海上風力發電機葉片裂紋圖像分割方法研究

張越 張印輝 何自芬

摘 要：我國很多地區都是高風能地區，非常適合發展風力資源，尤其是海上風能資源的開發。但海上風能的開發受到設備的影響，在風力集中的地方，環境也十分惡劣，設備的損壞率較高，對于海上風力發電設備的運行會產生較大影響。本文首先分析了研究風機葉片裂紋檢測的學者及其使用的檢測方法。其次，分析了圖像分割技術，主要包括對原有圖像分割算法的改進，結合相關交叉學科的新理論尋求新的圖像分割算法，以及對不同圖像分割算法匹配合適的圖像分割評價方法和評價準則。分析了基于區域分割、邊緣檢測及其他圖像分割方法及其應用效果。大多數研究人員在對檢測風機葉片裂紋時都使用較新技術來提高識別率，再將不同的方法進行結合運用，同時也不斷嘗試發掘新的圖像分割算法以得到更好的效果。針對不同研究目標使用不同算法得到的效果準確度各有差異，因而針對不同模態的圖像要結合不同的理論選取合適的方法。不管是引入新的概念和理論，還是將優勢互補的算法相結合，都以提高風機葉片檢測的精確度為目標。

關鍵詞：海上風力發電機;葉片裂紋;區域分割;邊緣檢測

中圖分類號：TM315? ? ? ? ? ? 文獻標識碼：A? ? ? ? ? ? 文章編號：1006—7973（2019）03-0074-05

隨著世界各國對能源安全、生態環境、氣候變化等問題日益重視，加快發展風電已成為國際社會推動能源轉型發展、應對全球氣候變化的普遍共識和一致行動。過去10年，在國家政策的大力推動下，我國風電產業蓬勃發展。數據顯示，2017年全國（除港、澳、臺地區外）新增裝機容量1966萬千瓦，同比下降15.9%;累計裝機容量達到1.88億千瓦，同比增長11.7%，增速放緩。增速放緩的主要原因在于陸上風電現有產能利用率低，導致2017年中國陸上風電裝機容量下滑19%至18.5吉瓦。盡管增速放緩，但不管是風電新增裝機容量還是累計裝機容量，中國均穩居世界第一。與陸上風電新增裝機容量下滑形成對比的是，我國海上風電取得突破進展。數據顯示，2017年海上風電新增裝機共319臺，新增裝機容量達到116萬千瓦，同比增長96.61%;累計裝機達到279萬千瓦。近年來，中國海上風電容量增長加速，反映了海上風電項目與陸上風電項目相比成本更低、電價有所改善的現狀。而從中國海上風電項目的建設速度來看，政府有望實現“2020年海上風電容量增至5吉兆”的目標。因此消除海上風能獲取的風力發電機設備的消極影響，可以有效提高海上風電容量。

風能設備中的風機葉片是整個發電設備的核心，風機葉片的運作效率與工作環境的風速、風的持續性以及本身的葉片長度、寬度、離地面的距離都有非常大的關系，風機葉片的合理使用使其運作狀態達到最佳是有很大困難的，不僅要結合當地環境和本身狀態，還與管理人員的合理使用有重要關系，因此需要對風機葉片的使用進行規劃整理和評估。現階段對風機葉片進行狀態監測和裂紋識別研究受到越來越多的學者關注，但研究重點依然集中在安裝前的實驗室階段，對風機葉片的監測則因其裂紋信息獲取難、無法及時反饋裂紋檢測等原因，仍然無法實現完全的裂紋監測。本文主要分析總結當前風機葉片裂紋檢測的研究現狀、圖像分割方法。

