一种风力发电机履冰监测方法与流程

1.本发明涉及风力发电机监测的技术领域，尤其涉及一种风力发电机履冰监测方法。


背景技术：

2.现今，风力发电已成为我国电能生产的主要方式之一，其不仅具有较强的清洁无污染特性，而且还能有效降低生产成本，提高资源、能源利用率。但是有些风能发电地区的冬季温度较低，一旦外界环境温差较大，就会导致风力发电机叶片上出现覆冰情况，进而严重影响机组的正常运行，使得风力发电质量和效率大大降低，针对该问题，本发明提出一种风力发电机履冰监测方法，保证风力发电机安全运行。


技术实现要素：

3.有鉴于此，本发明提供一种风力发电机履冰监测方法，目的在于：1)由于在恶劣天气场景下，所采集风力发电机风叶图像存在大量图像噪声信号，因此通过采取多尺度图像分解，并利用结合分解尺度的自适应阈值对不同尺度下的分解结果进行噪声信号过滤处理，其中尺度越高则阈值越大，高尺度分解结果的处理程度越低，避免过滤大量高尺度下的轮廓信息，实现对采集的风力发电机风叶图像的去噪处理，并对去噪后的风力发电机风叶图像进行分段增强处理，当图像像素的原始灰度值过低或过高时，采用对数变换对像素灰度值进行处理，扩展低灰度值的范围并压缩高灰度值范围，即将图像中暗的部分扩展，抑制图像中亮的部分，突出恶劣天气下所采集图像中的昏暗部分，有利于恶劣天气下的风力发电机履冰监测，并在其他灰度值区间中采用伽马变换，增强不同灰度级之间差异，实现图像细节增强，提高覆冰厚度监测的准确率；2)通过构建结合图像形态特征的风力发电机风叶履冰识别模型，基于图像形态特征选取最优边缘检测算子模板，利用所选取的边缘检测算子模板进行边缘检测，得到风力发电机风叶的履冰边缘图像，进而计算得到风力发电机风叶表面的冰面厚度，在模型优化过程中，新增待优化模型参数向量的近似项对模型参数向量进行调节优化，避免迭代更新后的模型参数向量偏离稳定结果过多。
4.实现上述目的，本发明提供的一种风力发电机履冰监测方法，包括以下步骤：
5.s1：采集风力发电机风叶图像并对采集的风力发电机风叶图像进行去噪处理，得到去噪后的风力发电机风叶图像，其中自适应阈值为所述去噪处理的主要实施方式；
6.s2：对去噪后的风力发电机风叶图像进行分段增强处理，得到增强后的风力发电机风叶图像；
7.s3：构建风力发电机风叶履冰识别模型，所述模型以增强后的风力发电机风叶图像为输入，以履冰边缘图像为输出；
8.s4：利用改进的非凸优化方法对风力发电机风叶履冰识别模型进行优化，得到最优风力发电机风叶履冰识别模型，其中近似交替方向优化方法为所述非凸优化方法的主要实施方法；
9.s5：利用最优风力发电机风叶履冰识别模型对增强后的风力发电机风叶图像进行履冰边缘图像提取，并基于履冰边缘图像计算风力发电机风叶表面的冰面厚度，若冰面厚度超过预设置的冰面阈值则进行预警。
10.作为本发明的进一步改进方法：
11.可选地，所述s1步骤中采集风力发电机风叶图像并对采集的风力发电机风叶图像进行去噪处理，包括：
12.在风力发电机附近部署摄像机，利用摄像机实时采集当前时刻的风力发电机风叶图像，并对所采集的风力发电机风叶图像进行去噪处理，得到去噪后的风力发电机风叶图像，其中去噪处理流程为：
13.s11：对所采集的风力发电机风叶图像i进行灰度化处理，其中灰度化处理公式为：
14.g(i,j)＝max{r(i,j),g(i,j),b(i,j)},i∈[1,m],j∈[1,n]
[0015]
其中：
[0016]
r(i,j),g(i,j),b(i,j)表示风力发电机风叶图像i中像素i(i,j)分别在r,g,b颜色通道的颜色值；像素i(i,j)表示风力发电机风叶图像i中第i行第j列的像素；
[0017]
g(i,j)表示风力发电机风叶图像i中像素i(i,j)的灰度值；
[0018]
m表示风力发电机风叶图像的行像素数目，n表示风力发电机风叶图像的列像素数目；
[0019]
s12：构建空间滤波系数矩阵w：
[0020][0021]
其中：
[0022]
w(a1,a2)表示空间滤波系数矩阵w中的滤波系数，a1,a2＝{-1,0,1}
[0023]
s13：利用空间滤波系数矩阵w对风力发电机风叶图像中任意像素i(i,j)的灰度值进行空间滤波处理，其中空间滤波处理的公式为：
[0024][0025]
其中：
[0026]g′
(i,j)表示空间滤波处理后像素i(i,j)的灰度值；
[0027]
s14：以风力发电机风叶图像的中心像素为原点，水平方向为x轴方向，竖直方向为y轴方向，将风力发电机风叶图像中像素位置映射到坐标系，其中f(x,y)表示处于坐标(x,y)的像素的灰度值，该灰度值为空间滤波处理后像素的灰度值；
[0028]
s15：调节图像分解尺度b，对风力发电机风叶图像进行多尺度分解处理：
[0029][0030]
其中：
[0031]
d(b)表示尺度b下的风力发电机风叶图像分解结果，b∈[1,b]，[1,b]表示风力发电机风叶图像的分解尺度范围，b表示最大图像分解尺度；
[0032]
q表示虚数单位，q2＝-1；
[0033]
e表示自然常数；
[0034]
s16：构建自适应调节的阈值函数：
[0035][0036]
其中：
[0037]
λb表示对尺度b下风力发电机风叶图像分解结果进行处理的阈值；
[0038]
λ表示基准阈值；
[0039]
s17：基于阈值函数对不同尺度下的风力发电机风叶图像分解结果进行处理，过滤不同尺度下图像分解结果的噪声信号，其中处理公式为：
[0040][0041]
其中：
[0042]d′
(b)表示处理后的尺度b下的风力发电机风叶图像分解结果；
[0043]
