本发明涉及图像识别，特别涉及一种风机叶片损伤检测方法、装置、设备及存储介质。
背景技术：
1、风力发电作为一种持续增长的可再生能源形式，在全球能源危机的背景下显得越来越重要。风力发电机的核心组件是叶片，叶片的状况直接影响到整个机器的运作效率及所产生的电能。风机的位置通常在偏远区域，这些极端环境条件使得叶片易受到猛烈风暴的侵蚀和损害，可能出现涂层剥落、裂纹、油漆脱落等问题。鉴于风机的制造成本相对较高，这些问题不仅增加了维修的复杂性和成本，还可能导致严重的安全风险。因此，及时发现并处理风机叶片的表面损伤显得尤为关键。但是目前技术中通过计算机视觉技术自动检测叶片表面损伤的算法参数量大，模型训练和推理时间长，不利于在无人机或手机等移动端的部署。并且目前技术未针对损伤类型和形态差异较大这一特性进行优化，难以精细化地识别不同类型的叶片表面损伤。因此，如何快速、有效地完成风机叶片表面缺陷识别任务是目前亟待解决的问题。
技术实现思路
1、有鉴于此，本发明的目的在于提供一种风机叶片损伤检测方法、装置、设备及存储介质，能够快速、有效地完成风机叶片表面缺陷识别任务。其具体方案如下：
2、第一方面，本申请公开了一种风机叶片损伤检测方法，包括：
3、利用移动采集终端根据预先确定的拍摄规则获取目标风机叶片的拍摄图片，利用预先训练好的目标模型对应的shufflenet模块提取所述拍摄图片的初始特征；所述目标模型为基于shufflenet模块、可变形卷积模块、特征金字塔网络模块和全连接分类层构建的模型；
4、基于所述可变形卷积模块对所述初始特征进行筛选操作，以获取筛选后特征，基于所述特征金字塔网络模块以及所述筛选后特征生成并输出多尺度特征，并利用所述全连接分类层对所述多尺度特征进行变换，以得到相应的特征向量；
5、基于所述特征向量对应的值判断所述目标风机叶片是否存在损伤，并输出相应的判断结果。
6、可选的，所述利用移动采集终端根据预先确定的拍摄规则获取目标风机叶片的拍摄图片之前，还包括：
7、基于预先确定的拍摄位置利用所述移动采集终端拍摄风机叶片各角度的叶片照片，以得到目标数量的所述叶片照片；所述角度包括叶片正面、叶片前缘、叶片后缘以及叶片背面。
8、可选的，所述基于预先确定的拍摄位置利用所述移动采集终端拍摄风机叶片各角度的叶片照片，以得到目标数量的所述叶片照片之后，还包括：
9、基于目标数量的所述叶片照片确定数据集；
10、利用所述数据集对初始模型进行训练，以得到训练好的所述目标模型。
11、可选的，所述利用预先训练好的目标模型对应的shufflenet模块提取所述拍摄图片的初始特征，包括：
12、利用所述shufflenet模块的输入层对所述拍摄图片进行处理，输出第一处理后特征；
13、利用目标组卷积层对所述第一处理后特征进行变换，并将相应的变换后特征在通道维度上进行随机均匀打乱操作，以得到随机化特征；
14、将各分支对应的所述随机化特征进行拼接，得到拼接后特征；
15、利用目标深度卷积对所述拼接后特征进行处理，以确定第二处理后特征；
16、基于所述目标组卷积层对所述第二处理后特征进行变换，并基于相应的变换后特征确定所述拍摄图片的初始特征。
17、可选的，利用所述可变形卷积模块提取所述初始特征中不规则形状区域的特征，并将所述不规则形状区域的特征舍弃，以得到所述筛选后特征。
18、可选的，所述基于所述特征向量对应的值判断所述目标风机叶片是否存在损伤之前，还包括：
19、确定特征向量的值对应的映射规则；所述映射规则为将特征向量映射至1和0两个值；其中1代表有损伤照片，0代表无损伤照片。
20、可选的，所述基于所述特征向量对应的值判断所述目标风机叶片是否存在损伤，包括：
21、若所述特征向量对应的值为1，则判定所述目标风机叶片存在损伤；
22、若所述特征向量对应的值为0，则判定所述目标风机叶片无损伤。
23、第二方面，本申请公开了一种风机叶片损伤检测装置，包括：