1 海上風力發電機葉片裂紋檢測研究現狀

1.1 國外研究現狀

國外在風能開發的風機葉片上投入了大量的資金，尤其對葉片的制作方面，對葉片質量要求很高。A.Ghoshal[1]等利用碳素纖維檢測發電葉片在運作過程中的葉片損耗，發現碳素纖維能夠有效地對風機葉片進行檢測。而德國的一些專家利用風機葉片的震動頻率進行檢測，利用葉片異常頻率來推斷出風機葉片出現異常損壞，利用常規數據與異常數據進行對比計算評估，來發現葉片損壞之處。P.A.Joosse和M.J.Blanch[2]利用音波測試法對風機葉片進行檢測，通過聲音的反饋程度來判斷風機發電設備是否出現損壞，對損壞部位進行準確定位。M.J.Blanch和A.G.Dutton[3]應用聲發射技術的工作原理對風機葉片的振幅進行數據分析，來發現葉片的損壞部位，在檢測葉片損壞部位方面效果十分的顯著，但是這種方法比較耗費財力。L.Dolinski[4]等通過超音波設備對風機葉片進行運行過程的監測，對每個超音波監測波段進行觀察整理數據，來推斷風機葉片是否損壞以及損壞的部位，這種方法效果也比較好，但是比較耗費時間。

1.2 國內研究現狀

國內的研究起步較晚，主要集中在以下學者的研究。肖勁松[5]等將紅外線成像技術應用于風機葉片的無損檢測，提到利用微波紅外線折射原理對風機葉片進行折射反饋檢測評估，檢測是否有損壞的部位，但是這種方法還處于研究探索階段，技術還沒有完全成熟，還無法大面積的投入使用。趙新光[6]等利用與國外同種技術的聲發射技術，對風機葉片進行分段檢測，根據每段的聲發射反饋進行判斷，并在研究過程中加入一些先進技術從而能提高檢測效率。曲弋[7]等利用葉片運用聲發射技術對風機葉片的狀態進行判斷，對風機葉片是否發生裂痕以及發生裂痕的大小運用神經網絡識別。徐玉秀[8]等利用ANSYS有限元軟件建立了風機葉片的動力學模型，根據運作狀態檢測風機葉片損壞程度，這種方法簡便且不耗費大量時間，但只能檢測風機葉片是否正常工作，對于葉片損壞部位無法準確判斷。李亞娟[9]等測試了含Ⅰ型分層缺陷的單向和多軸向的風機葉片的力學性能，監測了其聲發射全過程，并對葉片的損傷過程及聲發射特征做了研究。陸元明[10]等利用激光射線監測技術，對風機葉片進行整體掃描，達到實時監測的效果，并通過激光掃描技術實現了風機葉片損壞部位的準確定位，對葉片的監測修理都起到良好作用，但激光掃描技術還不太完善，無法大面積推廣，且成本較高，現階段還無法全面實施，但對今后的風機葉片檢測方向提供了很好的方向。

綜上所述，國內外的研究主要運用聲發射技術對風機葉片的裂紋進行檢測，現階段聲發射技術的成熟運用能夠在實驗階段有效的檢測葉片內部結構的損傷，但在檢測效率上因聲發射信號的分析難度較大，降低了檢測的反饋效率，使得在風機葉片實際運行時無法利用聲發射技術進行有效的檢測。對風機葉片運用圖像分割技術處理的研究較少，圖像分割處理也即可見光成像處理。運用該技術對風機葉片檢測重點在于對裂紋區域的準確分割。本文重點對該方法進行分析研究。

2 圖像分割方法研究

對海上風機葉片的裂紋檢測，首先需要采集海上環境影響下的風機葉片圖片再對圖片圖像進行分割。現有對圖像分割技術的研究主要包括對原有圖像分割算法的改進，結合相關交叉學科的新理論尋求新的圖像分割算法，以及對不同圖像分割算法匹配合適的圖像分割評價方法和評價準則。迄今為止，典型而傳統的圖像分割算法分別為基于區域和邊緣的分割方法。根據算法的不同，可分為區域分割、邊緣分割和其他分割等三種方法。如圖1所示，海上風機葉片從完好、輕度損傷、中度損傷、重度損傷的示意圖。

2.1 基于區域的圖像分割法

區域分割算法是圖像分割算法中較為常用的部分，根據處理方式的不同，區域分割法可分為閾值分割、水域分割、區域生長法、分裂合并法和聚類法，下面對各方法的原理及其優缺點進行分析。

