一种风力机桨柱角计算方法及装置与流程

1.本发明涉及计算风力机桨柱角的技术领域，尤其涉及一种风力机桨柱角计算方法及装置。


背景技术：

2.风力发电机桨叶在工作过程中受到强风负荷、沙粒冲刷、雷击、大气氧化与潮湿空气腐蚀等因素的影响，不可避免的会出现气孔、裂缝、磨损、腐蚀等问题，如不及时进行处理会导致桨叶断裂，严重威胁着机组安全运行，所以需要对风力机叶片的健康状况进行监控。但目前风力机桨叶巡检主要通过“蜘蛛人”、望远镜观察等传统方法，即便是使用无人机进行巡检，自动化程度也不高，需要巡检员直接通过视频影像进行观察，这些方法人工成本高，效率低，准确率也难以保证，并且这些方法劳动强度大、停机时间长、价格昂贵，所以研究开发一套风力机桨叶无人机自动巡检系统就极为必要。
3.无人机智能巡检的关键点在于航线的智能规划。而针对风力机桨叶巡检的航线，需要确定桨叶的停靠位置，才能准确规划航线，针对桨叶进行智能巡检。
4.现有方法首先以工业级无人机搭载高清相机、激光扫描雷达等设备，采集风力机整体结构信息，并利用视觉建模技术，通过三维模型获取风力机的位姿，确定风力机桨叶停靠位置，以实现无人机航线的规划。现有方法需要建立三维模型，对硬件设备要求高、成本高、计算时间较长。
5.因此，为了提高风力机桨柱角的计算效率，解决目前存在的现有的风力机桨柱角计算方法因需要建立三维模型导致对硬件设备要求高、成本高和计算时间较长的技术问题，亟需构建一种风力机桨柱角计算方法。


技术实现要素：

6.本发明提供了一种风力机桨柱角计算方法及装置，解决了目前存在的现有的风力机桨柱角计算方法因需要建立三维模型导致对硬件设备要求高、成本高和计算时间较长的技术问题。
7.第一方面，本发明提供了一种风力机桨柱角计算方法，包括：
8.获取待测风力机的图像数据和风力机数据库中的训练样本；
9.根据所述训练样本，构建风力机目标检测模型和风力机桨叶语义分割模型；
10.将所述图像数据输入所述风力机目标检测模型，计算得到风力机目标框架图；
11.将所述风力机目标框架图输入所述风力机桨叶语义分割模型，计算得到风力机桨叶点集数据；
12.基于cpd点云配准技术和仿射变换原理，计算所述风力机桨叶点集数据中对应风力机的桨柱角。
13.可选地，根据所述训练样本，构建风力机目标检测模型和风力机桨叶语义分割模型，包括：
14.根据所述训练样本，构建风力机初步目标检测模型和风力机初步桨叶语义分割模型；
15.基于所述训练样本，对所述风力机初步目标检测模型和所述风力机初步桨叶语义分割模型进行训练，得到训练后的风力机初步目标检测模型和训练后的风力机初步桨叶语义分割模型；
16.基于所述训练样本，验证所述训练后的风力机初步目标检测模型和所述训练后的风力机初步桨叶语义分割模型，得到所述风力机目标检测模型和所述风力机桨叶语义分割模型。
17.可选地，基于所述训练样本，对所述风力机初步目标检测模型和所述风力机初步桨叶语义分割模型进行训练，得到训练后的风力机初步目标检测模型和训练后的风力机初步桨叶分割模，包括：
18.将所述训练样本中的风力机目标图像和风力机桨叶数据分别输入到所述风力机初步目标检测模型和所述风力机初步桨叶语义分割模型，生成对应的检测样本类别和桨叶样本类别；
19.根据所述训练样本中的风力机目标图像和风力机桨叶数据及对应的样本类别标签，以及所述检测样本类别和桨叶样本类别，确定训练误差；
20.基于所述训练误差，对所述风力机初步目标检测模型和所述风力机初步桨叶语义分割模型进行调整，得到最优参数，并采用所述最优参数，优化所述风力机初步目标检测模型和所述风力机初步桨叶语义分割模型，得到所述训练后的所述风力机初步目标检测模型和所述训练后的风力机初步桨叶语义分割模型。
21.可选地，将所述训练样本中的风力机目标图像和风力机桨叶数据分别输入到所述风力机初步目标检测模型和所述风力机初步桨叶语义分割模型，生成对应的检测样本类别和桨叶样本类别之前，还包括：
22.根据所述风力机初步目标检测模型和所述风力机初步桨叶语义分割模型的模型结构以及风力机检测的任务特性，设置对应的损失函数。
