引入人员反馈的风机叶片红外缺陷测量技术.pdfVIP

第

50

卷

第

1

期中国测试Vol.50

No.1

2024

年

1

月CHINA

MEASUREMENT

TESTJanuary,

2024

引用格式：王洪金,

杜旭,

赵丽劼,

等.

引入人员反馈的风机叶片红外缺陷测量技术[J].

中国测试，2024,

50(1):

32-38.

WANG

Hongjin,

DU

Xu,

ZHAO

Lijie,

et

al.

Measurement

technology

of

wind

turbine

blades

infrared

defect

with

human

feedback

introduced[J].

China

Measurement

Test,

2024,

50(1):

32-38.

DOI:

10.11857/j.issn.1674-5124.2022100075

引入人员反馈的风机叶片红外缺陷测量技术

王洪金，

杜

旭，

赵丽劼，

何赟泽，

李

杰11112

(1.

湖南大学电气与信息工程学院，湖南

长沙

410082;

2.

中国电建集团中南勘测设计研究院有限公司，湖南

长沙

410014)

摘要:在实现风机叶片巡检的无人化和智能化的过程中，数据集的准备与标注严重影响深度学习网络的预测准确

性。这一点在基于无人机载红外热成像尤为重要，不同于可见光检测：由于红外相机像素有限，导致缺陷在检测图像

上像素少、温差小、缺陷温度表征因缺陷种类变化等问题。仅依赖一次数据标定的网络识别准确率较低，且数据集

标注的差异对识别精度带来严重影响。为此，提出基于人在回路的风机叶片智能红外缺陷检测与测量的方法，将人

员反馈引入到网络性能迭代中，并且通过缺陷局部假设解决在缺陷面积测量中的温度表征随种类变化的问题。实验

表明，引入人为参与的方法能有效地提高风机叶片缺陷检测识别率。在自制的风机叶片红外数据集中，第二次数据

迭代的mAP@0.5比第一次数据标注提高22.94%，第三次数据迭代的mAP@0.5比第二次数据迭代提高27.8%。

关键词:缺陷检测;

深度学习;

风机叶片;

YOLOv5l模型;

人在回路

中图分类号:TP391;TB9文献标志码:A文章编号:1674–5124(2024)01–0032–07

Measurementtechnologyofwindturbinebladesinfrareddefectwith

humanfeedbackintroduced

11112

WANG

Hongjin,

DU

Xu,

ZHAO

Lijie,

HE

Yunze,

LI

Jie