2.1.1 閾值分割法

基于區域的圖像分割方法中最經典的是閾值法，其基本思想是根據一個既定的標準自動求得最優的閾值，閾值分割法的優點是計算簡便，只考慮圖像灰度而不考慮其它信息所以運算效率也高，但其面對復雜圖像的分割時分割效果不好，因而實際應用中多與其它方法結合使用以改善分割效果。根據使用閾值的個數，又可以將閾值分割法分為單閾值圖像分割法、雙閾值圖像分割法以及多閾值圖像分割法，如圖2所示。

當圖像分為簡單的背景區和目標區時，只需要一個閾值來區分目標和背景，如圖2（a）所示：當灰度范圍變大時，則選擇兩個或多個閾值進行分割。

2.1.2 水域分割法

水域分割算法，又稱Watershed變換，借鑒形態學理論，利用圖像區域特性、局部極值和積水盆等進行分割，其結合區域生長法，可以獲得圖像的輪廓。水域分割算法中又分為自下而上的模擬浸水水域分割算法以及自上而下的模擬降水水域分割算法兩種，分別如圖3（a）與圖3（b）所示。

該算法具有計算速度快、對弱邊緣區域敏感、輪廓定位準確、分割準確率高等優點。但美中不足的是對噪聲點敏感，極易出現過分割現象，并容易丟失對比度低的圖像的關鍵輪廓。

2.1.3 區域生長法

區域生長法把圖像中具有相似性質的像素集合起來，進而形成區域，由于其含有像素的鄰域信息，對噪聲點的抗干擾性較強因而分割精度較高。區域生長法首先確定某個種子點像素作為初始生長點，如圖4（a）所示，之后其鄰域空間中與它含有同樣特性的像素點被收納到該種子建立的區域內，該過程如圖4（b）所示。

該方法的重點在于如何選擇一組能典型表示所需劃分區域的初始種子點以及能在生長進程中將符合條件的像素點收納進來的相似性準則，并建立足夠幫助結束生長進程的限制條件或停止準則。

2.1.4 分裂合并法

分裂合并算法的思想起始步驟是著眼于整幅圖像，通過持續不斷地將圖像分裂進而得到多個區域。通常來說，可以先把圖像分為任意尺寸的不層疊交叉區域，然后根據相似性準則不斷將這些區域實施分裂或者合并操作直到滿足停止準則。圖5給出了分裂合并法的步驟，黑色部分為圖像，第一步先對圖像進行初步分裂，得到四個區域，其中左邊為空白，再第二次分裂的時候就不需要;第二步對剩下3個區域分裂，采用同樣的方法，最終得到圖5（d）的結果。

與區域生長法相比，該方法不需要選擇種子點和生長順序。但圖像的分割準則很重要，其對圖像分割質量有決定性作用，若選擇不合適，會產生“方塊效應”。

2.1.5 聚類法

聚類算法是從圖像分割、醫學圖像分析、網絡處理和數學規劃等大量問題中總結出來并應用于數據挖掘和機器學習的算法。在應用到圖像分割中時，聚類算法是根據已提取的圖像特征，分類樣本集，在映射到原圖像中，從而得到分割結果。

通常來說，算法可分為層次聚類和劃分聚類，前者是根據相似性準則，通過對類的合并和拆分完成數據的一系列嵌套劃分;后者則通過優化聚類標準進行分類，從運算準確性和復雜性方面考慮，劃分聚類比層次聚類更受歡迎。因為劃分聚類的優點是在涉及大量數據集時，或在計算非嵌套模式的分組時有一個可視的環境，常用的聚類方法有K均值聚類分割算法（K-means）、模糊C均值聚類分割算法（Fuccy C-means， FCM）、最大期望值分割算法（Expectation Maximization， EM）等。最著名的劃分聚類方法當屬K均值聚類算法，該算法計算簡單，在處理大量線性復雜度的數據時效率很高。其把數據集分為k類，目標函數是基于歐式距離的最小化類內距離和最大化類間距離。盡管K均值算法簡單好用但也存在許多缺點，如其聚類效果經受選取的起始聚類中心的影響較大，起始聚類中心的設定難以做出最優選擇，此外也存在一些盲區問題，即容易陷入局部最優值以及收斂速度低等困難，其目標函數也不是凸函數。

