基于多尺度局部对比度的海上风电风机叶片异常点检测.pdf

基于多尺度局部对比度的海上风电风机叶片异常点检测史凯特,李雨欣,任正奎,吕亚利,董秀芬,薛晖晖,王亚辉,宁宁,冉晨(中国长江三峡集团有限公司科学技术研究院,北京 ;郑州航空工业管理学院智能工程学院,河南 郑州 ;中国长江三峡集团有限公司战略与发展研究中心,北京 ;灵宝华祥风电开发有限公司,河南 灵宝 )摘要:针对传统方法在海上风电风机叶片砂眼等损伤异常点检测虚警率高的问题,提出了一种基于多尺度局部对比度的风机叶片异常点检测方法.首先通过F a c e t K e r n e l滤波对图像进行预处理,抑制背景杂波,突出异常点;其次通过多尺度局部对比度计算,准确提取异常点位置;最后通过自适应阈值分割提取损伤异常点.实验结果表明,该方法具有较好的检测结果,拥有有效性及鲁棒性.关键词:异常点检测;局部对比度;风机叶片中图分类号:TM D O I:/j c n k i d g j s D e t e c t i o no fA n o m a l yP o i n t so fO f f s h o r eW i n dT u r b i n eB l a d e sB a s e do nM u l t i s c a l eL o c a lC o n t r a s tS H IK a i t e,L IY u x i n,R E NZ h e n g k u i,L VY a l i,D ON GX i u f e n,XU EH u i h u i,WAN GY a h u i,N I N GN i n g,R ANC h e n(R e s e a r c hI n s t i t u t eo fS c i e n c ea n dT e c h n o l o g yo fC h i n aT h r e eG o r g e sC o r p o r a t i o n,B e i j i n g ,C h i n a;S c h o o l o f I n t e l l i g e n tE n g i n e e r i n g,Z h e n g z h o uI n s t i t u t eo fA v i a t i o nI n d u s t r yM a n a g e m e n t,Z h e n g z h o u ,C h i n a;S t r a t e g ya n dD e v e l o p m e n tR e s e a r c hC e n t e ro fC h i n aT h r e eG o r g e sC o r p o r a t i o n,B e i j i n g ,C h i n a;L i n g b a oH u a x i a n gW i n dP o w e rD e v e l o p m e n tC o,L t d,L i n g b a o ,C h i n a)A b s t r a c t:Am u l t i s c a l e l o c a l c o n t r a s tb a s e da n o m a l yd e t e c t i o nm e t h o d f o rw i n d t u r b i n eb l a d e s i sp r o p o s e d t oa d d r e s s t h eh i g hf a l s ea l a r mr a t eo f t r a d i t i o n a lm e t h o d s i nd e t e c t i n ga b n o r m a l d a m a g ep o i n t ss u c ha ss a n dh o l e s i no f f s h o r ew i n dt u r b i n eb l a d e s F i r s t l y,t h e i m a g e i sp r e p r o c e s s e du s i n gF a c e tK e r n e l f i l t e r i n gt os u p p r e s sb a c k g r o u n dc l u t t e ra n dh i g h l i g h to u t l i e r s S e c o n d l y,a c c u r a t ee x t r a c t i o no f a n o m a l o u sp o i n tp o s i t i o n s i sa c h i e v e d t h r o u g hm u l t i s c a l e l o c a l c o n t r a s t c a l c u l a t i o n F i n a l l y,d a m a g eo u t l i e r s a r e e x t r a c t e d t h r o u g ha d a p t i v e t h r e s h o l ds e g m e n t a t i o n T h e e x p e r i m e n t a l r e s u l t s s h o wt h a tt h i sm e t h o dh a sg o o dd e t e c t i o nr e s u l t s,e f f e c t i v e n e s s,a n dr o b u s t n e s s K e yw o r d s:a n o m a l yp o i n td e t e c t i o n;l o c a l c o n t r a s t;f a nb l a d e基金项目:中国长江三峡集团有限公司科研项目(编号 )收稿日期:引言海上风电场是指水深 m左右的近海风电场.