s18：将噪声信号过滤后的图像分解结果进行重构，得到去噪后的风力发电机风叶图像：
[0044][0045]
其中：
[0046]i′
表示去噪后的风力发电机风叶图像，f
′
(x,y)表示i
′
中处于坐标(x,y)的像素的灰度值。
[0047]
可选地，所述s2步骤中对去噪后的风力发电机风叶图像进行分段增强处理，包括：
[0048]
对去噪后的风力发电机风叶图像i
′
进行分段增强处理，得到分段增强处理后的风力发电机风叶图像i
″
，其中分段增强处理公式为：
[0049][0050]
其中：
[0051]
f1,f2为分段灰度值，f1《f2；
[0052]f′
(x,y)表示i
′
中处于坐标(x,y)的像素的灰度值；
[0053]f″
(x,y)表示i
′
中处于坐标(x,y)的像素的分段增强后灰度值。
[0054]
在本发明实施例中，当原始灰度值过低或过高时，采用对数变换对像素灰度值进行处理，扩展低灰度值的范围并压缩高灰度值范围，即将图像中暗的部分扩展，抑制图像中亮的部分，突出恶劣天气下所采集图像中的昏暗部分，有利于恶劣天气下的风力发电机履冰监测，并在其他灰度值区间中采用伽马变换，增强像素的细节。
[0055]
可选地，所述s3步骤中构建风力发电机风叶履冰识别模型，包括：
[0056]
构建风力发电机风叶履冰识别模型，所述模型以增强后的风力发电机风叶图像为输入，以履冰边缘图像为输出，其中基于形态分析的细胞机为风力发电机风叶履冰识别模型的主要结构；
[0057]
所构建模型包括输入层、形态特征提取层、模板选择层以及输出层，输入层用于接收增强后的风力发电机风叶图像，形态特征提取层用于提取增强后的风力发电机风叶图像的形态特征，基于形态特征选取边缘检测算子模板，并利用所选取的边缘检测算子模板对增强后的风力发电机风叶图像进行边缘检测标记，将边缘标记结果构成履冰边缘图像，作为输出层的输出结果；
[0058]
所述形态特征提取层包括形态处理层以及卷积层，形态处理层用于利用膨胀矩阵以及腐蚀矩阵对增强后的风力发电机风叶图像进行形态学处理，卷积层用于对形态学处理结果进行卷积运算，得到特征图，其中卷积层中卷积核的大小为3
×
3像素；
[0059]
模板选择层包括池化层以及激活函数，对特征图进行池化处理，并利用模板匹配函数计算池化处理结果与边缘检测算子模板的相关性，选取相关性最高的边缘检测算子模板作为模板选取结果。在本发明实施例中，所述边缘检测算子模板包括sobel算子模板、roberts算子模板、拉普拉斯算子模板、canny算子模板等。
[0060]
可选地，所述s4步骤中利用改进的非凸优化方法对风力发电机风叶履冰识别模型进行优化，包括：
[0061]
利用改进的非凸优化方法对风力发电机风叶履冰识别模型进行优化，其中模型优化流程为：
[0062]
s41：采集不同环境下的去噪增强后风力发电机风叶图像，并对所采集图像的边缘进行标记提取，得到真实履冰边缘图像，构成模型训练的训练集data：
[0063]
data＝{(un,en)|n∈[1,h]}
[0064]
其中：
[0065]
un表示所采集的第n张去噪增强后风力发电机风叶图像，en表示第n张去噪增强后风力发电机风叶图像的真实履冰边缘图像，h表示训练集data中的去噪增强后风力发电机风叶图像总数；
[0066]
s42：构建风力发电机风叶履冰识别模型的训练目标函数：
[0067][0068]
其中：
[0069]
l(θ)表示风力发电机风叶履冰识别模型的训练目标函数，θ表示待训练优化的模型参数向量，包括膨胀矩阵、腐蚀矩阵、卷积层权重以及偏置量参数；
[0070]
sim(
·
)表示余弦相似度计算，hu(
·
)表示hu矩特征提取；
[0071]
表示将un输入到基于模型参数向量θ的风力发电机风叶履冰识别模型中，模型输出的履冰边缘图像；
[0072]
s43：初始化模型参数向量θ0，设置模型训练的当前迭代次数t，t的初始值为0；
[0073]
s44：生成参数近似项：
[0074][0075]
其中：
[0076]
α表示0-1之间的调节常数；
[0077]zt
表示第t次迭代的参数近似项；
[0078]
||
·
||表示l1范数；
[0079]
s45：对模型参数向量进行迭代更新：
[0080][0081]
若||θ
t+1-θ
t
||《∈，则结束模型参数向量迭代，令θ
t+1
为训练得到的最优模型参数向量，并基于最优模型参数向量构建最优风力发电机风叶履冰识别模型，否则令t＝t+1，返回步骤s44。
[0082]
可选地，所述s5步骤中利用最优风力发电机风叶履冰识别模型对增强后的风力发电机风叶图像进行履冰边缘图像提取，包括：
[0083]
利用最优风力发电机风叶履冰识别模型对增强后的风力发电机风叶图像进行履冰边缘图像提取，其中履冰边缘图像提取流程为：
[0084]
s51：将增强后的风力发电机风叶图像i
″
输入到最优风力发电机风叶履冰识别模型中；
[0085]
s52：利用最优风力发电机风叶履冰识别模型中的膨胀矩阵以及腐蚀矩阵，对增强后的风力发电机风叶图像依次进行膨胀处理以及腐蚀处理，并对形态学处理后的图像i
*
进行卷积运算：
[0086]
f＝conv(q
ti*
+h)
[0087]
其中：
[0088]
conv(
·
)表示卷积层的卷积运算；
[0089]
q表示卷积层中卷积核的权重参数，h表示卷积核的偏置量；
[0090]
f表示特征图；
[0091]
s53：对特征图进行池化操作以及激活函数处理：
[0092]f′
＝σ[c(f)]
[0093]
其中：
[0094]
c(
·