23.可选地，基于cpd点云配准技术和仿射变换原理，计算所述风力机桨叶点集数据中对应风力机的桨柱角，包括：
24.基于所述cpd点云配准技术，对所述风力机桨叶点集数据进行刚体仿射变换，得到仿射变换矩阵；
25.根据所述仿射变换原理，提取所述仿射变换矩阵中的旋转分量数据；
26.基于所述旋转分量数据，计算所述风力机桨叶点集数据中对应风力机的桨柱角。
27.第二方面，本发明提供了一种风力机桨柱角计算装置，包括：
28.获取模块，用于获取待测风力机的图像数据和风力机数据库中的训练样本；
29.构建模块，用于根据所述训练样本，构建风力机目标检测模型和风力机桨叶语义分割模型；
30.框架模块，用于将所述图像数据输入所述风力机目标检测模型，计算得到风力机目标框架图；
31.桨叶模块，用于将所述风力机目标框架图输入所述风力机桨叶语义分割模型，计算得到风力机桨叶点集数据；
32.计算模块，用于基于cpd点云配准技术和仿射变换原理，计算所述风力机桨叶点集数据中对应风力机的桨柱角。
33.可选地，所述构建模块包括：
34.构建子模块，用于根据所述训练样本，构建风力机初步目标检测模型和风力机初步桨叶语义分割模型；
35.训练子模块，用于基于所述训练样本，对所述风力机初步目标检测模型和所述风力机初步桨叶语义分割模型进行训练，得到训练后的风力机初步目标检测模型和训练后的风力机初步桨叶语义分割模型；
36.验证子模块，用于基于所述训练样本，验证所述训练后的风力机初步目标检测模型和所述训练后的风力机初步桨叶语义分割模型，得到所述风力机目标检测模型和所述风力机桨叶语义分割模型。
37.可选地，所述训练子模块包括：
38.生成单元，用于将所述训练样本中的风力机目标图像和风力机桨叶数据分别输入到所述风力机初步目标检测模型和所述风力机初步桨叶语义分割模型，生成对应的检测样本类别和桨叶样本类别；
39.误差单元，用于根据所述训练样本中的风力机目标图像和风力机桨叶数据及对应的样本类别标签，以及所述检测样本类别和桨叶样本类别，确定训练误差；
40.优化单元，用于基于所述训练误差，对所述风力机初步目标检测模型和所述风力机初步桨叶语义分割模型进行调整，得到最优参数，并采用所述最优参数，优化所述风力机初步目标检测模型和所述风力机初步桨叶语义分割模型，得到所述训练后的所述风力机初步目标检测模型和所述训练后的风力机初步桨叶语义分割模型。
41.可选地，所述训练子模块还包括：
42.设置单元，用于根据所述风力机初步目标检测模型和所述风力机初步桨叶语义分割模型的模型结构以及风力机检测的任务特性，设置对应的损失函数。
43.可选地，所述计算模块包括：
44.变换子模块，用于基于所述cpd点云配准技术，对所述风力机桨叶点集数据进行刚体仿射变换，得到仿射变换矩阵；
45.提取子模块，用于根据所述仿射变换原理，提取所述仿射变换矩阵中的旋转分量数据；
46.计算子模块，用于基于所述旋转分量数据，计算所述风力机桨叶点集数据中对应风力机的桨柱角。
47.从以上技术方案可以看出，本发明具有以下优点：本发明提供了一种风力机桨柱角计算方法，通过获取待测风力机的图像数据和风力机数据库中的训练样本，根据所述训练样本，构建风力机目标检测模型和风力机桨叶语义分割模型，将所述图像数据输入所述风力机目标检测模型，计算得到风力机目标框架图，将所述风力机目标框架图输入所述风力机桨叶语义分割模型，计算得到风力机桨叶点集数据，基于cpd点云配准技术和仿射变换原理，计算所述风力机桨叶点集数据中对应风力机的桨柱角，通过一种风力机桨柱角计算方法，解决了目前存在的现有的风力机桨柱角计算方法因需要建立三维模型导致对硬件设备要求高、成本高和计算时间较长的技术问题，提高了风力机桨柱角的计算效率。
附图说明
48.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。
49.图1为本发明的一种风力机桨柱角计算方法实施例一的流程步骤图；
50.图2为本发明的一种风力机桨柱角计算方法实施例二的流程步骤图；
51.图3为本发明的一种风力机目标框架图示意图；
52.图4为本发明的一种风力机桨柱角计算装置实施例的结构框图。
具体实施方式