与陆上风电场相比,海上风电场的优点主要是不占用土地资源,基本不受地形地貌影响,风速更高,风能资源更丰富,风电机组单机容量更大(MW),年利用小时数更高.中国海上风能资源丰富,且主要分布在经济发达,电网结构较强,又缺乏常规能源的东南沿海地区.截至 年月 日,三峡集团在江苏省黄海海域投资建设的响水、如东、大丰等多个海上风电场 年累计发电量突破 亿k Wh.随着风电场的快速建设,风机的运行维护成为提升风电生产效益的关键.风力发电设备易遭受湿热、紫外线等常见的环境影响,位于海上的风力发电设备的环境更加恶劣,长期遭受盐雾等化学介质腐蚀.风机叶片早期损伤可能只是叶尖部的蒙皮磨损,但随着一定时间的盐雾侵蚀会出现砂眼孔洞.这些砂眼在冬天反复积水、结冰和融化,会导致叶片砂眼部位不断膨胀与收缩,从而出现带状缝隙,并进一步开裂损坏.为此,针对早期完好叶片开始出现蒙皮磨损及砂眼等异常情况,研究有效的检测预警方法,开展早期维护处理,是风机运维企业的迫切需求.异常点检测(又称为离群点检测)是找出行为特征与预期对象极为不同的数据点的一个检测过程.这些对象被称为异常点或者离群点.异常点检测在很多实际的生产生活中都有着具体的应用,如工业损毁检测、图像检测等.本文中将其用于风机叶片图像检测,主要使用偏差检测来电工技术新能源系统与设备 进行异常数据的挖掘.偏差检测的基本目标是寻找观测结果与参照值之间有意义的差别.但是传统的基于近邻和局部异常因子的异常点检测算法存在计算复杂度高和误检率高的缺陷,因此本文利用多尺度局部对比度来对风机叶片进行异常点检测.考虑到红外图像相对于可见光图像可排除污渍、灰尘的干扰,本文采用红外叶片图像实施检测.长期以来,图像数据的异常检测一直是一个重要的研究领域.最初的异常检测方法是基于统计方法的,但近年来已经开发了越来越多的机器学习算法来检测序列上的异常.许多 研 究 人 员 试 图 改 进 这 些 技 术.早 在 年,T u k e y提出了一个在时间序列上检测异常的统计方法.C h a n g等人建议使用似然比率测试(L R T)来检测时间序列上的异 常.H a n等 人 提 出 了 相 对 局 部 对 比 度 测 度(R L CM).多尺度的R L CM的原理是计算原始红外图像的每个像素并在对目标进行增强真实和抑制全类型干扰的同时,应用一个自适应阈值提取真正的目标,结果表明该算法可以在复杂的背景下处理不同尺寸的小目标.W e i等人提出了一种多尺度基于补丁的对比度测量(MP CM)方法,用于小尺度红外目标的检测,该小目标检测方法不仅可以在强噪声干扰的情况下有效地抑制背景杂波,而且可以准确地检测出目标,误报率低、速度快.于万国等人提出一种基于观测点机制的异常点检测算法,首先在原始样本空间中随机放置若干观测点,计算观测点与样本点之间的距离,将原始数据转换为与观测点相对应的距离数据,再估计距离数据的概率密度函数,进而计算距离数据出现的概率值,最后通过对多个观测点距离数据概率值的融合确定原始样本点中的异常点,结果表明该算法具有对异常点进行检测的能力.由于原始红外图像通常具有低对比度和复杂背景,因此具有高检测率、低误报率和多尺度检测能力的红外小目标检测是一项具有挑战性的任务.近年来,鲁棒的人类视觉系统(HV S)特性已被引入红外小目标检测领域.然而,现有的基于HV S的算法,如高斯差分(D o G)滤波器,不仅对真实的小目标敏感,而且对背景边缘敏感,导致误报率高.H a n等人提出并改进的G a b o r差分(D o G b)滤波器(I D o G b),对方向敏感,可以更好地抑制复杂的背景边缘,从而实现较低的误报率,此外还可以实现多尺度检测.D e n g等 人 提 出 了 一 种 基 于 加 权 局 部 差 分 测 量(WL DM)的方案,用于检测各种复杂多云天空背景下的小目标,同时增强目标并抑制背景杂波和噪声,这样,真正的目标可以很容易地与干扰对象分离.本文通过研究多尺度局部对比度来进行风机叶片异常点检测.为了提供可靠的比较,准确地检测出异常点,通过分析多尺度局部对比度计算、自适应阈值分割来全面解决红外状况下小目标异常检测.基于多尺度局部对比度的风机叶片异常点检测本文提出的方法流程如图所示,它主要分为三个阶段:第一阶段,通过F a c e t K e r n e l滤波对输入图像进行预处理,抑制大量背景杂波,突出异常点;第二阶段,通过多尺度局部对比度计算风机叶片异常点,进一步抑制背景杂波;第三阶段,最终计算所得结果中最显著的即为真实目标,可以通过简单的阈值操作将其提取.