)表示池化操作，步长为2；
[0095]
σ(
·
)表示激活函数，选取relu激活函数；
[0096]f′
表示池化操作以及激活函数处理后的特征图；
[0097]
s54：计算得到特征图f
′
与边缘检测算子模板sk的相关性cor(f
′
,sk)：
[0098][0099]
其中：
[0100]
sk表示第k种边缘检测算子模板；
[0101]
||
·
||2表示l2范数；
[0102]
选取相关性最高的边缘检测算子模板作为模板选取结果；
[0103]
s55：利用所选取的边缘检测算子模板对增强后的风力发电机风叶图像进行边缘检测标记，将边缘标记结果构成履冰边缘图像，作为模型的输出结果。
[0104]
可选地，所述s5步骤中基于履冰边缘图像计算风力发电机风叶表面的冰面厚度，包括：
[0105]
以履冰边缘图像中封闭边缘图像的内部中心点为基准点，风叶朝向为坐标轴方向，构建一维坐标轴，选取一维坐标轴上任意一个坐标点h，以该坐标点为端点向两侧边缘发射射线，所发射射线垂直于一维坐标轴，得到射线与两侧边缘的交点，计算得到两个交点之间的距离，作为该坐标点h对应的风叶表面厚度vh，并计算得到该坐标点h对应的冰面厚度v
h-v，其中v表示风叶厚度，所选取坐标点在履冰边缘图像中封闭边缘图像的内部，若冰面厚度超过预设置的冰面阈值则进行预警。在本发明实施例中，履冰边缘图像中包含若干封闭边缘图像，每个封闭边缘图像对应一个风力发电机风叶的边缘图像。
[0106]
为了解决上述问题，本发明提供一种电子设备，所述电子设备包括：
[0107]
存储器，存储至少一个指令；
[0108]
通信接口，实现电子设备通信；及
[0109]
处理器，执行所述存储器中存储的指令以实现上述所述的风力发电机履冰监测方法。
[0110]
为了解决上述问题，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质中存储有至少一个指令，所述至少一个指令被电子设备中的处理器执行以实现上述所述的风力发电机履冰监测方法。
[0111]
相对于现有技术，本发明提出一种风力发电机履冰监测方法，该技术具有以下优势：
[0112]
首先，本方案提出一种风力发电机风叶图像的去噪以及增强方法，利用空间滤波系数矩阵w对风力发电机风叶图像中任意像素i(i,j)的灰度值进行空间滤波处理，其中空间滤波处理的公式为：
[0113][0114]
其中：g
′
(i,j)表示空间滤波处理后像素i(i,j)的灰度值；以风力发电机风叶图像的中心像素为原点，水平方向为x轴方向，竖直方向为y轴方向，将风力发电机风叶图像中像素位置映射到坐标系，其中f(x,y)表示处于坐标(x,y)的像素的灰度值，该灰度值为空间滤波处理后像素的灰度值；调节图像分解尺度b，对风力发电机风叶图像进行多尺度分解处理：
[0115][0116]
其中：d(b)表示尺度b下的风力发电机风叶图像分解结果，b∈[1,b]，[1,b]表示风力发电机风叶图像的分解尺度范围，b表示最大图像分解尺度；q表示虚数单位，q2＝-1；e表示自然常数；构建自适应调节的阈值函数：
[0117]
[0118]
其中：λb表示对尺度b下风力发电机风叶图像分解结果进行处理的阈值；λ表示基准阈值；基于阈值函数对不同尺度下的风力发电机风叶图像分解结果进行处理，过滤不同尺度下图像分解结果的噪声信号，其中处理公式为：
[0119][0120]
其中：d
′
(b)表示处理后的尺度b下的风力发电机风叶图像分解结果；将噪声信号过滤后的图像分解结果进行重构，得到去噪后的风力发电机风叶图像：
[0121][0122]
其中：i
′
表示去噪后的风力发电机风叶图像，f
′
(x,y)表示i
′
中处于坐标(x,y)的像素的灰度值。本方案通过采取多尺度图像分解，并利用结合分解尺度的自适应阈值对不同尺度下的分解结果进行噪声信号过滤处理，其中尺度越高则阈值越大，高尺度分解结果的处理程度越低，避免过滤大量高尺度下的轮廓信息，实现对采集的风力发电机风叶图像的去噪处理，并对去噪后的风力发电机风叶图像进行分段增强处理，当图像像素的原始灰度值过低或过高时，采用对数变换对像素灰度值进行处理，扩展低灰度值的范围并压缩高灰度值范围，即将图像中暗的部分扩展，抑制图像中亮的部分，突出恶劣天气下所采集图像中的昏暗部分，有利于恶劣天气下的风力发电机履冰监测，并在其他灰度值区间中采用伽马变换，增强不同灰度级之间差异，实现图像细节增强，提高覆冰厚度监测的准确率。
[0123]
同时，本方案提出一种风力发电机风叶履冰识别模型以及优化策略，通过构建结合图像形态特征的风力发电机风叶履冰识别模型，基于图像形态特征选取最优边缘检测算子模板，利用所选取的边缘检测算子模板进行边缘检测，得到风力发电机风叶的履冰边缘图像，进而计算得到风力发电机风叶表面的冰面厚度，利用改进的非凸优化方法对风力发电机风叶履冰识别模型进行优化，其中模型优化流程为：采集不同环境下的去噪增强后风力发电机风叶图像，并对所采集图像的边缘进行标记提取，得到真实履冰边缘图像，构成模型训练的训练集data：
[0124]
data＝{(un,en)|n∈[1,h]}
[0125]
其中：un表示所采集的第n张去噪增强后风力发电机风叶图像，en表示第n张去噪增强后风力发电机风叶图像的真实履冰边缘图像，h表示训练集data中的去噪增强后风力发电机风叶图像总数；构建风力发电机风叶履冰识别模型的训练目标函数：
[0126][0127]
其中：l(θ)表示风力发电机风叶履冰识别模型的训练目标函数，θ表示待训练优化的模型参数向量，包括膨胀矩阵、腐蚀矩阵、卷积层权重以及偏置量参数；sim(