53.本发明实施例提供了一种风力机桨柱角计算方法及装置，用于解决目前存在的现有的风力机桨柱角计算方法因需要建立三维模型导致对硬件设备要求高、成本高和计算时间较长的技术问题。
54.为使得本发明的发明目的、特征、优点能够更加的明显和易懂，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，下面所描述的实施例仅仅是本发明一部分实施例，而非全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
55.实施例一，请参阅图1，图1为本发明的一种风力机桨柱角计算方法实施例一的流程步骤图，包括：
56.步骤s101，获取待测风力机的图像数据和风力机数据库中的训练样本；
57.需要说明的是，训练样本包括风力机目标检测训练样本和风力机桨叶语义分割训练样本。
58.所述风力机目标检测训练样本包括风力机图像及其训练样本类别标签。
59.风力机桨叶语义分割训练样本包括风力机桨叶数据及其训练样本类别标签。
60.在本发明实施例中，获取待测风力机的图像数据、风力机目标检测训练样本和风力机桨叶语义分割训练样本。
61.步骤s102，根据所述训练样本，构建风力机目标检测模型和风力机桨叶语义分割模型；
62.在本发明实施例中，根据所述训练样本，构建风力机初步目标检测模型和风力机初步桨叶语义分割模型，基于所述训练样本，对所述风力机初步目标检测模型和所述风力机初步桨叶语义分割模型进行训练，得到训练后的风力机初步目标检测模型和训练后的风力机初步桨叶语义分割模型，基于所述训练样本，验证所述训练后的风力机初步目标检测模型和所述训练后的风力机初步桨叶语义分割模型，得到所述风力机目标检测模型和所述风力机桨叶语义分割模型。
63.步骤s103，将所述图像数据输入所述风力机目标检测模型，计算得到风力机目标框架图；
64.步骤s104，将所述风力机目标框架图输入所述风力机桨叶语义分割模型，计算得
到风力机桨叶点集数据；
65.步骤s105，基于cpd点云配准技术和仿射变换原理，计算所述风力机桨叶点集数据中对应风力机的桨柱角；
66.在本发明实施例中，根据所述仿射变换原理，提取所述仿射变换矩阵中的旋转分量数据，基于所述旋转分量数据，计算所述风力机桨叶点集数据中对应风力机的桨柱角。
67.在本发明实施例所提供的一种风力机桨柱角计算方法，通过获取待测风力机的图像数据和风力机数据库中的训练样本，根据所述训练样本，构建风力机目标检测模型和风力机桨叶语义分割模型，将所述图像数据输入所述风力机目标检测模型，计算得到风力机目标框架图，将所述风力机目标框架图输入所述风力机桨叶语义分割模型，计算得到风力机桨叶点集数据，基于cpd点云配准技术和仿射变换原理，计算所述风力机桨叶点集数据中对应风力机的桨柱角，通过一种风力机桨柱角计算方法，解决了目前存在的现有的风力机桨柱角计算方法因需要建立三维模型导致对硬件设备要求高、成本高和计算时间较长的技术问题，提高了风力机桨柱角的计算效率。
68.实施例二，请参阅图2，图2为本发明的一种风力机桨柱角计算方法的流程步骤图，包括：
69.步骤s201，获取待测风力机的图像数据和风力机数据库中的训练样本；
70.在本发明实施例中，获取待测风力机的图像数据和风力机数据库中的训练样本，训练样本包括风力机目标检测训练样本和风力机桨叶语义分割训练样本，所述风力机目标检测训练样本包括风力机图像及其训练样本类别标签，风力机桨叶语义分割训练样本包括风力机桨叶数据及其训练样本类别标签。
71.在具体实现中，提取风力机数据库中的训练样本，包括风力机图像及其训练样本类别标签、风力机桨叶数据及其训练样本类别标签和风力机视频，其中，在风力机视频中抽取关键帧。
72.(1)获取的风力机图像的方式和类型包括：
73.1)通过风电场对每个风机，在距风机60m、90m、120m、150m、200m等距离(距离根据现场不同风机有所调整)、摄像机视角垂直于风机正面、以及向上下左右各偏移15度的位置各拍摄一组图像。
