本发明涉及海上风电，特别是涉及一种浮式风电平台的疲劳裂纹缺陷确定方法及系统。
背景技术：
1、传统的海上风电项目通常受限于水深和地质条件，而浮式风电平台能够在更深的海域运行；浮式风电平台的疲劳裂纹是结构在长期承受交变载荷作用下逐渐形成的，通过定期检测和评估疲劳裂纹，可以提前采取措施修复或替换受损部件，防止突发故障的发生。现有方法主要是通过超声波检测和应力分析的方式来检测和评估浮式风电平台的裂纹、腐蚀等缺陷。
2、然而，超声波在材料中的传播和反射特性会受到材料性质和形状的影响，这可能导致在某些情况下，超声波检测的灵敏度和准确性降低；并且超声波检测需要专业的操作技能和经验，非专业操作难以确保检测结果的准确性和可靠性；浮式风电平台在运行过程中会受到如风载荷、波浪载荷和流载荷等多种环境载荷的作用，这些载荷的复杂性和不确定性使得应力分析变得更为困难，导致浮式风电平台的疲劳裂纹缺陷的识别准确性降低，难以提高浮式风电平台的安全性。
技术实现思路
1、本发明提供一种浮式风电平台的疲劳裂纹缺陷确定方法及系统，以解决难以准确地识别浮式风电平台的疲劳裂纹缺陷的问题。
2、采集浮式风电平台的图像，得到第一图像集；
3、通过细节增强模型对所述第一图像集进行细节重构，得到第二图像集；其中，所述细节增强模型是根据生成器和判别器而建立，所述生成器的生成损失函数是根据所述生成器和判别器在博弈过程中的对抗损失和内容损失而建立；
4、基于膨胀操作来标记所述第二图像集中的像素异常点集，并通过将所述第二图像集转化为灰度图像集来获取所述第二图像集的纹理特征，得到综合特征集；
5、通过卷积神经网络对所述综合特征集进行风险识别，得到所述像素异常点集的实际风险值集；
6、根据所述实际风险值集中风险值的数值大小确定所述浮式风电平台中对应区域的疲劳裂纹缺陷，得到缺陷识别结果。
7、本发明中，生成器的生成损失函数结合了对抗损失和内容损失，可以确保第二图像集在保持真实性的同时，也能够保留第一图像集的重要信息；并且在生成器和判别器的博弈过程中，对抗损失可以鼓励生成器生成能够欺骗判别器的图像，即尽可能接近真实图像的细节，这种机制促使生成器不断优化其生成细节的能力，使得原本可能因噪声、模糊或光线不足等因素而难以察觉的细微裂纹变得更为明显。通过膨胀操作来强化图像的边界和细节，有助于突出图像中的微小变化，通过标记像素异常点集，能够迅速定位到可能存在裂纹的区域，为后续的风险评估提供了精准的目标。将图像转换为灰度图像集可以简化图像处理过程，从而去除颜色信息对裂纹检测的干扰，使得纹理特征更加突出，将提取的纹理特征作为综合特征集的一部分，可以为卷积神经网络识别提供丰富的信息源。
8、相比于现有技术，本发明通过细节重构提升了图像质量，灰度图像与纹理特征的提取提高了后续识别的准确性和可靠性；利用卷积神经网络对综合特征集进行识别和分析，能够得到每个像素异常点集的实际风险值集，实现对裂纹等缺陷的准确识别和风险评估，从而确定浮式风电平台中对应区域的疲劳裂纹缺陷，因此能够解决难以准确地识别浮式风电平台的疲劳裂纹缺陷的问题。
9、作为优选方案，所述生成器的生成损失函数是根据所述生成器和判别器在博弈过程中的对抗损失和内容损失而建立，具体为：
10、控制所述判别器对真实图像和由所述生成器生成的生成图像进行评分，并根据评分所得分数建立所述生成器的对抗损失；
11、基于所述生成图像和预设的目标图像在特征级上的差异值，建立所述生成器的内容损失；
12、通过所述判别器提取所述真实图像和所述生成图像的特征，得到所述生成器的特征图集；
13、根据所述特征图集中的图像差异，建立所述生成器的特征匹配损失；
14、基于所述生成图像和所述目标图像在预设高级语义特征上的相似性评估结果，建立所述生成器的感知损失；
15、根据所述对抗损失、所述内容损失、所述特征匹配损失和所述感知损失建立所述生成器的所述生成损失函数。