·
)表示余弦相似度计算，hu(
·
)表示hu矩特征提取；表示将un输入到基于模型参数向量θ的风力发电机风叶履冰识别模型中，模型输出的履冰边缘图像；初始化模型参数向量θ0，设置模型训练
的当前迭代次数t，t的初始值为0；生成参数近似项：
[0128][0129]
其中：α表示0-1之间的调节常数；z
t
表示第t次迭代的参数近似项；||
·
||表示l1范数；对模型参数向量进行迭代更新：
[0130][0131]
若||θ
t+1-θ
t
||《∈，则结束模型参数向量迭代，令θ
t+1
为训练得到的最优模型参数向量，并基于最优模型参数向量构建最优风力发电机风叶履冰识别模型，否则令t＝t+1。在模型优化过程中，本方案新增待优化模型参数向量的近似项对模型参数向量进行调节优化，避免迭代更新后的模型参数向量偏离稳定结果过多。
附图说明
[0132]
图1为本发明一实施例提供的一种风力发电机履冰监测方法的流程示意图；
[0133]
图2为本发明一实施例提供的实现风力发电机履冰监测方法的电子设备的结构示意图。
[0134]
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
[0135]
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
[0136]
本技术实施例提供一种风力发电机履冰监测方法。所述风力发电机履冰监测方法的执行主体包括但不限于服务端、终端等能够被配置为执行本技术实施例提供的该方法的电子设备中的至少一种。换言之，所述风力发电机履冰监测方法可以由安装在终端设备或服务端设备的软件或硬件来执行，所述软件可以是区块链平台。所述服务端包括但不限于：单台服务器、服务器集群、云端服务器或云端服务器集群等。
[0137]
实施例1：
[0138]
s1：采集风力发电机风叶图像并对采集的风力发电机风叶图像进行去噪处理，得到去噪后的风力发电机风叶图像。
[0139]
所述s1步骤中采集风力发电机风叶图像并对采集的风力发电机风叶图像进行去噪处理，包括：
[0140]
在风力发电机附近部署摄像机，利用摄像机实时采集当前时刻的风力发电机风叶图像，并对所采集的风力发电机风叶图像进行去噪处理，得到去噪后的风力发电机风叶图像，其中去噪处理流程为：
[0141]
s11：对所采集的风力发电机风叶图像i进行灰度化处理，其中灰度化处理公式为：
[0142]
g(i,j)＝max{r(i,j),g(i,j),b(i,j)},i∈[1,m],j∈[1,n]
[0143]
其中：
[0144]
r(i,j),g(i,j),b(i,j)表示风力发电机风叶图像i中像素i(i,j)分别在r,g,b颜色通道的颜色值；像素i(i,j)表示风力发电机风叶图像i中第i行第j列的像素；
[0145]
g(i,j)表示风力发电机风叶图像i中像素i(i,j)的灰度值；
[0146]
m表示风力发电机风叶图像的行像素数目，n表示风力发电机风叶图像的列像素数目；
[0147]
s12：构建空间滤波系数矩阵w：
[0148][0149]
其中：
[0150]
w(a1,a2)表示空间滤波系数矩阵w中的滤波系数，a1,a2＝{-1,0,1}
[0151]
s13：利用空间滤波系数矩阵w对风力发电机风叶图像中任意像素i(i,j)的灰度值进行空间滤波处理，其中空间滤波处理的公式为：
[0152][0153]
其中：
[0154]g′
(i,j)表示空间滤波处理后像素i(i,j)的灰度值；
[0155]
s14：以风力发电机风叶图像的中心像素为原点，水平方向为x轴方向，竖直方向为y轴方向，将风力发电机风叶图像中像素位置映射到坐标系，其中f(x,y)表示处于坐标(x,y)的像素的灰度值，该灰度值为空间滤波处理后像素的灰度值；
[0156]
s15：调节图像分解尺度b，对风力发电机风叶图像进行多尺度分解处理：
[0157][0158]
其中：
[0159]
d(b)表示尺度b下的风力发电机风叶图像分解结果，b∈[1,b]，[1,b]表示风力发电机风叶图像的分解尺度范围，b表示最大图像分解尺度；
[0160]
q表示虚数单位，q2＝-1；
[0161]
e表示自然常数；
[0162]
s16：构建自适应调节的阈值函数：
[0163][0164]
其中：
[0165]
λb表示对尺度b下风力发电机风叶图像分解结果进行处理的阈值；
[0166]
λ表示基准阈值；
[0167]
s17：基于阈值函数对不同尺度下的风力发电机风叶图像分解结果进行处理，过滤不同尺度下图像分解结果的噪声信号，其中处理公式为：
[0168][0169]
其中：
[0170]d′
(b)表示处理后的尺度b下的风力发电机风叶图像分解结果；
[0171]
s18：将噪声信号过滤后的图像分解结果进行重构，得到去噪后的风力发电机风叶图像：
[0172][0173]
其中：
[0174]i′
表示去噪后的风力发电机风叶图像，f
′
(x,y)表示i
′
中处于坐标(x,y)的像素的灰度值。
[0175]
s2：对去噪后的风力发电机风叶图像进行分段增强处理，得到增强后的风力发电机风叶图像。
[0176]
所述s2步骤中对去噪后的风力发电机风叶图像进行分段增强处理，包括：
[0177]
对去噪后的风力发电机风叶图像i
′
进行分段增强处理，得到分段增强处理后的风力发电机风叶图像i
″
，其中分段增强处理公式为：
[0178][0179]
其中：
[0180]
f1,f2为分段灰度值，f1《f2；
[0181]f′
(x,y)表示i
′
中处于坐标(x,y)的像素的灰度值；
