面向无人机风机巡检的光照条件分析方法

在无人机风机巡检作业中,光照异常会严重影响拍摄到的图像质量,导致风机叶片在图像中亮度异常,叶片上的裂纹等细微缺陷无法被有效判定,影响风机的安全稳定运行.本文针对此问题,开展风机巡检中的光照条件分析技术研究,在巡检前,根据规划的航迹及太阳的方位进行光照情况预判;在巡检中,根据风机叶片及塔筒的分割结果,针对性地分析关键部位的光照情况,辅助以基于加权均值的整幅图像光照分析算法,能够全方位地实现巡检中光照分析,提升作业效率和准确性.

无人机全自主飞行技术在风机巡检过程中的应用

本文利用无人机航点的全自主飞行技术,实现了对风力发电机叶片的全自动拍摄,解决了传统叶片巡检过程存在的诸多问题,如:操作人员的人身安全问题、人工巡检耗时过多(通常每台风机在 1 小时以上)、人工巡检的结果受不同操作人员职业素养影响问题、偏远地区或恶劣环境巡检困难等等。实际应用过程的验证,无人机航点自主飞行技术可以实现安全、快捷、高质量的自主巡检,为新能源风电行业带来了全新的运维模式。

基于LiDAR与可见光融合的自动风电叶片巡检方法

传统风机叶片使用人工吊篮、望远镜、手动操控无人机的方式进行巡检,存在巡检难度大、巡检效率低、拍摄数据规范性差等问题。为此,提出了一种在无人机平台上基于LiDAR与可见光融合的风机叶片自动化巡检的方法。通过融合可见光相机、激光雷达采集的多源数据自动规划风机状态的智能感知和无人机航线,可实现拍摄风机叶片的不同部位(前缘、后缘、迎风面、背风面)并选择最佳角度、最佳距离,在保证巡检安全的前提下极大地提升了叶片巡检的质量,同时降低了风机巡检人员的作业难度,提升了风机叶片的巡检效率。

实时感光度补偿算法:昏暗环境下的风机叶片巡检拍照

本文提出了一种风力发电机巡检工况下为风机叶片拍照的实时感光度补偿算法。这种算法可以在风力发电机巡检作业为风机叶片拍摄时,根据现场环境调整相机的感光度,对昏暗环境中的风机叶片进行亮度补偿,使得数码相机(光圈和快门速度维持不可变)能够在光照不良的场景下拍摄出高质量的照片,完成风机叶片信息的照片采集工作。本文的算法为风机巡检尤其是昏暗环境中的风力发电机的自主巡检工作提供了新的应用参考。

基于Fast R-CNN的风机叶片自动巡检

针对传统的风机叶片巡检模式未能实现风电叶片缺陷的自动检测,需要耗费大量的人力和时间成本,且无法有效缩短巡检周期的问题。本文将 Fast R-CNN 算法部署在无人机控制系统中,使得无人机能自动识别并锁定叶片,Fast R-CNN 识别精度高、受光照影响较小、运行稳定,通过使用该算法风力发电机用巡检无人机能够自动识别风力发电机的叶片,可实现叶片的自动巡检,有效的降低了巡检周期,并节省了大量的人力和时间成本。