图方法流程图 F a c e t K e r n e l滤波运算本文采用了高频滤波算子F a c e t K e r n e l,其优点是处理速度快,可以快速增强不同大小的目标,抑制背景杂波.刻面核模型的设计思想是利用刻面模型函数来估计预处理图像中每个像素区域的灰度曲面,它可以表示图像不同方向上的梯度幅值信息.刻面核卷积可以增强目标区域,且不易受到图像噪声和杂波的干扰.具体而言,对于输入的中心层图像I(x,y),F a c e t K e r n e l滤波的公式为:F()HI(x,y)F()多尺度局部对比度计算经典的多尺度斑块对比度检测算法的主要思想是基于斑块差异的局部对比度度量来抑制背景和增强目标.该算法对目标增强和背景抑制描述如下:首先滑动窗口分为两部分,其中图中心部分的T是参考斑块,周围部分是背景.为了增强目标和抑制背景,将周围部分分成个斑块Bi(i,).将目标子窗口与背景之间的区别定义为:D(T)d(T,B)d(T,B)d(T,B)()图嵌套结构式()中,d为目标和背景的差异程度,即:d(T,Bi)mTmBi,i,()式中,mT、mBi分别为目标区域与背景子区域的灰度均值.式()给出了某一尺度下局部对比度的度量方法,基于目标与背景的灰度差异,进一步提出:新能源系统与设备电工技术did(T,Bi)d(T,Bi),i,()di为中心区域T与周围领域在不同方向上的灰度差异.如果di,那么周围领域与中心区域的差异是一致的,要么比中心区域亮,要么比中心区域暗,因此该局部对比度的度量方法可以衡量目标区域的特征.目标与背景之间的对比度越大越好,因此定义某一尺度下目标的对比度测量方式为:C(xi i,yj j)m i ni,di()式中,(xi i,yj j)为目标区域中心位置的坐标.计算多个尺度下的局部对比度图CL,其中L表示子窗口的不同尺度.遍历对比度图中的每个像素位置,计算多尺度局部对比度显著图,计算公式为:Cp,q m a xl,LCl(p,q)()式中,p、q分别为列号和行号.滑动窗口遍历整幅图像,直到遍历完整幅图,输出多尺度局部对比度显著图.自适应阈值分割对生成的多尺度局部对比度显著图做进一步的自适应阈值分割,生成分割门限,进一步抑制显著图的非目标像素点.生成分割门限的计算式为:K()式中,和分别为多尺度局部对比度计算得到的显著图的均值和标准差;K为经验值.通过自适应阈值分割方法对显著图进行阈值分割,得到检测结果二值图.实验结果分析本文方法每个步骤的结果图如图所示.本文方法主要分为F a c e t K e r n e l滤波运算、局部对比度计算和阈值分割个步骤.首先通过F a c e t K e r n e l滤波运算对红外图像进行预处理,可快速抑制背景杂波,通过图可以明显看出,背景杂波被有效抑制,但背景中仍存在可疑目标及高亮度的背景杂波,此外通过预处理对背景杂波进行有效抑制,有助于减少局部对比度计算的复杂度,提高本文方法的运算效率;其次通过局部对比度计算进一步抑制背景中的高亮度杂波及可疑目标,增强目标;最后通过自适应阈值分割,准确提取目标.图本文方法在三组数据集中的检测结果针对 海 上 风 电 风 机 叶 片 图 像 采 集,实 验 采 用 大 疆M R T K无人机搭载H T光电载荷,应用基于大疆M o b i l e S D K自行开发的无人机航迹规划A p p软件,对江苏盐城海上风电场的风机叶片开展了飞行测试.为了验证方法的有效性,此次实验随机选择每组数据集中的一帧图像,用不同算法分别进行处理,对实验结果进行比较分析.实验在组不同的数据集中进行验证,通过与传统的T o p H a方法、R L CM方法进行对比,来进一步验证本文方法的有效性.为了 定 量 评 价 不 同 算 法 的 检 测 性 能,采 用 检 测 率(Pd)和虚警 率(Pf)指 标 来 进 行 比 较.Pd和Pf的 定义为:PdNiNdNt,i,PfNiNfM,i,()式中,Nd为正确检测出小目标的个数;Nt为真实小目标的数量总和;Nf为误检的小目标个数;M为完全检测到的目标数量;Ni为每组数据集的个数.从表可以看出,本文方法在种不同场景数据集中均能取得较好的检测结果,T o p H a t方法和R L CM方法虽然在背景均匀的场景中能取得较好的检测结果,但在复杂背景中检测率较低,因此本文方法在风机叶片异常点检测中具有较好的有效性.表不同方法在种不同场景数据集中的检测率与虚警率对比组别T o p H a tPd/Pf/R L CMPd/Pf/P r o p o s e dPd/Pf/G G G 信噪比增益(S N R G)和背景抑制因子(B S F)是常用的种评价指标.它们分别描述了该算法的目标增强能力和背景抑制能力.一般来说,S N R G越高,相应算法的目标增强能力越好.B S F值越高,相应算法的背景抑制能力越强.S N R G和B S F的定义为:S N R G l o g (S NRo u t/S NRi n)()B S FCi nCo u t()式中,S NRi n和S NRo u t分别为输入图像和输出图像的信噪比(S N R);Ci n和Co u t分别为输入图像和输出图像中杂波的标准差.本文方法和对比方法的S N R G和B S F值见表,可以看出在场景G 和G 中,本文方法具有最大的S N R G和B S F值;在场景G 中,T o p H a t方法具有最大的S N R G和B S F值.