(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211375227.5 (22)申请日 2022.11.04 (71)申请人 国网江西省电力有限公司电力科 学 研究院 地址 330096 江西省南昌市青山湖区民营 科技园民强路8 8号 申请人 国家电网有限公司 　 南昌科晨电力试验研究有限公司 (72)发明人 熊俊杰　曾伟　赵伟哲　饶臻　 匡德兴　李佳　张堃　吴建国　 (74)专利代理 机构 南昌丰择知识产权代理事务 所(普通合伙) 36137 专利代理师 吴称生 (51)Int.Cl. G06T 7/00(2017.01)G06N 3/04(2006.01) G06N 3/08(2006.01) G06T 5/00(2006.01) G06T 7/11(2017.01) G06V 10/30(2022.01) G06V 10/44(2022.01) G06V 10/764(2022.01) G06V 10/80(2022.01) G06V 10/82(2022.01) (54)发明名称 一种风力发电机组叶片覆冰形态分析方法 (57)摘要 本发明公开了一种风力发电机组叶片覆冰 形态分析方法， 具体步骤如下： 采集风力发电机 组叶片侧面图像数据集， 通过判断叶片长度像素 值的极值， 获取风力发电机组任一叶片与地面垂 直时的侧面图像， 对数据做增强处理； 构建基于 ω型神经网络的图嵌入式叶片覆冰区域分割网 络， 分割出与地面垂直的风机叶片 的覆冰区域； 最后将覆冰区域厚度的像素值转换为实际覆冰 厚度， 并对覆冰区域进行形态分析。 本发明的有 益效果是： 本发 明仅凭摄像头采集图像信息搭配 基于图嵌入式叶片覆冰区域分割网络的非接触 式风力发电机组叶片覆冰分割监测算法完成对 风力发电机组叶片覆冰厚度测量和覆冰的形态 分析。 权利要求书3页 说明书7页 附图3页 CN 115423810 A 2022.12.02 CN 115423810 A 1.一种风力发电机组叶片覆冰形态分析 方法， 其特 征是： 具体步骤如下： 步骤S1： 采集风力发电机组叶片侧面图像数据集， 通过判断风力发电机组叶片长度像 素值的极值， 获取风力发电机组中任一叶片与地 面垂直时的图像； 步骤S2： 构建基于ω型神经网络的图嵌入式叶片覆冰区域分割网络， 将步骤S1中得到 的风力发电机组中任一叶片与地面垂直时的图像放入图嵌入式叶片覆冰区域分割网络进 行图像数据增强处理， 对增强处理后的图像数据进行分割处理， 得到与地面垂直的风机叶 片的覆冰区域； 步骤S3： 对步骤S2中与地面垂直的风机叶片的覆冰区域进行形态分析， 检测出与地面 垂直的风机叶片的覆冰区域像素值， 将覆冰区域像素值转换为覆冰厚度， 根据覆冰厚度将 覆冰区域划分为重冰区、 中冰区、 轻冰区。 2.根据权利要求1所述的一种风力发电机组叶片覆冰形态分析方法， 其特征是： 在步骤 S1中， 采集风力发电机组叶片侧面图像数据集是利用APL超远高清相机远距离采集， 在APL 超远高清相 机的视野范围内安装正方形 的标定物， 标定物中心高度与APL超远高清相机等 高， 标定物与风力发电机在同一深度位置 。 3.根据权利要求1所述的一种风力发电机组叶片覆冰形态分析方法， 其特征是： 在步骤 S2中， 构建基于 ω型神经网络的图嵌入式叶片覆冰区域分割网络， 具体操作如下： S21， 对采集的图像数据进行增 强处理， 搭建像素还原模块和图像再生成模块， 对图像 数据做降噪去雾增强处 理； S22， 基于全局信息引导金字塔与尺度感知金字塔按照ω型神经网络搭建网络的编码 层和解码层； S23， 使用欧几里得距离衡量编码层提取的特征间的相似性， 根据编码层提取的特征间 的相似性将分割网络全连接层中的卷积特 征重建为图形 特征， 增强特 征表达能力。 4.