74.2)对每个风机，拍摄一组视频，距离从60m、90m、120m、150m、200m(距离根据现场不同风机有所调整)，每个距离点，摄像机视角垂直于风机正面、以及向上下左右各偏移15度的位置各悬停5s。
75.3)在不同光照下(如上午，中午，下午)，不同天气先进行步骤1)、2)拍摄。
76.4)抽取所有视频的关键帧，并人工筛选图像。得到不同设备、不同场景下大约2000张风力机图像，构成风力机目标检测训练样本。
77.5)使用labelme工具，对上述风力机目标检测训练样本进行标注，对于每一张图像，将图像中所有风力机目标通过最小外接矩形框框选出来，并赋予风力机的标签，并生成标注文件。
78.(2)获取的风力机桨叶数据包括：
79.1)不同于已有的方法，基于上述风力机图像，将每个风力机目标框剪切为一张子图，构成新的数据集，并将该数据集制作为风力机桨叶数据。
80.2)使用labelme工具，对上述风力机桨叶数据进行标注。对每一张待标注图像，将所有风力机的桨叶的轮廓用多边形框选出来，并将框选区域内的所有像素点赋予桨叶的标签，并生成标注文件。
81.步骤s202，根据所述训练样本，构建风力机初步目标检测模型和风力机初步桨叶语义分割模型；
82.在本发明实施例中，根据所述训练样本，构建风力机初步目标检测模型和风力机初步桨叶语义分割模型。
83.在具体实现中，风力机目标检测模型由四部分结构组成，包括训练图像输入端、骨干网络(backbone)、多尺度颈部(neck)网络和模型输出。
84.(1)输入端：1)使用类马赛克(mosaic)数据增强，随机抽取训练集中的4张图像，做随机缩放、随机裁剪、随机排布的方式进行拼接，重新组成一张图像作为模型输入图像，以此方法丰富数据集。2)采用自适应锚框，已有目标检测方法都是预设好锚框的比例和大小，本发明针对不同的数据集，根据训练集的标注框自适应的计算数据集的最佳锚框值。
85.(2)骨干网络(backbone)：由多个cbl结构、csp1_x结构和csp2_x结构堆叠组成。其中，1)cbl结构由一个卷积层、加一个批归一化层和一个leaky relu激活层串联组层。2)csp1_x结构由cbl结构、x个res残差块、卷积层、拼接层、leaky relu激活层等结构按图示堆叠组成。3)csp2_x结构由cbl结构、卷积层、拼接层、leaky relu激活层等结构按图示堆叠组成。
86.(3)多尺度颈部(neck)网络：由于目标检测任务需要定位目标的位置，传统的深层卷积神经网络输出的特征图调小，丢失了太多的空间信息特征，影响模型对目标定位的性能。neck网络采用特征金字塔(fpn，feature pyramid network)结构和金字塔注意力(pan，pyramid attention network)模块，应用多尺度特征融合，利用浅层网络的特征增强深层网络的语义信息特征和空间信息特征，针对不同尺寸的目标，输出不同下采样倍数的特征图。我们的neck网络保持了3种下采样倍数，分别是8、16和32倍。浅层特征图用来检测小目标，深层特征图用来检测大目标。
87.(4)模型输出：模型输出下采样倍数为8、16和32的3个尺度的结果，针对长宽640x640的输入图像，输出尺度分别为80x80x18、40x40x18、20x20x18。其中80、40、20表示输出特征图的长宽；18表示一个目标实例的输出维数，18位数记录了3个锚框对于的目标框的中心坐标点、目标框的长宽、目标框有目标的置信度、风力机分类的置信度。
88.搭建风力机桨叶语义分割模型，使用经典的deeplabv3+模型作为语义分割模型，对输入图像做像素级分类，故采用逐像素的交叉熵损失函数，计算公式具体为：
[0089][0090]
其中，w、h分别表示输出特征图的宽高；分别表示像素点(i，j)的分类预测概率。
[0091]
步骤s203，基于所述训练样本，对所述风力机初步目标检测模型和所述风力机初步桨叶语义分割模型进行训练，得到训练后的风力机初步目标检测模型和训练后的风力机初步桨叶语义分割模型；
[0092]
在一个可选实施例中，基于所述训练样本，对所述风力机初步目标检测模型和所述风力机初步桨叶语义分割模型进行训练，得到训练后的风力机初步目标检测模型和训练后的风力机初步桨叶分割模，包括：