2.2 基于邊緣檢測的圖像分割法

基于邊緣檢測的圖像分割法也是圖像分割方法的重要組成，邊緣是將相鄰像素值急劇改變的那些像素點聚集起來，用以勾勒出目標對象區域。眾多研究者經實驗驗證了許多有效的邊緣檢測方法，如基于小波變換、邊界曲線擬合、局部圖像函數的方法等，常用的邊緣檢測算子有Prewitt算子、log（Laplacian-Gauss）算子、Roberts算子和Canny算子等，圖6為縱向邊緣圖像利用梯度算子的原理示意圖。

邊緣檢測方法的優點是圖像處理速度快、搜索時間短、邊緣定位準確，對像素點過渡明顯的圖像分割結果較好，然而對像素點過渡不明顯、噪聲像素多、邊緣復雜的圖片分割效果較差，所以很多改進的多尺度邊緣檢測算法被提出以兼顧檢測精度及抗噪性。

2.3 其他圖像分割法

隨著交叉學科的興起和發展，研究人員在將優缺點不同的方法進行結合的同時，也在不斷嘗試發掘新的圖像分割算法以得到更有效的分割結果。如基于活動輪廓模型、馬爾科夫隨機場模型的辦法;基于支持向量機、神經網絡的方法;基于遺傳算法、群體智能理論的辦法;基于小波變換理論、分形理論或者基于知識的方法等。這些方法的提出，極大地豐富了圖像處理手段的多樣性。

基于活動輪廓（Snake）模型的方法是利用一根類似蛇形的能量曲線不斷逼近待檢驗的目標對象的四周，形成不間斷的圓滑輪廓，直至完全包住目標對象邊界。基于馬爾科夫隨機場的分割方法是將馬爾科夫隨機場作為先驗模型嵌入到某些算法中，將圖像分割問題轉化成圖像標記問題。基于支持向量機（Support Vector Machine， SVM）法提取圖像的灰度、紋理等局部統計特征，通過歸一化處理對特征進行選擇，再把選擇出的特征送入SVM實行訓練建模，最終根據得到的分類器完成數據分類。基于神經網絡的分割方法中，先提取訓練樣本數組，再將提取的特征值和樣本值送入多層感知機中，對激活函數進行訓練，再用訓練好的激活函數分類圖像的灰度值。基于遺傳算法分割法是用非遍歷尋優搜索策略，模擬自然選擇機制的遺傳過程，從初始變量群開始逐代尋優直到獲得最佳分割閾值算法收斂。基于小波變換的思想在于利用小波變換把圖像的直方圖信息轉化為相應的系數，接著根據尺度控制理論，結合小波系數和設立的分割標準逐漸鎖定閾值完成分割。基于分形理論的思想是根據分形維數和待處理圖像中紋理特征的粗糙水平之間的契合程度檢測出目標對象邊緣。基于知識的分割方法是根據己知學科中的先驗知識建立知識庫并在知識庫的基礎上提高圖像分割精度。

圖像分割的方法各有優劣，在具體應用的時候需要結合實際的需要來進行選擇。

2.4 圖像分割在風機葉片裂紋檢測中的應用

圖像分割技術適用性較廣，從各大數據庫中都能搜索到較多的研究。但對風機葉片的裂紋檢測的研究中，聲發射、超聲波、X射線、光纖傳感器等是主流的檢測方法，這些方法的研究較廣也較深入。采用圖像分割技術來檢測風機葉片裂紋的應用較少。溫立民[11]采用閾值分割的自適應圖像處理算法，實現了風機葉片裂紋的自動檢測。徐靈鑫[12]利用圖像分割、形態學圖像處理等一系列數字圖像處理的方法對風機葉片的表面缺陷進行了識別。李冰[13]運用K-means聚類的方法實現對了對風機葉片的分割，再運用數學形態學識別了葉片的故障點。翟永杰[14]等通過檢測顯著性區域，提取了葉片的裂紋，其本質上基于區域分割算法。

