無人機的飛行模塊,并根據飛行的位置調整變換無人機機頭朝向和云臺角度,保證相機始終正對葉片,拍攝出清晰的風機表面外觀圖像或視頻數據。圖7所示為當風機葉片呈倒Y字型停機時的巡檢飛行仿真路徑。
3.3視覺伺服云臺追蹤
在沿著風機預設路徑點飛行時,可能會由若干因素的影響而導致相機在飛行到葉尖的過程中稍稍偏離葉片,所以在拍攝時,需要盡量保持風機葉片位于相機視野中央。本文采用先對視頻流圖像幀中的葉片進行分割,再對分割出的葉片區域進行邊緣檢測和直線擬合的方法,提取出最后的中軸線。根據中軸線的圖像位置,云臺控制相機,使拍攝的葉片圖像盡量位于相機視野中央,方便后續的葉片圖像拼接等工作。可采用基于HSV顏色模型的傳統圖像處理方法:HSV顏色模型是一種直觀的顏色模型,符合人眼的視覺感知特性,另一方面亮度分量與圖像的色彩信息無關,對于光照的抗干擾能力強。針對含有特定顏色信息的 目標圖像分割,顏色特征是區分前景和背景的一個重要特征信息。
對于初始目標幀選取兩個特征定位點,框選出一個矩形區域來提取顏色特征,求取該區域的HSV 通道閾值范圍;顏色特征提取到的特征值構成了對目標區域分割的先驗信息,通過該信息進行圖像分割;形態學處理得到連通區域,并選取其中的最大連通域作為檢測到的葉片區域來提取其邊界;根據邊緣信息計算左邊緣直線和右邊緣直線,并計算提取中軸線的位置;根據中軸線中點與圖像中間點之間的偏移來調整云臺姿態,效果如圖8所示。
4檢測內容與應用
基于本文所研究的無人機風機葉片自主巡檢技術,無人機能夠自動對風電場中風機葉片的前緣、后緣、迎風面和背風面等外觀關鍵部位進行巡檢,通過在關鍵路徑點位置拍攝高清相片或視頻,獲取海量的外觀巡檢數據。搭建智能識別系統和采用基于深度學習的缺陷檢測算法,對這些外觀數據進行學習和訓練,能夠自主識別出風機葉片外觀缺陷的種類和面積。通過后續巡檢數據的收集和積累,缺陷檢測模型也能夠不斷更新和完善。智能識別系統根據無人機傳輸的圖像,利用AI云計算、圖像處理技術,實時識別缺陷, 自動診斷設備故障。同時結合攝影測量技術,對故障部位進行定位,自動完成初步診斷工作,協助檢修人員快速識別和分析問題,并提供實時預警。圖9所示為無人機風機巡檢葉片的幾種典型缺陷。
5 結束語
本文對風機葉片無人機自主巡檢系統的軟硬件平臺和關鍵技術核心算法實現等進行了研究設計和分析,通過使用無人機相關技術對風機葉片進行自主化智能巡檢,不僅有效降低了人力成本,簡化了巡檢流程,極大地提高了風機葉片的巡檢效率,而且還促進了風機運維巡檢工作由傳統方式向數字化、自動化、智能化轉型,對于新能源風電場場站風機葉片的巡檢工作開展具有較強的現實意義。
為了解決高空巡檢作業的問題,近年來多旋翼無人機逐漸被引入風電機組外觀巡檢工作中。但是由于風機巡檢內容的復雜性, 目前多旋翼無人機風機巡檢的模式主要為人員在風機機位下手動操控無人機巡檢,少數廠家可以通過預先設置固定風機停機位的方式實現半自動飛行巡檢。但是以上模式依舊需要人員到達每臺風機的機位下方,存在效率低下、自動化程度較低的問題,尤其是海上風電開船出海到達每臺機位的效率非常低下;并且手動飛行還存在人員操作不穩定、不規范等問題,對后續數據集約化處理不利。
因此,面向風電場尤其是海上風電場提高風機外觀巡檢自動化水平、減少人工巡檢作業頻次、提高巡檢作業效率的需求,為適應風電場運維工作智能化的發展趨勢[1—7],本文研究設計以大疆多旋翼無人機為核心檢測設備的風機葉片 自主巡檢系統,以實現無人機對風電機組葉片外觀巡檢的自動化功能。