[0093]
根据所述风力机初步目标检测模型和所述风力机初步桨叶语义分割模型的模型结构以及风力机检测的任务特性，设置对应的损失函数；
[0094]
将所述训练样本中的风力机目标图像和风力机桨叶数据分别输入到所述风力机初步目标检测模型和所述风力机初步桨叶语义分割模型，生成对应的检测样本类别和桨叶样本类别；
[0095]
根据所述训练样本中的风力机目标图像和风力机桨叶数据及对应的样本类别标签，以及所述检测样本类别和桨叶样本类别，确定训练误差；
[0096]
基于所述训练误差，对所述风力机初步目标检测模型和所述风力机初步桨叶语义分割模型进行调整，得到最优参数，并采用所述最优参数，优化所述风力机初步目标检测模型和所述风力机初步桨叶语义分割模型，得到训练后的所述风力机初步目标检测模型和训练后的风力机初步桨叶语义分割模型。
[0097]
在本发明实施例中，根据所述风力机初步目标检测模型和所述风力机初步桨叶语义分割模型的模型结构以及风力机检测的任务特性，设置对应的损失函数，将所述训练样本中的风力机目标图像和风力机桨叶数据分别输入到所述风力机初步目标检测模型和所述风力机初步桨叶语义分割模型，生成对应的检测样本类别和桨叶样本类别，根据所述训练样本中的风力机目标图像和风力机桨叶数据及对应的样本类别标签，以及所述检测样本类别和桨叶样本类别，确定训练误差，基于所述训练误差，对所述风力机初步目标检测模型和所述风力机初步桨叶语义分割模型进行调整，得到最优参数，并采用所述最优参数，优化所述风力机初步目标检测模型和所述风力机初步桨叶语义分割模型，得到所述训练后的所述风力机初步目标检测模型和所述训练后的风力机初步桨叶语义分割模型。
[0098]
在具体实现中，(1)根据所述风力机初步目标检测模型和所述风力机初步桨叶语义分割模型的模型结构以及风力机检测的任务特性，设置对应的损失函数。
[0099]
损失函数分为三部分：预测框与真实框的位置损失、预测框与真实框的目标置信度损失和目标分类损失。
[0100]
位置损失函数计算公式具体为：
[0101][0102]
其中，iou表示预测框与真实框的交并比，d1表示预测框与真实框之间中心点的距离，d2表示预测框对角线延长线与真实框之间的最小外接矩形框的对角线长度，v用来衡量预测框与真实框之间的长宽比的一致性，计算公式具体为：
[0103][0104]
其中，w
t
、h
t
为真实框的宽高，w
p
、h
p
为预测框的宽高。
[0105]
目标置信度损失函数和目标分类损失函数，都是使用的是带sigmoid的二进制交叉熵损失函数，计算公式具体为：
[0106][0107][0108]
其中，y
t
表示真值，y
p
表示预测值，sigmoid表示激活函数，计算公式具体为：
[0109][0110]
总的损失函数如下所示：
[0111]
l(object)＝l
coord
+l
obj
+l
cls
；
[0112]
其中，l(object)为总损失函数，l
coord
为位置损失函数，l
obj
为目标置信度损失函数，l
cls
为目标分类损失函数。
[0113]
(2)训练风力机目标检测模型，基于上述的训练样本、搭建的网络模型和损失函数，训练模型，直至模型收敛，得到收敛后的模型m
detect
。
[0114]
将风力机目标检测模型m
detect
部署到无人机，通过无人机拍摄图像，做风力机目标识别，输出风力机目标框，并作为风力机桨叶语义分割模型的输入。
[0115]
(3)训练风力机桨叶语义分割模型，基于上述的训练样本、网络模型和损失函数训练模型，直至模型收敛，得到收敛后的风力机桨叶语义分割模型m
seg
。
[0116]
(4)将风力机桨叶语义分割模型m
seg
部署到无人机，接受风力机目标检测模型m
detect
的输出，做语义分割，输出风力机桨叶点集，并作为cpd点云配准算法的输入。
[0117]
步骤s204，基于所述训练样本，验证所述训练后的风力机初步目标检测模型和所述训练后的风力机初步桨叶语义分割模型，得到风力机目标检测模型和风力机桨叶语义分割模型；