24、初始特征提取模块，用于利用移动采集终端根据预先确定的拍摄规则获取目标风机叶片的拍摄图片，利用预先训练好的目标模型对应的shufflenet模块提取所述拍摄图片的初始特征；所述目标模型为基于shufflenet模块、可变形卷积模块、特征金字塔网络模块和全连接分类层构建的模型；
25、特征筛选模块，用于基于所述可变形卷积模块对所述初始特征进行筛选操作，以获取筛选后特征；
26、多尺度特征生成模块，用于基于所述特征金字塔网络模块以及所述筛选后特征生成并输出多尺度特征；
27、特征向量获取模块，用于利用所述全连接分类层对所述多尺度特征进行变换，以得到相应的特征向量；
28、判断模块，用于基于所述特征向量对应的值判断所述目标风机叶片是否存在损伤，并输出相应的判断结果。
29、第三方面，本申请公开了一种电子设备，包括：
30、存储器，用于保存计算机程序；
31、处理器，用于执行所述计算机程序以实现前述的风机叶片损伤检测方法。
32、第四方面，本申请公开了一种计算机可读存储介质，用于保存计算机程序，所述计算机程序被处理器执行时实现前述的风机叶片损伤检测方法。
33、本申请在检测风机叶片损伤时，首先用移动采集终端根据预先确定的拍摄规则获取目标风机叶片的拍摄图片，利用预先训练好的目标模型对应的shufflenet模块提取所述拍摄图片的初始特征；所述目标模型为基于shufflenet模块、可变形卷积模块、特征金字塔网络模块和全连接分类层构建的模型；之后基于所述可变形卷积模块对所述初始特征进行筛选操作，以获取筛选后特征，基于所述特征金字塔网络模块以及所述筛选后特征生成并输出多尺度特征，并利用所述全连接分类层对所述多尺度特征进行变换，以得到相应的特征向量；最后基于所述特征向量对应的值判断所述目标风机叶片是否存在损伤，并输出相应的判断结果。可见，本申请利用移动采集终端对风机叶片进行拍摄，获取叶片照片，之后通过shufflenet模块利用较少的模型参数量提取图像特征，在保持识别精度的同时大大降低了模型的计算量；通过可变形卷积模块选取不规则形状区域的特征，舍弃干扰特征；通过特征金字塔网络模块生成多尺度特征，检测不同尺寸的损伤。这样一来，本申请进一步提升模型性能，实现对叶片损伤的离线识别，大幅提升叶片巡检的便捷性和灵活性。并且对于计算设备的要求较低，能够快速、有效地完成风机叶片表面缺陷识别任务。
1.一种风机叶片损伤检测方法，其特征在于，包括：
2.根据权利要求1所述的风机叶片损伤检测方法，其特征在于，所述利用移动采集终端根据预先确定的拍摄规则获取目标风机叶片的拍摄图片之前，还包括：
3.根据权利要求2所述的风机叶片损伤检测方法，其特征在于，所述基于预先确定的拍摄位置利用所述移动采集终端拍摄风机叶片各角度的叶片照片，以得到目标数量的所述叶片照片之后，还包括：
4.根据权利要求1所述的风机叶片损伤检测方法，其特征在于，所述利用预先训练好的目标模型对应的shufflenet模块提取所述拍摄图片的初始特征，包括：
5.根据权利要求1所述的风机叶片损伤检测方法，其特征在于，所述基于所述可变形卷积模块对所述初始特征进行筛选操作，以获取筛选后特征，包括：
6.根据权利要求1至5任一项所述的风机叶片损伤检测方法，其特征在于，所述基于所述特征向量对应的值判断所述目标风机叶片是否存在损伤之前，还包括：
7.根据权利要求6所述的风机叶片损伤检测方法，其特征在于，所述基于所述特征向量对应的值判断所述目标风机叶片是否存在损伤，包括：
8.一种风机叶片损伤检测装置，其特征在于，包括：
9.一种电子设备，其特征在于，包括：
10.一种计算机可读存储介质，其特征在于，用于存储计算机程序；其中，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述的风机叶片损伤检测方法的步骤。
