Dec, 2023

利用虚拟现实技术和深度学习进行风力涡轮叶片缺陷检测的新方法

PDF
TL;DR通过使用两步深度学习方法，本文试验缺陷检测准确性，在风力涡轮片背景中生成真实感图像并训练定制的 U-Net 架构来分类和分割缺陷，为无人机等航空器的自主和远程检查提供合理的缺陷检测准确性。
wind turbinesdefect detectiondeep learningautonomous inspectionaerial vehicles
发现论文，激发创造
  • 利用基于无人机的检测图像学习识别风力涡轮机叶片表面的裂缝

    本文使用深度学习构建了一个可靠的风力涡轮机叶片损伤检测模型，降低了风电成本并增加了可持续风能发展。

    Jul, 2022

  • 风力涡轮机叶片视觉损伤自动检测系统

    针对风能产业中风力发电机叶片破损的问题，提出了一种基于机器学习的破损检测模型，并探讨该模型在生产中实际运用的性能和效果，借助该模型可以降低风能发电的运营成本。

    May, 2022

  • 野外 RGB 图像中风力发电机叶片的稳健分割

    为实现风力涡轮机的结构健康监测，我们提出了一种新型分割算法，它利用已知数据填补空洞，使用组合损失函数加正则化项，并通过随机森林消除错误分类，最终实现了高达 97.39% 的准确率。

    Jun, 2023

  • 利用振动分析进行无人机起飞 / 着陆前后机翼异常检测的机器学习研究

    利用信号处理和机器学习方法，通过对全面振动分析数据的分析，以确定在飞行前后运行过程中叶片缺陷的存在，为未来智能城市的关键基础设施部分 —— 无人机，提供了恒定的监控以确保其可靠性。

    Apr, 2024

  • 基于改进神经网络算法的近海风力发电机组实时断裂检测

    通过引入 YOLOv8 目标检测模型的高级版本，结合卷积块注意力模块（CBAM）来改善特征识别，进一步优化损失函数，本研究在 Saemangeum 海上风力发电场和公开可用的数据集上进行了严格测试，结果显示缺陷检测稳定性显著提高，对于高效的涡轮维护迈出了重要一步，为未来的研究提供了启示，有可能革新可持续能源实践。

    Jul, 2023

  • 深度学习在无人机故障诊断中的仿真到实际转换应用

    本研究提出了一种深度学习模型，利用新识别的特征（NIF）作为输入和利用域自适应技术来减少仿真到现实的差距，进而实现了四旋翼螺旋桨故障检测方面的模拟与现实诊断手段之间转换的目的。实验结果表明，提出的方法在检测螺旋桨故障方面具有高达 96% 的准确率，目前是一种可靠且高效的方法。

    Feb, 2023

  • 使用物理信息神经网络和证据不确定性量化预测风力发电机功率

    使用物理信息神经网络对来自 4 台风力发电机的历史数据进行回归建模，同时引入高效的证据层对预测进行不确定性估计，证明其与绝对误差一致，并为功率曲线定义了一个置信区间。

    Jul, 2023

  • 基于改进深度学习模型的海上风电场鸟类快速识别

    为了解决风力发电机叶片损伤的健康和生态问题，本文提出了一种新的基于 YOLOv5 的鸟类检测模型，该模型使用了 CBAM 注意机制和 RetinexNet 网络来提高网络性能，实验结果表明，该模型检测鸟类的准确度可以达到 87.40％，且该模型可以在夜晚，雨天和震动环境下表现出强的稳定性，证明了该模型能够确保风力发电机的安全稳定运行。

    Jun, 2023

  • 基于无人机混合真实与虚拟场景的自动机场道面检测

    基于无人机拍摄的图像，提出一种基于深度学习的视觉方法来自动识别跑道和滑行道面的缺陷，利用合成与实际图像训练模型能在真实应用场景中取得更好的结果。

    Jan, 2024

  • 提高计算机视觉制造缺陷检测鲁棒性的一种新策略

    本研究探讨利用深度学习技术进行视觉品质检测问题，针对工业制造中数据重复性高的情况，提出通过学习数据中的特定缺陷类型来训练检测模型，从而使其更能检测出在新情况下出现的缺陷。同时，研究对泛化的影响，以训练在更广泛的条件下工作的模型。

    May, 2023