[0118]
在本发明实施例中，基于所述训练样本中的风力机图像及其训练样本类别标签和风力机桨叶数据及其训练样本类别标签，验证所述训练后的风力机初步目标检测模型和所述训练后的风力机初步桨叶语义分割模型，得到所述风力机目标检测模型和所述风力机桨叶语义分割模型。
[0119]
步骤s205，将所述图像数据输入所述风力机目标检测模型，计算得到风力机目标框架图；
[0120]
在本发明实施例中，将所述图像数据输入所述风力机目标检测模型，得到风力机目标框架图。
[0121]
在具体实现中，请参阅图3，图3为本发明的一种风力机目标框架图示意图，通过风力机目标检测模型生成的风力机目标框架图如图3所示，其中，θ为桨柱角，ab为桨叶，ac为桨叶，ad为桨叶，ae为柱子。
[0122]
步骤s206，将所述风力机目标框架图输入所述风力机桨叶语义分割模型，计算得到风力机桨叶点集数据；
[0123]
步骤s207，基于cpd点云配准技术，对所述风力机桨叶点集数据进行刚体仿射变换，得到仿射变换矩阵；
[0124]
在本发明实施例中，基于cpd点云配准技术，对所述风力机桨叶点集数据进行刚体仿射变换，得到仿射变换矩阵。
[0125]
在具体实现中，基于cpd点云配准技术，将风力机桨叶点集数据，通过迭代多次几何空间变换，直到配准精度达到要求，则输出配准后的点集和变换矩阵a。仿射变换计算过程如下：
[0126]
桨叶点集的变换是从一个二维坐标变换到另一个二维坐标的过程。在我们的场景中，主要存在旋转、缩放和平移变换。对于二维坐标点的变换，仿射变换矩阵可定义如下：
[0127]
a＝[m b]；
[0128]
其中，表示旋转、缩放矩阵，表示坐标轴平移矩阵。
[0129]
仿射变换公式具体为：
[0130]dt
＝m*d+b；
[0131]
已知模板点集和带配准点集且点集存在超过3情况下，就可以得到转换矩阵a。
[0132]
步骤s208，根据所述仿射变换原理，提取所述仿射变换矩阵中的旋转分量数据；
[0133]
在本发明实施例中，提取仿射变换矩阵中的旋转分量数据序。
[0134]
在具体实现中，提取仿射变换矩阵a的旋转分量：根据刚体仿射变换特性，平移变换不影响旋转分量，故可以忽略平移分量。表示没有任何变换时的基准变换矩阵。
[0135]
对比于基准变换矩阵，延缩放向量v(w h)进行缩放变换的原始操作如下所示：
[0136][0137]
对比于基准变换矩阵，逆时针旋转θ角度对应的原始变换操作如下所示：
[0138][0139]
根据原始旋转变换矩阵m
rotate
和原始缩放变换矩阵m
scale
的不同，从上述得到的仿射变换矩阵a中提取旋转变换矩阵，得到旋转分量数据。
[0140]
步骤s209，基于所述旋转分量数据，计算所述风力机桨叶点集数据中对应风力机的桨柱角；
[0141]
在本发明实施例中，从上述得到的仿射变换矩阵中提取旋转变换矩阵，同时剔除缩放变换的影响，从而得到旋转角，根据旋转角和旋转分量数据，计算所述风力机桨叶点集数据中对应风力机的桨柱角。
[0142]
在本发明实施例所提供的一种风力机桨柱角计算方法，通过获取待测风力机的图像数据和风力机数据库中的训练样本，根据所述训练样本，构建风力机目标检测模型和风力机桨叶语义分割模型，将所述图像数据输入所述风力机目标检测模型，计算得到风力机目标框架图，将所述风力机目标框架图输入所述风力机桨叶语义分割模型，计算得到风力机桨叶点集数据，基于cpd点云配准技术和仿射变换原理，计算所述风力机桨叶点集数据中
对应风力机的桨柱角，通过一种风力机桨柱角计算方法，解决了目前存在的现有的风力机桨柱角计算方法因需要建立三维模型导致对硬件设备要求高、成本高和计算时间较长的技术问题，提高了风力机桨柱角的计算效率。
[0143]
请参阅图4，图4为本发明的一种风力机桨柱角计算装置实施例的结构框图，包括：
[0144]
获取模块401，用于获取待测风力机的图像数据和风力机数据库中的训练样本；
[0145]
构建模块402，用于根据所述训练样本，构建风力机目标检测模型和风力机桨叶语义分割模型；
[0146]
