一种基于图像分析的环保设备运维行为分析方法及系统与流程

本发明涉及设备运维行为分析，具体涉及一种基于图像分析的环保设备运维行为分析方法及系统。

背景技术：

1、基于图像分析的环保设备运维行为分析是指利用图像识别和分析技术，对环保设备的运行、维护（运维）过程进行监控与评估。通过获取设备的实时图像或视频数据，系统可以分析设备的状态、操作过程中的异常情况，甚至对设备的保养、维修记录进行跟踪。这种方法通过计算机视觉技术，可以自动化地识别设备是否运行正常，是否需要进行维护或修理，从而提高运维效率并降低人为疏漏的风险。

2、风力发电机作为环保设备能够将风能转化为电能，是一种清洁能源设备。与传统的化石燃料发电方式不同，风力发电不排放有害气体或污染物，因此具有减少空气污染、减少温室气体排放、促进可持续发展的环保特性。现有技术中，利用图像分析技术进行风力发电机的运维监测。通过安装在风机上的高清摄像头或无人机拍摄的图像，系统能够实时检测风力发电机叶片的磨损、裂纹或其他损伤。结合机器学习算法，图像分析系统可以自动识别叶片表面的问题并提供预警，帮助运维人员提前进行维护，避免了人工巡检的繁琐和低效。这种基于图像分析的技术大大提高了运维效率，降低了设备故障的发生率，确保了设备的稳定运行，也减少了维修成本。

3、现有技术存在以下不足之处：

4、风力发电机通常位于开阔的环境中，光照、天气变化（如大风、雾霾、雨雪等）可能严重影响图像的质量。尤其在强烈阳光或逆光条件下，图像的对比度和细节可能不清晰，导致裂纹、磨损等细微损伤无法被准确识别。此外，风力发电机常常位于偏远地区，恶劣的天气条件会影响无人机或摄像头的稳定性和拍摄效果，进而影响数据采集的准确性。

技术实现思路

1、本发明的目的是提供一种基于图像分析的环保设备运维行为分析方法及系统，以解决背景技术中不足。

2、为了实现上述目的，本发明提供如下技术方案：一种基于图像分析的环保设备运维行为分析方法，包括以下步骤：

3、s1：获取不同时间段内的光照强度数据和摄像头振动数据；

4、s2：对光照强度数据和摄像头振动数据进行特征提取，提取光照强度数据中的光照速率变化特征以及摄像头振动数据中的异常抖动特征；

5、s3：将提取的光照速率变化特征以及异常抖动特征输入到机器学习模型中进行计算，计算每张图像的干扰程度，根据计算结果将图像划分为高质量图像和低质量图像；

6、s4：对于低质量图像进行优化，并对优化后的图像进行检测精度评估，评估结果达到预定检测精度后，继续进行图像分析；

7、s5：利用优化后的图像进行环保设备的运维行为分析。

8、优选的，s2中，对光照速率的频谱进行分析后生成光照速率波动指数，光照速率波动指数的获取方法为：

9、获取光照强度数据序列及其相应的时间标签，设定光照强度随时间变化的序列，对光照速率变化数据进行快速傅里叶变换得到频域的复数输出，计算每个频率分量的幅度，光照速率的波动通过频谱中的能量分布表示，即频率分量的幅度的平方，计算高频成分的能量总和与低频成分的能量总和的比值，即计算得到光照速率波动指数。

10、优选的，s2中，对摄像头振动的周期性进行分析识别后生成摄像头抖动频率异常指数，摄像头抖动频率异常指数的获取方法为：

11、获取摄像头的振动信号，使用离散小波变换对振动信号进行多尺度分析得到多个尺度和位移下的小波系数，每个尺度下的系数代表了不同频率范围内的信号特征，对每个尺度上的系数进行分析，计算不同尺度系数的能量；根据提取的能量值，将小波系数能量超过设定阈值的频率作为异常频率，将所有尺度上的异常频率成分进行加权平均求和计算后生成摄像头抖动频率异常指数。