[0182]f″
(x,y)表示i
′
中处于坐标(x,y)的像素的分段增强后灰度值。
[0183]
s3：构建风力发电机风叶履冰识别模型，所述模型以增强后的风力发电机风叶图像为输入，以履冰边缘图像为输出。
[0184]
所述s3步骤中构建风力发电机风叶履冰识别模型，包括：
[0185]
构建风力发电机风叶履冰识别模型，所述模型以增强后的风力发电机风叶图像为输入，以履冰边缘图像为输出，其中基于形态分析的细胞机为风力发电机风叶履冰识别模型的主要结构；
[0186]
所构建模型包括输入层、形态特征提取层、模板选择层以及输出层，输入层用于接收增强后的风力发电机风叶图像，形态特征提取层用于提取增强后的风力发电机风叶图像的形态特征，基于形态特征选取边缘检测算子模板，并利用所选取的边缘检测算子模板对增强后的风力发电机风叶图像进行边缘检测标记，将边缘标记结果构成履冰边缘图像，作为输出层的输出结果；
[0187]
所述形态特征提取层包括形态处理层以及卷积层，形态处理层用于利用膨胀矩阵以及腐蚀矩阵对增强后的风力发电机风叶图像进行形态学处理，卷积层用于对形态学处理结果进行卷积运算，得到特征图，其中卷积层中卷积核的大小为3
×
3像素；
[0188]
模板选择层包括池化层以及激活函数，对特征图进行池化处理，并利用模板匹配函数计算池化处理结果与边缘检测算子模板的相关性，选取相关性最高的边缘检测算子模板作为模板选取结果。
[0189]
s4：利用改进的非凸优化方法对风力发电机风叶履冰识别模型进行优化，得到最
优风力发电机风叶履冰识别模型。
[0190]
所述s4步骤中利用改进的非凸优化方法对风力发电机风叶履冰识别模型进行优化，包括：
[0191]
利用改进的非凸优化方法对风力发电机风叶履冰识别模型进行优化，其中模型优化流程为：
[0192]
s41：采集不同环境下的去噪增强后风力发电机风叶图像，并对所采集图像的边缘进行标记提取，得到真实履冰边缘图像，构成模型训练的训练集data：
[0193]
data＝{(un,en)|n∈[1,h]}
[0194]
其中：
[0195]
un表示所采集的第n张去噪增强后风力发电机风叶图像，en表示第n张去噪增强后风力发电机风叶图像的真实履冰边缘图像，h表示训练集data中的去噪增强后风力发电机风叶图像总数；
[0196]
s42：构建风力发电机风叶履冰识别模型的训练目标函数：
[0197][0198]
其中：
[0199]
l(θ)表示风力发电机风叶履冰识别模型的训练目标函数，θ表示待训练优化的模型参数向量，包括膨胀矩阵、腐蚀矩阵、卷积层权重以及偏置量参数；
[0200]
sim(
·
)表示余弦相似度计算，hu(
·
)表示hu矩特征提取；
[0201]
表示将un输入到基于模型参数向量θ的风力发电机风叶履冰识别模型中，模型输出的履冰边缘图像；
[0202]
s43：初始化模型参数向量θ0，设置模型训练的当前迭代次数t，t的初始值为0；
[0203]
s44：生成参数近似项：
[0204][0205]
其中：
[0206]
α表示0-1之间的调节常数；
[0207]zt
表示第t次迭代的参数近似项；
[0208]
||
·
||表示l1范数；
[0209]
s45：对模型参数向量进行迭代更新：
[0210][0211]
若||θ
t+1-θ
t
||《∈，则结束模型参数向量迭代，令θ
t+1
为训练得到的最优模型参数向量，并基于最优模型参数向量构建最优风力发电机风叶履冰识别模型，否则令t＝t+1，返回步骤s44。
[0212]
s5：利用最优风力发电机风叶履冰识别模型对增强后的风力发电机风叶图像进行履冰边缘图像提取，并基于履冰边缘图像计算风力发电机风叶表面的冰面厚度，若冰面厚度超过预设置的冰面阈值则进行预警。
[0213]
所述s5步骤中利用最优风力发电机风叶履冰识别模型对增强后的风力发电机风叶图像进行履冰边缘图像提取，包括：
[0214]
利用最优风力发电机风叶履冰识别模型对增强后的风力发电机风叶图像进行履冰边缘图像提取，其中履冰边缘图像提取流程为：
[0215]
s51：将增强后的风力发电机风叶图像i
″
输入到最优风力发电机风叶履冰识别模型中；
[0216]
s52：利用最优风力发电机风叶履冰识别模型中的膨胀矩阵以及腐蚀矩阵，对增强后的风力发电机风叶图像依次进行膨胀处理以及腐蚀处理，并对形态学处理后的图像i
*
进行卷积运算：
[0217]
f＝conv(q
ti*
+h)
[0218]
其中：
[0219]
conv(
·
)表示卷积层的卷积运算；
[0220]
q表示卷积层中卷积核的权重参数，h表示卷积核的偏置量；
[0221]
f表示特征图；
[0222]
s53：对特征图进行池化操作以及激活函数处理：
[0223]f′
＝σ[c(f)]
[0224]
其中：
[0225]
c(
·
)表示池化操作，步长为2；
[0226]
σ(
·
)表示激活函数，选取relu激活函数；
[0227]f′
表示池化操作以及激活函数处理后的特征图；
[0228]
s54：计算得到特征图f
′
与边缘检测算子模板sk的相关性cor(f
′
,sk)：
[0229][0230]
其中：
[0231]
sk表示第k种边缘检测算子模板；
[0232]
||
·
||2表示l2范数；
[0233]
选取相关性最高的边缘检测算子模板作为模板选取结果；
[0234]
s55：利用所选取的边缘检测算子模板对增强后的风力发电机风叶图像进行边缘检测标记，将边缘标记结果构成履冰边缘图像，作为模型的输出结果。
[0235]