框架模块403，用于将所述图像数据输入所述风力机目标检测模型，计算得到风力机目标框架图；
[0147]
桨叶模块404，用于将所述风力机目标框架图输入所述风力机桨叶语义分割模型，计算得到风力机桨叶点集数据；
[0148]
计算模块405，用于基于cpd点云配准技术和仿射变换原理，计算所述风力机桨叶点集数据中对应风力机的桨柱角。
[0149]
在一个可选实施例中，所述构建模块402包括：
[0150]
构建子模块，用于根据所述训练样本，构建风力机初步目标检测模型和风力机初步桨叶语义分割模型；
[0151]
训练子模块，用于基于所述训练样本，对所述风力机初步目标检测模型和所述风力机初步桨叶语义分割模型进行训练，得到训练后的风力机初步目标检测模型和训练后的风力机初步桨叶语义分割模型；
[0152]
验证子模块，用于基于所述训练样本，验证所述训练后的风力机初步目标检测模型和所述训练后的风力机初步桨叶语义分割模型，得到所述风力机目标检测模型和所述风力机桨叶语义分割模型。
[0153]
在一个可选实施例中，所述训练子模块包括：
[0154]
生成单元，用于将所述训练样本中的风力机目标图像和风力机桨叶数据分别输入到所述风力机初步目标检测模型和所述风力机初步桨叶语义分割模型，生成对应的检测样本类别和桨叶样本类别；
[0155]
误差单元，用于根据所述训练样本中的风力机目标图像和风力机桨叶数据及对应的样本类别标签，以及所述检测样本类别和桨叶样本类别，确定训练误差；
[0156]
优化单元，用于基于所述训练误差，对所述风力机初步目标检测模型和所述风力机初步桨叶语义分割模型进行调整，得到最优参数，并采用所述最优参数，优化所述风力机初步目标检测模型和所述风力机初步桨叶语义分割模型，得到所述训练后的所述风力机初步目标检测模型和所述训练后的风力机初步桨叶语义分割模型。
[0157]
在一个可选实施例中，所述训练子模块还包括：
[0158]
设置单元，用于根据所述风力机初步目标检测模型和所述风力机初步桨叶语义分割模型的模型结构以及风力机检测的任务特性，设置对应的损失函数。
[0159]
在一个可选实施例中，所述计算模块405包括：
[0160]
变换子模块，用于基于所述cpd点云配准技术，对所述风力机桨叶点集数据进行刚体仿射变换，得到仿射变换矩阵；
[0161]
提取子模块，用于根据所述仿射变换原理，提取所述仿射变换矩阵中的旋转分量
数据；
[0162]
计算子模块，用于基于所述旋转分量数据，计算所述风力机桨叶点集数据中对应风力机的桨柱角。
[0163]
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
[0164]
在本技术所提供的几个实施例中，应该理解到，本发明所揭露的方法及装置，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
[0165]
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
[0166]
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
[0167]
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取可读存储介质中。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或者该技术方案的全部或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一个可读存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的可读存储介质包括：u盘、移动硬盘、只读存储器(rom，read-onlymemory)、随机存取存储器(ram，randomaccessmemory)、磁碟或者光盘等各种可以存储程序代码的介质。
[0168]
以上所述，以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。