12、优选的，s3中，将提取的光照速率变化特征以及异常抖动特征输入到机器学习模型中进行计算，所述机器学习模型根据输入的特征计算每张图像的干扰程度，并将图像质量划分为高质量图像和低质量图像，具体为：将光照速率波动指数和摄像头抖动频率异常指数转换为综合特征向量，将综合特征向量作为机器学习模型的输入，对机器学习模型进行训练，根据模型输出结果确定每张图像的干扰程度值。

13、优选的，将获取到的每张图像的干扰程度值与根据历史数据预先设定的干扰程度参考阈值进行比较，若图像的干扰程度值大于等于干扰程度参考阈值，说明图像的干扰程度高，将图像质量划分为低质量图像；若图像的干扰程度值小于干扰程度参考阈值，说明图像的干扰程度低，将图像质量划分为高质量图像。

14、优选的，s4中，对于低质量图像进行优化，并对优化后的图像进行检测精度评估，具体为：对于低质量图像，即在固定时间段内生成的干扰程度值大于等于干扰程度参考阈值，将优化后的低质量图像在后续固定时间段内生成的大于等于干扰程度参考阈值的干扰程度值进行收集，并建立数据集合，计算数据集合的均值和标准差，对其进行分析后，根据分析结果对优化后的图像进行检测精度评估。

15、优选的，若数据集合内的干扰程度值均值大于等于干扰程度值均值的参考阈值，且干扰程度值标准差小于干扰程度值标准差的参考阈值，表明优化后的图像稳定且质量好，检测精度高；

16、若干扰程度值均值大于等于干扰程度值均值的参考阈值，且干扰程度值标准差大于等于干扰程度值标准差的参考阈值，表明存在图像质量不稳定的情况，需要进一步优化；

17、若干扰程度值均值小于干扰程度值均值的参考阈值，且干扰程度值标准差大于等于干扰程度值标准差的参考阈值，表示图像质量差且波动大，需进行更为严格的优化；

18、若干扰程度值均值小于干扰程度值均值的参考阈值，且干扰程度值标准差小于干扰程度值标准差的参考阈值，图像质量差且稳定性好，但仍需进一步改进以提高检测精度。

19、本发明还提供了一种基于图像分析的环保设备运维行为分析系统，包括数据采集模块、特征提取模块、机器学习计算模块，图像优化模块以及运维分析模块；

20、数据采集模块：通过部署在风力发电机不同位置的光照感应器以及摄像头的imu传感器，分别获取不同时间段内的光照强度数据和摄像头振动数据；

21、特征提取模块：对所获取的光照强度数据和摄像头振动数据进行特征提取，分别提取光照强度数据中的光照速率变化特征以及摄像头振动数据中的异常抖动特征；

22、机器学习计算模块：将提取的光照速率变化特征以及异常抖动特征输入到机器学习模型中进行计算，所述机器学习模型根据输入的特征计算每张图像的干扰程度，并将图像质量划分为高质量图像和低质量图像；

23、图像优化模块：对于低质量图像进行优化，并对优化后的图像进行检测精度评估，评估结果达到预定检测精度后，继续进行图像分析；

24、运维分析模块：利用优化后的图像进行环保设备的运维行为分析，分析设备是否存在异常情况，并为后续的维修和维护提供决策支持。

25、在上述技术方案中，本发明提供的技术效果和优点：

26、1、本发明通过在风力发电机上部署光照感应器和摄像头imu传感器，结合光照强度数据和摄像头振动数据，进行图像质量评估和优化处理。通过对光照速率波动和摄像头振动特征的分析，生成光照速率波动指数和摄像头抖动频率异常指数，并将其输入到机器学习模型中，对图像质量进行自动化分类和优化。该方法能够有效识别和优化低质量图像，进而提高图像的检测精度，为后续的环保设备运维提供更准确的分析结果。

27、2、本发明能够解决恶劣环境条件下图像质量受干扰的问题，尤其是在光照和天气变化极端的情况下，能够通过对图像干扰程度的精确量化，实现低质量图像的优化和质量评估。通过这种方法，可以高效地识别风力发电机的运行状态，及时发现潜在的异常情况，为设备的维护和维修提供精准的决策支持，不仅提高了运维效率，还能有效降低设备故障的风险，延长设备的使用寿命。