1主要功能
無人機自主巡檢的全過程實施方案可以劃分為以下幾個主要步驟:①目標風機停機→②一鍵啟動巡檢任務,無人機起飛→③無人機抵近,獲取風機停機狀態關鍵參數→④計算巡檢關鍵點, 自動規劃巡檢飛行路徑→⑤沿葉片定距飛行→⑥高分辨率攝像頭進行連續拍照→⑦巡檢任務結束,開始返航→⑧高精度降落到啟航點。
對應以上實施步驟,無人機自主巡檢系統需要實現的主要功能劃分如下。
1.1 巡檢前準備和巡檢任務啟動
將風電場的風機進行編號,和該風機的葉片長度、輪轂高度、輪轂半徑、塔筒基座GPS坐標等已知固定參數關聯,形成風機數據表。巡檢任務啟動時,操作人員可在人機交互界面上輸入待檢風機編號,操作無人機系統啟動自主巡檢任務。
1.2停機狀態參數獲取
風力發電機組主要停機狀態數據是風機風輪的偏航角、葉片的傾角等隨機停機參數,停機姿態的確定為后續自主路徑規劃提供了基礎。
1.3 巡檢路徑點規劃
根據風機停機狀態參數,結合飛行安全距離等配置參數,風機葉片長度、輪轂高度、輪轂半徑等已知固定參數,計算完成巡檢任務的關鍵路徑點,按照關鍵路徑點依次飛行,形成飛行路徑。
1.4 定距飛行功能
無人機在對風機進行外觀巡檢時保持恒定距離,以保證攝像有效性。
1.5 云臺追蹤調整及自動連拍
巡檢葉片過程中,云臺實時調整攝像頭位置,將風機葉片始終保持在視野中心位置,并連續拍攝照片。
1.6高精度降落
無人機能夠安全返航,高精度降落至指定降落回收位置。
2自主巡檢系統軟硬件
2.1 系統硬件構成
圖1所示是無人機葉片 自主巡檢系統的硬件設備組成示意圖,包含無人機平臺、地面設備、遙控器、嵌入式計算平臺和傳感器等。
風電場風機葉片無人機自主巡檢系統分析設計與研究
地面設備:地面設備用于運行開發者的上位機程序。上位機程序采用交互式模式,以便巡檢人員輸入待檢風機編號, 自定義的風機安全飛行距離參數、飛行速度等數據,并含任務執行啟動和重要傳感器數據實時顯示。為了便于巡檢人員攜帶,可選用Android 或IoS平板電腦,上位機程序由Java等程序設計語言編寫。
遙控器:無人機與地面設備之間的數據鏈路包括控制鏈路、數傳鏈路和圖傳鏈路等,地面設備首先通過有線(USB)或無線(wi—Fi)連接傳遞到大疆無人機的遙控器上,并最終通過Wi—Fi、LightBridge、OcuSynC等鏈路傳遞到無人機上,因此需要以遙控器作為媒介來進行通信和數據傳輸。
嵌入式計算平臺:嵌入式計算平臺用于運行下位機程序,包含核心應用算法功能模塊,應與無人機適配并兼具較高的性能,具備圖像處理程序的良好運行效果。本文選用ManiFold 2C/2G機載計算機。
感知設備:無人機平臺上需掛載高清相機或激光 雷達等感知設備,用以滿足復雜多樣的圖像處理和分析任務,而云臺能夠實現搭載相機俯仰角和偏航角的實時變化和調整,通過拍攝角度的調整從而達到所拍攝圖片具有良好效果的功能。本文選用的H20T攝像頭包含2000萬像素變焦相機、1200萬像素廣角相機、1 200 m激光測距儀與熱成
像相機,具備強大的功能,如圖3所示。
風電場風機葉片無人機自主巡檢系統分析設計與研究
2.2 系統軟件組成
系統軟件包含應用算法和控制程序,是風機葉片自主巡檢系統的基礎部分,可分為人機交互層、數據傳輸層、下位機層和功能支撐層,其中人機交互層和下位機層分別運行著上位機系統程序和下位機系統程序,是軟件系統的核心。