16、本优选方案中，对抗损失鼓励生成器生成能够欺骗判别器的图像，从而促使生成的图像在视觉上更加接近真实图像。内容损失能够确保生成图像与目标图像在内容级别上保持一致性，有助于在图像转换或修复任务中保留原始图像的重要信息。特征匹配损失通过比较真实图像和生成图像在特征级别的差异，进一步引导生成器学习到更加精细的图像特征，有助于提高生成图像的细节丰富度和整体质量。感知损失是基于预设的高级语义特征相似性评估结果而建立，有助于生成器生成在感知上更加自然和真实的图像。
17、作为优选方案，所述对抗损失，具体为：
18、
19、其中，是输入所述生成器的图像，是先验分布，表示期望值的数学符号，是所述生成器所生成的所述生成图像，是所述判别器判断所述生成图像为所述真实图像的概率。
20、作为优选方案，基于膨胀操作来标记所述第二图像集中的像素异常点集，并通过将所述第二图像集转化为灰度图像集来获取所述第二图像集的纹理特征，得到综合特征集，具体为：
21、在对所述第二图像集做图像增强处理的基础上，通过控制结构元素在所述第二图像集上滑动来识别图像异常点，得到所述像素异常点集；
22、将所述第二图像集转化为灰度图像，得到灰度图像集；
23、根据所述灰度图像集中像素之间的灰度级别共生频数，建立共生概率矩阵；
24、从所述共生概率矩阵中获取关于所述像素异常点集和纹理特征的综合特征集。
25、本优选方案将图像的颜色信息转化为灰度级，有助于减少颜色噪声对异常检测的影响。通过建立灰度图像集中像素之间的灰度级别共生频数的共生概率矩阵，可以捕捉到图像中的纹理特征，有助于区分正常区域和异常区域。
26、作为优选方案，通过控制结构元素在所述第二图像集上滑动来识别图像异常点，得到所述像素异常点集，具体为：
27、根据所述第二图像集中图像异常区域的大小和形状来确定所述结构元素；
28、通过扩展所述第二图像集中初级异常区域的边界，得到扩展图像集；其中，所述初级异常区域是通过机器学习模型对所述第二图像集进行初步异常检测而得到；
29、控制所述结构元素在所述扩展图像集的图像上滑动，若所述结构元素覆盖的区域内有异常点，则将所述异常点对应的区域位置像素点标记为异常，得到所述像素异常点集。
30、本优选方案根据异常区域的实际大小和形状来确定结构元素，能够让定制化的结构元素更好地适应不同的异常区域，提高异常检测的准确性。初级异常区域是通过机器学习模型进行初步检测而得到，虽然能够大致定位异常位置，但可能存在误报或漏报的情况，因此通过扩展这些区域的边界，并在扩展后的图像集上进行进一步的滑动检测，可以捕捉到更多潜在的异常点，同时减少因边界限制而遗漏的异常。
31、作为优选方案，根据所述灰度图像集中像素之间的灰度级别共生频数，建立共生概率矩阵，具体为：
32、基于所述灰度图像集，统计每个像素分别与指定距离和指定方向上邻域像素之间的灰度级别共生频数，得到共生频数集；
33、根据所述共生频数集建立灰度共生矩阵；
34、对所述灰度共生矩阵作归一化处理，得到所述共生概率矩阵。
35、本优选方案中，灰度共生矩阵通过统计每个像素与指定距离和指定方向上邻域像素之间的灰度级别共生频数，能够捕捉到图像中像素灰度值的分布规律及其在空间上的相互依赖关系。通过灰度共生矩阵的归一化处理，得到的共生概率矩阵将像素灰度级共生的频率转化为概率形式，使得纹理特征的描述更加客观和准确。
36、作为优选方案，所述图像增强处理，具体为：
37、根据所述第二图像集中每个灰度级对应的像素个数，建立累计分布函数；
38、对所述累计分布函数作归一化处理，得到映射函数；
39、基于所述映射函数，把所述第二图像集中各图像的灰度级映射到目标灰度级范围内，得到图像增强后的所述第二图像集。
40、本优选方案通过将灰度级映射到更宽或特定的目标范围内，可以有效地扩展图像的对比度；对比度增强可以使图像中的细节更加清晰，从而提高图像的视觉效果和可读性。
41、作为优选方案，所述细节增强模型是根据生成器和判别器而建立，具体为：
42、通过所述生成器增强图像样本的细节，得到生成图像；