綜上所述，圖像分割技術應用到風機葉片裂紋檢測的研究較少，但從實踐來看，這些技術都能成功的應用到葉片的裂紋檢測中，也為葉片裂紋的檢測提供了新的方法。

3 結論

在海上風機葉片裂紋的檢測發展進程中，研究人員采用各種先進的技術對海上風力發電葉片進行檢測評估觀察，雖然研究人員在檢測風機葉片裂紋的所采用的方法不同，但是大多數都是采用物理成像計算評估方法來確定海上風機葉片的損壞情況，學者根據不同的情況采用各種與之相適應的技術，在各個環境下對風機葉片工作狀態進行檢測評估，通過成像數據分析來分段檢測風機葉片的狀態，這項技術很多方面還不完善，在成像方面還存在較大缺陷，無法與實地效果相對應，且該項技術所需要的人力物力還較大，與效果不能形成正比，在很多方面都需要完善，盡量讓海上風機葉片效率達到最高。通過圖像分割技術實現對海上風機葉片裂紋檢測的方法，可以最大范圍地進行檢測，提高效率，降低風險，以及最大程度地減少損失，促進中國風力發電事業的整體發展，為我國清潔能源地開發做出貢獻，造福社會。

參考文獻：

[1] Ghoshal A， Sundaresan M. J.，Schulz M. J Structural health monitoring techniques for wind turbine blades[J].Journal of Wind Engineering and Industrial Aerodynamics， 2000， 85（3）： 309-324.

[2] Joosse P. A.，Blanch M. J.，Dutton A. G..Acoustic emission monitoring of small wind turbine blades[J]. Journal of Solar Energy， 2002， 12（9）： 1-13.

[3] Blanch M. J.，Dutton A. G..Acoustic emission monitoring of field tests of an operating wind turbine[J]. Key Engineering Materia1s， 2003， 27（18）： 475-482.

[4] 李芒芒.風力機葉片機械損傷動態監測方法與技術研究[D].長沙：長沙理工大學，2012.

[5] 肖勁松，嚴天鵬.風力機葉片的紅外熱成像無損檢測的數值研究[J].北京工業大學學報，2006，1（32）： 48-52.

[6] 趙新光.基于聲發射和小波分析的大型風力機葉片材料損傷識別研究[D].沈陽：沈陽工業大學，2009.

[7] 曲弋，陳長征，周昊等.基于聲發射和神經網絡的風機葉片裂紋識別研究[J].機械設計與制造，2012，（3）：152-154.

[8] 徐玉秀，王強，梅元穎.葉片振動響應的長度分形故障特征提取與診斷[J].振動、測試與診斷，2011，4（31）：190-192.

[9] 李亞娟，周偉，劉然，等.風機葉片復合材料層間開裂聲發射監測[J]. 河北大學學報（自然科學版），2014，34（2）：219-224.

[10] 陸元明，張乃正.風力機葉片裂紋在線監測系統[J].電工技術，2017（4）：83-84.

[11] 劉篤喜，溫立民，朱名銓.面向葉片裂紋檢測的自適應圖像處理算法研究[J].航空精密制造技術，2007（03）：25-28.

[12] 徐靈鑫.海上風力發電機葉片表面缺陷檢測的研究[D]. 杭州：中國計量學院， 2015.

[13] 李冰. 基于數字圖像的風機槳葉故障檢測方法研究[D]. 北京：華北電力大學，2016.

[14] 翟永杰， 張木柳， 喬弘等. 基于顯著性檢測的風機葉片裂紋提取研究[J]. 南方能源建設， 2016， 3（2）：136-140.

基金項目：

[1]國家自然科學基金地區基金：基于不動點方程解析求解的高動態場景多尺度分割（No. 61461022） ， 2015.01-2018.12

[2] 國家自然科學基金地區基金：復雜動態場景空時稀疏尺度廣義目標分割方法研究（No.61761024） 2018.01-2021.12