上位機程序運行在地面設備上并與遙控器連接,本質上為一個人機交互式程序。該上位機系統保留參數輸入位置,在巡檢前可輸入待巡檢風機的編號和巡檢時離風機的安全距離、巡檢飛行速度等自定義參數,上位機程序可以實
現一鍵點擊啟動,可以在無人機巡檢飛行時進行狀態監控,包含相機實時拍攝畫面展示、坐標位置與飛行速度展示、剩余電量和百分號表示的巡檢完成程度顯示等功能。本文的上位機系統基于大疆MSDK開發套件進行開發,是實現在移動端手持設備上操控無人機的重要組成部分。
下位機程序運行在嵌入式計算平臺上,包含為實現無人機自主巡檢任務而設計的各種核心應用算法與控制程序。在計算平臺上,巡檢任務開啟后,這些應用算法與控制程序可以實現:粗定位到待巡檢風機塔柱上方附近位置處停留;控制攝像機與云臺,實現視頻流的拍攝與高分辨率圖像的獲取;檢測風機葉片和輪轂等目標,實現無人機風機偏航角、輪轂位置與風機葉片傾角等重要參數的求解; 自動生成巡檢路徑的關鍵點,由航點任務規劃最終實現無人機自主飛行功能。本文的下位機系統基于大疆OSDK開發套件進行開發,可通過調用指定的接口來獲取無人機上的各類數據,執行相應的計算和處理,生成對應的控制指令控制無人機執行相應的動作。
系統軟件功能模塊示意圖如圖4所示。
3自主巡檢關鍵技術
對于無人機風機葉片全自主巡檢而言,核心技術包含對于風機以任意姿態停機后相關參數的測算,結合已知和測算參數的巡檢路徑的自動規劃和攝像頭將風機葉片盡量保持在視野中央位置的云臺自動追蹤。
3.1風機停機姿態參數測算
當風機以任意狀態停機時,風輪偏航角α和風機葉片傾角θ參數是隨機的,需要無人機上搭載的感知設備進行姿態參數的測算。
從感知設備處理圖像的維度,可以分為2D圖像數據與3D點云數據。
3.1.1 2D圖像數據設備
風機是由三扇兩兩互成120°角的葉片組成,具有特殊的外觀結構,三扇葉片基本在同一平面上。對于2D平面圖像,可選取風機葉片作為目標特征,并采用深度學習圖像識別算法識別出葉片(與導流罩),繪制葉片矩形識別框,計算其位置和大小。在與輪轂等高的位置上，環繞風機飛行一周'攝像頭實時采集風機外觀視頻流并檢測風機葉片,計算葉片矩形識別框的橫縱比(即矩形邊界框的寬度與高度比),將檢測出的矩形框橫縱比中的最小值作為此位置的矩形框度量值,在環繞飛行的過程中,找到矩形框度量值最小的兩個位置P1和P2,如圖5所示。
再結合塔柱GPS坐標和P1、P2位置的坐標,即可計算風輪平面所在位置,再根據環繞飛行過程中識別出導流罩的無人機相對位置,計算出風輪平面的朝向。最終,無人機結合輪轂高度和測算的風輪偏航角α, 自行飛行至風輪平面正前方'根據逆時針方向下距離豎直塔柱最近的葉片矩形識別框的對角線與豎直方向的夾角,估算出風機葉片傾角θ,如圖6所示。
3.1.2 3D點云數據設備
對于3D點云數據,當使用激光雷達、毫米波雷達等硬件設備或SFM與MVS等三維成像算法獲取風機外觀3D點云數據后,首先采用點云濾波去除風機點云的噪點和無關點云數據,再使用點云模型分割等方法得到風電機組各部分模型,最后利用葉片點云的點云投影、空間擬合和骨架提取等算法計算獲取風輪偏航角α和風機葉片傾角θ。
3.2自主巡檢路徑規劃
自主巡檢路徑規劃技術需要計算巡檢路徑上關鍵點在GPS模塊下的經緯高坐標(LLA)數據,使無人機依次飛行到這些關鍵點的位置上,從而形成對風機三扇葉片前緣、后緣和迎風面、背風面的表面巡檢。
