La fonctionnalité de recherche est en construction.
La fonctionnalité de recherche est en construction.

The original paper is in English. Non-English content has been machine-translated and may contain typographical errors or mistranslations. ex. Some numerals are expressed as "XNUMX".
Copyrights notice

The original paper is in English. Non-English content has been machine-translated and may contain typographical errors or mistranslations. Copyrights notice

Open Access
Detecting Surface Defects of Wind Tubine Blades Using an Alexnet Deep Learning Algorithm
Open Access
Détection des défauts de surface des pales d'éoliennes à l'aide d'un algorithme d'apprentissage profond Alexnet

Xiao-Yi ZHAO, Chao-Yi DONG, Peng ZHOU, Mei-Jia ZHU, Jing-Wen REN, Xiao-Yan CHEN

  • Vues en texte intégral

    129

  • Citer
  • Free PDF (3.2MB)

Résumé:

L'article a utilisé Alexnet, un cadre d'apprentissage en profondeur, pour diagnostiquer automatiquement les dommages causés aux surfaces des pales des éoliennes. Les images originales des surfaces des pales d’un générateur d’énergie éolienne ont été capturées par des visions industrielles d’un drone (véhicule aérien sans pilote) à 4 rotors. Tout d'abord, un Alexnet à 8 couches, comprenant au total 21 sous-couches fonctionnelles, est construit et paramétré. Deuxièmement, l'Alexnet a été formé avec 10000 6 images, puis testé avec 350 images à 99.001 tours. Enfin, les statistiques des tests du réseau montrent que la précision moyenne du diagnostic des dommages par Alexnet est d'environ 20 %. Nous avons également formé et testé un réseau neuronal BP (Back Propagation) traditionnel, doté d'une couche d'entrée de 5 neurones, d'une couche cachée de 1 neurones et d'une couche de sortie de 19.424 neurone, avec les mêmes données d'image. La précision moyenne du diagnostic des dommages du réseau neuronal BP est inférieure de XNUMX % à celle d'Alexnet. Ce point montre qu'il est possible d'appliquer l'acquisition d'images d'UAV et le classificateur d'apprentissage profond pour diagnostiquer automatiquement les dommages causés aux pales d'éoliennes en service.

Publication
IEICE TRANSACTIONS on Fundamentals Vol.E102-A No.12 pp.1817-1824
Date de publication
2019/12/01
Publicisé
ISSN en ligne
1745-1337
DOI
10.1587/transfun.E102.A.1817
Type de manuscrit
Special Section PAPER (Special Section on Smart Multimedia & Communication Systems)
Catégories
Machine Learning

Auteurs

Xiao-Yi ZHAO
  Inner Mongolia University of Technology,Inner Mongolia Key Laboratory of Mechanical and Electrical Control
Chao-Yi DONG
  Inner Mongolia University of Technology,Inner Mongolia Key Laboratory of Mechanical and Electrical Control
Peng ZHOU
  Inner Mongolia University of Technology,Inner Mongolia Key Laboratory of Mechanical and Electrical Control
Mei-Jia ZHU
  Inner Mongolia University of Technology,Inner Mongolia Key Laboratory of Mechanical and Electrical Control
Jing-Wen REN
  Inner Mongolia University of Technology,Inner Mongolia Key Laboratory of Mechanical and Electrical Control
Xiao-Yan CHEN
  Inner Mongolia University of Technology,Inner Mongolia Key Laboratory of Mechanical and Electrical Control

Mots-clés

Table des matières