这表明,本文方法相较于对比方法具有更好的目标增强能力和背景抑制能力.电工技术新能源系统与设备 表不同方法在种不同场景数据集中的检测率与虚警率对比组别T o p H a tS N R GB S FR L CMS N R GB S FP r o p o s e dS N R GB S FG G G 不同方法测试结果图如图所示,方框位置为真实目标,没有标注的表示没有检测到目标.可以看出,除本文方法外,对比方法在不同场景的检测中都出现了不同程度的虚警.在数据集G 中,T o p H a t方法和R L CM方法也取得了较好的检测结果,但背景中包含有背景杂波,在进行阈值分割时,容易将背景杂波当作目标.在数据集G、G 中,T o p H a t方法和R L CM方法背景中存在大量的背景杂波,几乎无法分辨出目标位置,因此本文所提出的基于多尺度局部对比的方法在不同场景中的风机叶片异常点检测中均能达到较好的检测效果.图不同方法检测结果对比结语本文提出的基于多尺度局部对比度的风机叶片异常点检测方法,其核心思想是利用风机叶片异常点在红外图像中的特点,通过计算不同尺度下红外图像的局部对比度,抑制大量的背景杂波,准确检测出异常点.实验结果表明,本文方法与现有方法相比具有更高的检测率和最低的虚警率.参考文献J W T u k e y,E x p l o r a t o r yD a t aA n a l y s i sM A d d i s o n W e s l e y,IC h a n g,G T i a o,C C h e n E s t i m a t i o no f t i m es e r i e sp a r a m e t e r s i nt h ep r e s e n c eo fo u t l i e r sJ T e c h n o m e t r i c s,():HANJ,L I ANGK,Z HOUB,e t a l I n f r a r e ds m a l l t a r g e t d e t e c t i o nu t i l i z i n gt h em u l t i s c a l er e l a t i v el o c a l c o n t r a s tm e a s u r eJ I E E EG e o s c i e n c ea n dR e m o t eS e n s i n gL e t t e r s,:Y W e i,X Y o u,H L i M u l t i s c a l ep a t c h b a s e dc o n t r a s tm e a s u r e f o rs m a l l i n f r a r e dt a r g e td e t e c t i o nJ P a t t e r nR e c o g n i t,:于万国,何玉林,覃荟霖基于观测点机制的异常点检测算法J深圳大学学报(理工版),():WE IY a n t a o,Y OU X i n g e,L IH o n g M u l t i s c a l ep a t c h b a s e dc o n t r a s tm e a s u r ef o rs m a l l i n f r a r e dt a r g e td e t e c t i o nJ P a t t e r nR e c o g n i t i o n:T h eJ o u r n a l o f t h eP a t t e r nR e c o g n i t i o nS o c i e t y,:JH a n,Y M a,J H u a n g,e t a l A n i n f r a r e ds m a l l t a r g e td e t e c t i n ga l g o r i t h mb a s e do nh u m a nv i s u a l s y s t e mJ I E E EG e o s c i R e m o t eS e n s i n gL e t t,():H D e n g,X S u n,M L i u,e ta l S m a l l i n f r a r e dt a r g e td e t e c t i o nb a s e do nw e i g h t e dl o c a l d i f f e r e n c em e a s u r eJ I E E ET r a n s G e o s c i R e m o t eS e n s,():Z HOJ,L V H,Z HOU F I n f r a r e ds m a l l t a r g e te n h a n c e m e n tb yu s i n gs e q u e n t i a lt o p h a tf i l t e r sJ I n t e r n a t i o n a lS o c i e t yf o rO p t i c sa n dP h o t o n i c s,新能源系统与设备电工技术