技術功能實現方面,首先是建立坐標系計算關鍵位置,分別以風機塔柱地面中心為原點建立起東北天坐標系(ENU)R1,以三扇葉片中心線的交匯點(在輪轂內部)為原點,建立輪轂坐標系R2。在輪轂坐標系R2上,結合輪轂半徑r、葉片長度L、距離葉片的安全飛行距離w和測算的葉片傾角參數θ,計算出輪轂坐標系R2下各個關鍵點的空間坐標。之后結合輪轂高度h、風輪偏航角α和塔柱與葉片中心線交匯點之間的平移距離s參數,生成東北天坐標系R1和輪轂坐標系R2之間的旋轉變換矩陣,將輪轂坐標系R2下的關鍵點坐標換算到東北天坐標系R1下。最后再將東北天坐標系R1下的關鍵點空間數據根據坐標系換算公式計算生成經緯高坐標,輸入給無人機的飛行模塊,并根據飛行的位置調整變換無人機機頭朝向和云臺角度,保證相機始終正對葉片,拍攝出清晰的風機表面外觀圖像或視頻數據。圖7所示為當風機葉片呈倒Y字型停機時的巡檢飛行仿真路徑。
3.3視覺伺服云臺追蹤
在沿著風機預設路徑點飛行時,可能會由若干因素的影響而導致相機在飛行到葉尖的過程中稍稍偏離葉片,所以在拍攝時,需要盡量保持風機葉片位于相機視野中央。本文采用先對視頻流圖像幀中的葉片進行分割,再對分割出的葉片區域進行邊緣檢測和直線擬合的方法,提取出最后的中軸線。根據中軸線的圖像位置,云臺控制相機,使拍攝的葉片圖像盡量位于相機視野中央,方便后續的葉片圖像拼接等工作。可采用基于HSV顏色模型的傳統圖像處理方法:HSV顏色模型是一種直觀的顏色模型,符合人眼的視覺感知特性,另一方面亮度分量與圖像的色彩信息無關,對于光照的抗干擾能力強。針對含有特定顏色信息的 目標圖像分割,顏色特征是區分前景和背景的一個重要特征信息。
對于初始目標幀選取兩個特征定位點,框選出一個矩形區域來提取顏色特征,求取該區域的HSV 通道閾值范圍;顏色特征提取到的特征值構成了對目標區域分割的先驗信息,通過該信息進行圖像分割;形態學處理得到連通區域,并選取其中的最大連通域作為檢測到的葉片區域來提取其邊界;根據邊緣信息計算左邊緣直線和右邊緣直線,并計算提取中軸線的位置;根據中軸線中點與圖像中間點之間的偏移來調整云臺姿態,效果如圖8所示。
4檢測內容與應用
基于本文所研究的無人機風機葉片自主巡檢技術,無人機能夠自動對風電場中風機葉片的前緣、后緣、迎風面和背風面等外觀關鍵部位進行巡檢,通過在關鍵路徑點位置拍攝高清相片或視頻,獲取海量的外觀巡檢數據。搭建智能識別系統和采用基于深度學習的缺陷檢測算法,對這些外觀數據進行學習和訓練,能夠自主識別出風機葉片外觀缺陷的種類和面積。通過后續巡檢數據的收集和積累,缺陷檢測模型也能夠不斷更新和完善。智能識別系統根據無人機傳輸的圖像,利用AI云計算、圖像處理技術,實時識別缺陷, 自動診斷設備故障。同時結合攝影測量技術,對故障部位進行定位,自動完成初步診斷工作,協助檢修人員快速識別和分析問題,并提供實時預警。圖9所示為無人機風機巡檢葉片的幾種典型缺陷。
5 結束語
本文對風機葉片無人機自主巡檢系統的軟硬件平臺和關鍵技術核心算法實現等進行了研究設計和分析,通過使用無人機相關技術對風機葉片進行自主化智能巡檢,不僅有效降低了人力成本,簡化了巡檢流程,極大地提高了風機葉片的巡檢效率,而且還促進了風機運維巡檢工作由傳統方式向數字化、自動化、智能化轉型,對于新能源風電場場站風機葉片的巡檢工作開展具有較強的現實意義。
- 上一篇：沒有啦
- 下一篇：PCB電阻器的多功能應用 2024/10/15