43、通过所述判别器计算所述生成图像是真实图像的可能性，得到图像真实概率值；
44、基于所述图像真实概率值，通过将所述生成器的损失值沿网络反向传播到所述生成器的各个层中，来优化所述生成器，得到优化后的所述生成器；
45、根据所述优化后的所述生成器和所述判别器建立所述细节增强模型。
46、本优选方案中，判别器负责评估生成图像的真实性，而生成器则努力生成能够欺骗判别器的图像，这种对抗机制促使生成器不断提升其生成能力，以生成更加逼真的图像样本，从而保证细节增强模型的实用性。
47、作为优选方案，通过细节增强模型对所述第一图像集进行细节重构，得到第二图像集，具体为：
48、通过所述细节增强模型中所述生成器的卷积层提取所述第一图像集的特征，得到浅层特征；
49、通过加深所述细节增强模型的网络层次，对所述浅层特征进行组合和提取，得到所述第一图像集的深层特征；
50、根据预设的重要特征区域指导注意力机制动态调节所述浅层特征和所述深层特征的权重；
51、融合所述第一图像集在权重调整后的所述浅层特征和所述深层特征，得到所述第二图像集。
52、本优选方案融合了图像的浅层特征和深层特征，由于浅层特征包含更多的细节信息和边缘信息，而深层特征则富含更高级的语义信息，因此通过多尺度特征融合，可以充分利用不同层级的特征信息，从而生成包含更丰富信息的第二图像集。
53、本发明还提供了一种浮式风电平台的疲劳裂纹缺陷确定系统，包括图像模块、重构模块、特征模块、识别模块和判断模块；
54、其中，所述图像模块，用于采集浮式风电平台的图像，得到第一图像集；
55、所述重构模块，用于通过细节增强模型对所述第一图像集进行细节重构，得到第二图像集；其中，所述细节增强模型是根据生成器和判别器而建立，所述生成器的生成损失函数是根据所述生成器和判别器在博弈过程中的对抗损失和内容损失而建立；
56、所述特征模块，用于基于膨胀操作来标记所述第二图像集中的像素异常点集，并通过将所述第二图像集转化为灰度图像集来获取所述第二图像集的纹理特征，得到综合特征集；
57、所述识别模块，用于通过卷积神经网络对所述综合特征集进行风险识别，得到所述像素异常点集的实际风险值集；
58、所述判断模块，用于根据所述实际风险值集中风险值的数值大小确定所述浮式风电平台中对应区域的疲劳裂纹缺陷，得到缺陷识别结果。
1.一种浮式风电平台的疲劳裂纹缺陷确定方法，其特征在于，包括：
2.如权利要求1所述的一种浮式风电平台的疲劳裂纹缺陷确定方法，其特征在于，所述生成器的生成损失函数是根据所述生成器和判别器在博弈过程中的对抗损失和内容损失而建立，具体为：
3.如权利要求2所述的一种浮式风电平台的疲劳裂纹缺陷确定方法，其特征在于，所述对抗损失，具体为：
4.如权利要求1所述的一种浮式风电平台的疲劳裂纹缺陷确定方法，其特征在于，基于膨胀操作来标记所述第二图像集中的像素异常点集，并通过将所述第二图像集转化为灰度图像集来获取所述第二图像集的纹理特征，得到综合特征集，具体为：
5.如权利要求4所述的一种浮式风电平台的疲劳裂纹缺陷确定方法，其特征在于，通过控制结构元素在所述第二图像集上滑动来识别图像异常点，得到所述像素异常点集，具体为：
6.如权利要求4所述的一种浮式风电平台的疲劳裂纹缺陷确定方法，其特征在于，根据所述灰度图像集中像素之间的灰度级别共生频数，建立共生概率矩阵，具体为：
7.如权利要求4所述的一种浮式风电平台的疲劳裂纹缺陷确定方法，其特征在于，所述图像增强处理，具体为：
8.如权利要求1所述的一种浮式风电平台的疲劳裂纹缺陷确定方法，其特征在于，所述细节增强模型是根据生成器和判别器而建立，具体为：
9.如权利要求1所述的一种浮式风电平台的疲劳裂纹缺陷确定方法，其特征在于，通过细节增强模型对所述第一图像集进行细节重构，得到第二图像集，具体为：
10.一种浮式风电平台的疲劳裂纹缺陷确定系统，其特征在于，包括图像模块、重构模块、特征模块、识别模块和判断模块；