所述s5步骤中基于履冰边缘图像计算风力发电机风叶表面的冰面厚度，包括：
[0236]
以履冰边缘图像中封闭边缘图像的内部中心点为基准点，风叶朝向为坐标轴方向，构建一维坐标轴，选取一维坐标轴上任意一个坐标点h，以该坐标点为端点向两侧边缘发射射线，所发射射线垂直于一维坐标轴，得到射线与两侧边缘的交点，计算得到两个交点之间的距离，作为该坐标点h对应的风叶表面厚度vh，并计算得到该坐标点h对应的冰面厚度v
h-v，其中v表示风叶厚度，所选取坐标点在履冰边缘图像中封闭边缘图像的内部，若冰面厚度超过预设置的冰面阈值则进行预警。
[0237]
实施例2：
[0238]
如图2所示，是本发明一实施例提供的实现风力发电机履冰监测方法的电子设备的结构示意图。
[0239]
所述电子设备1可以包括处理器10、存储器11、通信接口13和总线，还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序，如程序12。
[0240]
其中，所述存储器11至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如：sd或dx存储器等)、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是电子设备1的内部存储单元，例如该电子设备1的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备1的外部存储设备，例如电子设备1上配备的插接式移动硬盘、智能存储卡(smart media card，smc)、安全数字(secure digital，sd)卡、闪存卡(flash card)等。进一步地，所述存储器11还可以既包括电子设备1的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备1的应用软件及各类数据，例如程序12的代码等，还可以用于暂时地存储已经输出或者将要输出的数据。
[0241]
所述处理器10在一些实施例中可以由集成电路组成，例如可以由单个封装的集成电路所组成，也可以是由多个相同功能或不同功能封装的集成电路所组成，包括一个或者多个中央处理器(central processing unit，cpu)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器10是所述电子设备的控制核心(control unit)，利用各种接口和线路连接整个电子设备的各个部件，通过运行或执行存储在所述存储器11内的程序或者模块(用于实现风力发电机履冰监测的程序12等)，以及调用存储在所述存储器11内的数据，以执行电子设备1的各种功能和处理数据。
[0242]
所述通信接口13可以包括有线接口和/或无线接口(如wi-fi接口、蓝牙接口等)，通常用于在该电子设备1与其他电子设备之间建立通信连接，并实现电子设备内部组件之间的连接通信。
[0243]
所述总线可以是外设部件互连标准(peripheral component interconnect，简称pci)总线或扩展工业标准结构(extended industry standard architecture，简称eisa)总线等。该总线可以分为地址总线、数据总线、控制总线等。所述总线被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。
[0244]
图2仅示出了具有部件的电子设备，本领域技术人员可以理解的是，图2示出的结构并不构成对所述电子设备1的限定，可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。
[0245]
例如，尽管未示出，所述电子设备1还可以包括给各个部件供电的电源(比如电池)，优选地，电源可以通过电源管理装置与所述至少一个处理器10逻辑相连，从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备1还可以包括多种传感器、蓝牙模块、wi-fi模块等，在此不再赘述。
[0246]
可选地，该电子设备1还可以包括用户接口，用户接口可以是显示器(display)、输入单元(比如键盘(keyboard))，可选地，用户接口还可以是标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是led显示器、液晶显示器、触控式液晶显示器以及oled(organic light-emitting diode，有机发光二极管)触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在电子设备1中处理的信息以及用于显示可视化的用户
界面。
[0247]
应该了解，所述实施例仅为说明之用，在专利申请范围上并不受此结构的限制。
[0248]
所述电子设备1中的所述存储器11存储的程序12是多个指令的组合，在所述处理器10中运行时，可以实现：
[0249]
采集风力发电机风叶图像并对采集的风力发电机风叶图像进行去噪处理，得到去噪后的风力发电机风叶图像；
[0250]
对去噪后的风力发电机风叶图像进行分段增强处理，得到增强后的风力发电机风叶图像；
[0251]
构建风力发电机风叶履冰识别模型；
[0252]
利用改进的非凸优化方法对风力发电机风叶履冰识别模型进行优化，得到最优风力发电机风叶履冰识别模型；
[0253]
利用最优风力发电机风叶履冰识别模型对增强后的风力发电机风叶图像进行履冰边缘图像提取，并基于履冰边缘图像计算风力发电机风叶表面的冰面厚度，若冰面厚度超过预设置的冰面阈值则进行预警。