根据权利要求3所述的一种风力发电机组叶片覆冰形态分析方法， 其特征是： 图像数 据增强处理通过引入像素还原模块和图像再生成模块分别对每个通道的像素信息进行复 原； 像素还原模块由通道注意力模块和像素注意力模块组成， 通道注意力模块帮助ω型神 经网络去关注被雾气影响的特 征信息， 像素注意力模块对每 个像素点进行加权； 图像再生成模块对像素还原模块提取的特征图进行去雾操作； 所述图像再生成模块由 三个Ghost模块和一个卷积组成， 第一个Ghost模块对提取的特征图做整合细化处理， 第二 个Ghost模块和第三个 Ghost模块分别对整合细化处理后的特征图进 行降维， 降维后输出的 特征图与像素还原模块得到的特 征图相融合 通过卷积输出， 得到再生成的去雾图像。 5.根据权利要求4所述的一种风力发电机组叶片覆冰形态分析方法， 其特征是： 全局信 息引导金字塔在编 码的过程中， 通过将当前编 码层的特征图与当前编 码层的下一层编 码层 的特征图相结合； 将当前编码层的下一层编码层提取的图像特征通过一个线性映射函数映射到与当前 编码层相同的通道空间中， 定义第层编码层生成的特征图为Gi， 使用扩张卷积从不同级别 的特征图中提取全局信息， 使用普通卷积获取最终的特 征图； 全局信息引导金字塔的推理公式如下：权　利　要　求　书 1/3 页 2 CN 115423810 A 2其中Fi为第i层编码层通过全局信息引导后推理出的特征图； 表示连接操 作； Dconv表示扩张卷积， 为扩张率； U表示上采样操作， 为采样率； Gi为第i层编码层生 成的特征图， n表示扩张率上的编码层的层数， m表示采样率上的编码层的层数， 且n=m。 6.根据权利要求5所述的一种风力发电机组叶片覆冰形态分析方法， 其特征是： 尺度感 知金字塔具体过程如下： 选择不同扩 张率的扩 张卷积来捕捉不同的尺度信 息； 接着定义尺度感知模块来融合不 同的尺度特征， 通过自学习的方式动态选择合适的尺度特征并融合； 定义不同尺度特征为 ， 其中 为编码的过程中提取到的第t个特征， 不同尺度特征经过卷积操 作得到的特征图为 ， GFt是卷积操作后生成的第t张特征图， 由归一化 指数函数对空间值 生成像素级注意图； 推理公式如下： 其中CEs是生成的像素级注意图， s=2 ～t， GFs是卷积操作后生成的第s张特 征图； 将特征图进行融合， 获取最终融合特 征， 推理公式如下： 其中Feature为最终融合特 征， 为待融合的特 征。 7.根据权利要求6所述的一种风力发电机组叶片覆冰形态分析方法， 其特征是： 根据编 码层提取的特征间的相似性将分割网络全连接层中的卷积特征重建为图形特征， 为构建图 形特征， 从每幅图像中提取的每个特征都作为图像的一个节 点， 将图形特征进 行分批重 建； 重建图形 特征的具体操作方法为： T1， 将图形 特征分成批次， 每批图形 特征中的每 个特征作为重建图型 特征的节点； T2， 通过计算每 个节点到其 余节点的欧几里 得距离， 为每 个节点找到最近的k个邻居； T3， 通过邻接矩阵生成每 个节点与其 最近的k个邻居之间重建图形 特征的边； 定义卷积特 征集合为 ， 对于第j个卷积特征 能够重建为第j 个图型特征 ， 定义 (V,E)表示为节点之间的潜在关系， V表示每个卷积特征 组成 的节点，E是每个卷积特 征 组成的节点之间的边， 以邻接矩阵A的形式表示。 8.根据权利要求7所述的一种风力发电机组叶片覆冰形态分析方法， 其特征是： 通过邻 接矩阵生成每 个节点与其 最近的k个邻居之间重建图形 特征的边； 其 步骤如下： （1） 初始化邻接矩阵A,初始化卷积特 征之间的距离 D,初始化排序距离为变量 R； （2） 计算卷积特 征之间的距离， 卷积特 征之间的距离推理公式： 其中，D(p,q)是节点p和节点q之间的距离， 和 是卷积特征集合 C中的任意两权　利　要　求　书 2/3 页 3 CN 115423810 A 3