买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉华能新能源股份有限公司河北分公司申请的专利基于图像识别和深度学习的风机叶片内腔缺陷检测方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN119323556B 。

龙图腾网通过国家知识产权局官网在2025-11-18发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202411444980.4，技术领域涉及：G06T7/00；该发明授权基于图像识别和深度学习的风机叶片内腔缺陷检测方法是由吴思宇;王向伟;谭威;张澄辉;贴中华;孟一非;刘子漳;李源;张睿泽;李泽远设计研发完成，并于2024-10-16向国家知识产权局提交的专利申请。

本基于图像识别和深度学习的风机叶片内腔缺陷检测方法在说明书摘要公布了：本发明公开了一种基于图像识别和深度学习的风机叶片内腔缺陷检测方法及系统，通过成像设备对风机叶片的内腔进行多角度和多位置的图像采集；对采集的风机叶片内腔图像数据集进行预处理；利用第一层生成对抗网络模型生成初级缺陷样本；利用第二层生成对抗网络模型生成复杂缺陷图像；使用卷积神经网络模型进行训练；将经过预处理的风机叶片内腔图像数据集输入训练好的卷积神经网络模型；基于缺陷的检测结果生成缺陷报告；当新的缺陷类型出现时，持续优化对新型缺陷的识别能力。相比现有的单一检测技术，本发明的多种网络组合方法显著提高了缺陷检测的效率和分类能力。

本发明授权基于图像识别和深度学习的风机叶片内腔缺陷检测方法在权利要求书中公布了：1.基于图像识别和深度学习的风机叶片内腔缺陷检测方法，其特征在于：包括， 通过成像设备对风机叶片的内腔进行多角度和多位置的图像采集，生成包含风机叶片内腔细节的风机叶片内腔图像数据集； 对采集的风机叶片内腔图像数据集进行噪声去除和图像增强处理，并对关键区域进行边缘增强和对比度提升； 利用第一层生成对抗网络模型生成初级缺陷样本，第一层生成器根据风机叶片内腔的物理特征生成包括裂纹、气孔和材料剥落多种类型的虚拟缺陷图像，第一层判别器用于区分生成的虚拟缺陷图像和实际缺陷图像； 在第一层生成对抗网络模型生成的虚拟缺陷图像基础上利用第二层生成对抗网络模型的第二层生成器生成包括复合裂纹和材料变质的复杂缺陷图像，第二层判别器对复杂缺陷图像进行精细对抗判别； 结合由双层生成对抗网络模型生成的复杂缺陷图像和实际叶片虚拟缺陷图像使用卷积神经网络模型进行训练，卷积神经网络模型学习各种不同类型和复杂度的缺陷特征，优化对缺陷的识别能力； 将经过预处理的风机叶片内腔图像数据集输入训练好的卷积神经网络模型，自动识别并定位叶片内腔中的缺陷，包括缺陷的类型、位置、大小及形状； 基于缺陷的检测结果生成缺陷报告，报告内容包括缺陷的具体位置、尺寸、形状和类型； 当新的缺陷类型出现时，双层生成对抗网络模型和卷积神经网络模型通过反馈机制进行自适应学习，持续优化对新型缺陷的识别能力； 所述虚拟缺陷图像包括，构建第一层生成对抗网络模型，其中包括第一层生成器G1和第一层判别器D1，第一层生成器G1根据输入的风机叶片内腔物理特征生成初级虚拟缺陷图像数据，初级虚拟缺陷图像数据包括裂纹、气孔和材料剥落，第一层生成器的输出为初级虚拟缺陷图像数据： 其中，为生成的第n张虚拟缺陷图像； 第一层生成器G1根据风机叶片内腔的物理特征参数，包括厚度t、材料密度ρ、材料均匀性系数u以及内腔结构复杂度C，通过调控参数生成不同类型的虚拟缺陷，裂纹的虚拟缺陷厚度t和材料密度ρ的变化生成，气孔的虚拟缺陷根据内腔结构复杂度C的复杂度生成，材料剥落的虚拟缺陷由材料均匀性系数u决定； 第一层判别器D1用于接收第一层生成器G1生成的虚拟缺陷图像数据V1以及实际采集的缺陷图像R＝{R1,R2,,Rn}，第一层判别器D1通过最大化对数概率函数区分虚拟缺陷图像和实际缺陷图像，输出判断结果： 其中，为第一层判别器D1的对数概率损失函数，Ri为第i张实际采集的风机叶片内腔缺陷图像，为第一层生成器G生成的第i张虚拟缺陷图像，α为风机叶片内腔图像数据集中第i张图像的权重系数，基于缺陷图像中缺陷类型自动调整，裂纹的权重αcrack、气孔的权重αpore和材料剥落的权重αpeel分别根据缺陷的特征差异设置： 通过对抗训练优第一层化生成器G和第一层判别器D的参数，使得第一层判别器D无法有效区分虚拟缺陷图像与实际缺陷图像，第一层判别器的优化目标为： 其中，为生成对抗网络的目标函数； 所述复杂缺陷图像包括，构建第二层生成对抗网络模型，其中包括第二层生成器G和第二层判别器D，在第一层生成对抗网络模型生成的虚拟缺陷图像数据的基础上，第二层生成器G根据输入的虚拟缺陷图像数据，进一步生成复杂缺陷图像数据复杂缺陷图像数据包括复合裂纹和材料变质； 第二层生成器G2结合复合裂纹和材料变质的物理特征，通过调控物理参数生成复杂缺陷图像，复合裂纹的虚拟缺陷图像根据裂纹交叠程度γcrack生成，材料变质的虚拟缺陷图像根据材料结构变化参数λmaterial生成，生成的复合裂纹和材料变质缺陷图像为 第二层判别器D2用于对第二层生成器G2生成的复杂缺陷图像V2和实际采集的复杂缺陷图像进行精细对抗判别，第二层判别器的损失函数为： 其中，为第二层判别器的对数概率损失函数，为第i张实际采集的复杂缺陷图像，为第二层生成器生成的第i张复杂缺陷图像，βi为图像中的复杂缺陷权重系数，裂纹交叠的权重系数为βcrack，材料变质的权重系数为βmaterial，其计算公式分别为： 通过对抗训练优化第二层生成器G2和第二层判别器D2的参数，直至第二层判别器D2无法区分复杂缺陷图像与实际缺陷图像为止： 其中，为第二层生成对抗网络的目标函数。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人华能新能源股份有限公司河北分公司，其通讯地址为：050056 河北省石家庄市桥西区维明南大街1号钻石广场B座；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。