[0254]
具体地，所述处理器10对上述指令的具体实现方法可参考图1至图2对应实施例中相关步骤的描述，在此不赘述。
[0255]
需要说明的是，上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。并且本文中的术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、装置、物品或者方法不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、装置、物品或者方法所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括该要素的过程、装置、物品或者方法中还存在另外的相同要素。
[0256]
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在如上所述的一个存储介质(如rom/ram、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。
[0257]
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

技术特征：
1.一种风力发电机履冰监测方法，其特征在于，所述方法包括：s1：采集风力发电机风叶图像并对采集的风力发电机风叶图像进行去噪处理，得到去噪后的风力发电机风叶图像；s2：对去噪后的风力发电机风叶图像进行分段增强处理，得到增强后的风力发电机风叶图像；s3：构建风力发电机风叶履冰识别模型，所述模型以增强后的风力发电机风叶图像为输入，以履冰边缘图像为输出；s4：利用改进的非凸优化方法对风力发电机风叶履冰识别模型进行优化，得到最优风力发电机风叶履冰识别模型；s5：利用最优风力发电机风叶履冰识别模型对增强后的风力发电机风叶图像进行履冰边缘图像提取，并基于履冰边缘图像计算风力发电机风叶表面的冰面厚度，若冰面厚度超过预设置的冰面阈值则进行预警。2.如权利要求1所述的一种风力发电机履冰监测方法，其特征在于，所述s1步骤中采集风力发电机风叶图像并对采集的风力发电机风叶图像进行去噪处理，包括：在风力发电机附近部署摄像机，利用摄像机实时采集当前时刻的风力发电机风叶图像，并对所采集的风力发电机风叶图像进行去噪处理，得到去噪后的风力发电机风叶图像，其中去噪处理流程为：s11：对所采集的风力发电机风叶图像i进行灰度化处理，其中灰度化处理公式为：g(i,j)＝max{r(i,j),g(i,j),b(i,j)},i∈[1,m],j∈[1,n]其中：r(i,j),g(i,j),b(i,j)表示风力发电机风叶图像i中像素i(i,j)分别在r,g,b颜色通道的颜色值；像素i(i,j)表示风力发电机风叶图像i中第i行第j列的像素；g(i,j)表示风力发电机风叶图像i中像素i(i,j)的灰度值；m表示风力发电机风叶图像的行像素数目；n表示风力发电机风叶图像的列像素数目；s12：构建空间滤波系数矩阵w：其中：w(a1,a2)表示空间滤波系数矩阵w中的滤波系数，a1,a2＝{-1,0,1}s13：利用空间滤波系数矩阵w对风力发电机风叶图像中任意像素i(i,j)的灰度值进行空间滤波处理，其中空间滤波处理的公式为：其中：g
′
(i,j)表示空间滤波处理后像素i(i,j)的灰度值；s14：以风力发电机风叶图像的中心像素为原点，水平方向为x轴方向，竖直方向为y轴
方向，将风力发电机风叶图像中像素位置映射到坐标系，其中f(x,y)表示处于坐标(x,y)的像素的灰度值，该灰度值为空间滤波处理后像素的灰度值；s15：调节图像分解尺度b，对风力发电机风叶图像进行多尺度分解处理：其中：d(b)表示尺度b下的风力发电机风叶图像分解结果，b∈[1,b]，[1,b]表示风力发电机风叶图像的分解尺度范围，b表示最大图像分解尺度；q表示虚数单位，q2＝-1；e表示自然常数；s16：构建自适应调节的阈值函数：其中：λ
b
表示对尺度b下风力发电机风叶图像分解结果进行处理的阈值；λ表示基准阈值；s17：基于阈值函数对不同尺度下的风力发电机风叶图像分解结果进行处理，过滤不同尺度下图像分解结果的噪声信号，其中处理公式为：其中：d
′
(b)表示处理后的尺度b下的风力发电机风叶图像分解结果；s18：将噪声信号过滤后的图像分解结果进行重构，得到去噪后的风力发电机风叶图像：其中：i
′
表示去噪后的风力发电机风叶图像，f
′
(x,y)表示i
′
中处于坐标(x,y)的像素的灰度值。3.如权利要求2所述的一种风力发电机履冰监测方法，其特征在于，所述s2步骤中对去噪后的风力发电机风叶图像进行分段增强处理，包括：对去噪后的风力发电机风叶图像i
′
进行分段增强处理，得到分段增强处理后的风力发电机风叶图像i
″
，其中分段增强处理公式为：
其中：f1,f2为分段灰度值，f1<f2；f
′
(x,y)表示i
′
中处于坐标(x,y)的像素的灰度值；f
″
(x,y)表示i
′
