基于自适应参数区域增长算法的风扇叶片缺陷识别.

科学领域:

• 可再生能源工程可再生能源工程
• 在维护中的人工智能.
• 非破坏性测试是指非破坏性测试.

背景情况:

• 风力发电面临恶劣环境和复杂条件的挑战,导致高运营和维护成本.
• 风力轮机叶片的故障是停机时间的重要原因,需要有效的检查和维护策略.
• 当前的缺陷识别方法可能缺乏复杂操作条件所需的效率.

研究的目的:

• 开发一种更有效的风力轮机叶片缺陷识别方法.
• 为解决由风力轮机叶片故障造成的长时间停机问题.
• 用自动化技术提高风力轮机叶片检查的准确性和可靠性.

主要方法:

• 图像处理技术包括灰度缩放,过,直方图平衡和Grab-cut前景细分被应用于无人机捕获的刀片图像.
• 为缺陷识别开发了一个自适应参数区域增长算法,利用预处理的图像数据和传统的缺陷特征.
• 优化了种子点选择和值确定,以便在各种条件下准确识别缺陷.

主要成果:

• 拟议的算法有效地识别了风力轮机叶片上以较暗,块或点形状为特征的缺陷.
• 形态算法和框架优化被用来证明在图像中的缺陷识别.
• 平均交叉在欧盟 (MIoU) 绩效指数证实了算法的有效性,并通过实验数据进行了验证.

结论:

• 开发的缺陷识别方法为风力轮机叶片检查提供了更高的效率和准确性.
• 这种方法可以帮助降低运营成本,并尽量减少风力发电中停机时间.
• 该研究通过比较实验分析验证了拟议的算法的有效性.