中处于坐标(x,y)的像素的分段增强后灰度值。4.如权利要求1所述的一种风力发电机履冰监测方法，其特征在于，所述s3步骤中构建风力发电机风叶履冰识别模型，包括：构建风力发电机风叶履冰识别模型，所述模型以增强后的风力发电机风叶图像为输入，以履冰边缘图像为输出，其中基于形态分析的细胞机为风力发电机风叶履冰识别模型的主要结构；所构建模型包括输入层、形态特征提取层、模板选择层以及输出层，输入层用于接收增强后的风力发电机风叶图像，形态特征提取层用于提取增强后的风力发电机风叶图像的形态特征，基于形态特征选取边缘检测算子模板，并利用所选取的边缘检测算子模板对增强后的风力发电机风叶图像进行边缘检测标记，将边缘标记结果构成履冰边缘图像，作为输出层的输出结果；所述形态特征提取层包括形态处理层以及卷积层，形态处理层用于利用膨胀矩阵以及腐蚀矩阵对增强后的风力发电机风叶图像进行形态学处理，卷积层用于对形态学处理结果进行卷积运算，得到特征图，其中卷积层中卷积核的大小为3
×
3像素；模板选择层包括池化层以及激活函数，对特征图进行池化处理，并利用模板匹配函数计算池化处理结果与边缘检测算子模板的相关性，选取相关性最高的边缘检测算子模板作为模板选取结果。5.如权利要求4所述的一种风力发电机履冰监测方法，其特征在于，所述s4步骤中利用改进的非凸优化方法对风力发电机风叶履冰识别模型进行优化，包括：利用改进的非凸优化方法对风力发电机风叶履冰识别模型进行优化，其中模型优化流程为：s41：采集不同环境下的去噪增强后风力发电机风叶图像，并对所采集图像的边缘进行标记提取，得到真实履冰边缘图像，构成模型训练的训练集data：data＝{(u
n
,e
n
)|n∈[1,h]}其中：u
n
表示所采集的第n张去噪增强后风力发电机风叶图像，e
n
表示第n张去噪增强后风力发电机风叶图像的真实履冰边缘图像，h表示训练集data中的去噪增强后风力发电机风叶图像总数；s42：构建风力发电机风叶履冰识别模型的训练目标函数：其中：
l(θ)表示风力发电机风叶履冰识别模型的训练目标函数，θ表示待训练优化的模型参数向量，包括膨胀矩阵、腐蚀矩阵、卷积层权重以及偏置量参数；sim(
·
)表示余弦相似度计算，hu(
·
)表示hu矩特征提取；表示将u
n
输入到基于模型参数向量θ的风力发电机风叶履冰识别模型中，模型输出的履冰边缘图像；s43：初始化模型参数向量θ0，设置模型训练的当前迭代次数t，t的初始值为0；s44：生成参数近似项：其中：α表示0-1之间的调节常数；z
t
表示第t次迭代的参数近似项；||
·
||表示l1范数；s45：对模型参数向量进行迭代更新：若||θ
t+1-θ
t
||<∈，则结束模型参数向量迭代，令θ
t+1
为训练得到的最优模型参数向量，并基于最优模型参数向量构建最优风力发电机风叶履冰识别模型，否则令t＝t+1，返回步骤s44。6.如权利要求5所述的一种风力发电机履冰监测方法，其特征在于，所述s5步骤中利用最优风力发电机风叶履冰识别模型对增强后的风力发电机风叶图像进行履冰边缘图像提取，包括：利用最优风力发电机风叶履冰识别模型对增强后的风力发电机风叶图像进行履冰边缘图像提取，其中履冰边缘图像提取流程为：s51：将增强后的风力发电机风叶图像i
″
输入到最优风力发电机风叶履冰识别模型中；s52：利用最优风力发电机风叶履冰识别模型中的膨胀矩阵以及腐蚀矩阵，对增强后的风力发电机风叶图像依次进行膨胀处理以及腐蚀处理，并对形态学处理后的图像i
*
进行卷积运算：f＝conv(q
t
i
*
+h)其中：conv(
·
)表示卷积层的卷积运算；q表示卷积层中卷积核的权重参数，h表示卷积核的偏置量；f表示特征图；s53：对特征图进行池化操作以及激活函数处理：f
′
＝σ[c(f)]其中：c(
·
)表示池化操作，步长为2；σ(
·
)表示激活函数，选取relu激活函数；f
′
表示池化操作以及激活函数处理后的特征图；
s54：计算得到特征图f
′
与边缘检测算子模板s
k
的相关性cor(f
′
,s
k
)：其中：s
k
表示第k种边缘检测算子模板；||
·
||2表示l2范数；选取相关性最高的边缘检测算子模板作为模板选取结果；s55：利用所选取的边缘检测算子模板对增强后的风力发电机风叶图像进行边缘检测标记，将边缘标记结果构成履冰边缘图像，作为模型的输出结果。7.如权利要求6所述的一种风力发电机履冰监测方法，其特征在于，所述s5步骤中基于履冰边缘图像计算风力发电机风叶表面的冰面厚度，包括：以履冰边缘图像中封闭边缘图像的内部中心点为基准点，风叶朝向为坐标轴方向，构建一维坐标轴，选取一维坐标轴上任意一个坐标点h，以该坐标点为端点向两侧边缘发射射线，所发射射线垂直于一维坐标轴，得到射线与两侧边缘的交点，计算得到两个交点之间的距离，作为该坐标点h对应的风叶表面厚度v
h
，并计算得到该坐标点h对应的冰面厚度v
h-v，其中v表示风叶厚度，所选取坐标点在履冰边缘图像中封闭边缘图像的内部，若冰面厚度超过预设置的冰面阈值则进行预警。

技术总结
本发明涉及风力发电机监测的技术领域，揭露了一种风力发电机履冰监测方法，所述方法包括：对采集的风力发电机风叶图像进行去噪以及分段增强处理；构建风力发电机风叶履冰识别模型，利用改进的非凸优化方法对风力发电机风叶履冰识别模型进行优化，得到最优风力发电机风叶履冰识别模型；利用最优风力发电机风叶履冰识别模型对增强后的风力发电机风叶图像进行履冰边缘图像提取，并计算风力发电机风叶表面的冰面厚度。本发明对恶劣环境下所采集图像进行去噪增强处理，基于图像形态特征构建风力发电机风叶履冰识别模型，选取最优边缘检测算子模板对图像进行边缘检测，进而计算得到风力发电机风叶表面的冰面厚度，实现风力发电机实时监测。监测。监测。


技术研发人员：蔺雪峰 耿杰 文军 谭光道 苗雷 徐超 孟秀俊 蔡春辉 汪德军 胡辉 付荣方 周世银 詹彪 朱玉瑞 孟鹏飞 易彦青
受保护的技术使用者：中国华能集团清洁能源技术研究院有限公司 中国华能集团有限公司 沈阳盛世新能源科技有限公司
技术研发日：2023.06.02
技术公布日：2023/9/5