風力發電機葉片表面損傷圖像識別方法研究分析

寧片

（保定葉豐風電設備有限公司，河北 保定 071051）

風能是一種清潔能源，隨著風電行業的快速發展，我國風電裝機容量迅速增長。目前我國已成為世界上風電裝機容量最大的國家，但由于風力發電在運行過程中經常受到風速、風向、環境溫度等因素的影響，使得風力發電機組經常出現葉片斷裂、螺栓松動等故障。如果這些故障得不到及時處理，將會給電網帶來很大威脅。因此，對風力發電機葉片表面損傷進行實時、準確識別對保證風力發電機安全運行具有重要意義。

1 葉片損傷類型

在風力發電機葉片制造過程中，其表面損傷類型主要有：裂紋、腐蝕、機械損傷以及其他損傷。在風力發電機葉片制造過程中，裂紋是一種常見的損傷形式，而對于不同種類的損傷，其外觀表現形式也是不同的。

（1）裂紋。由于葉片表面上存在大量的孔洞和縫隙，在風力發電機運行過程中，這些孔洞和縫隙會產生大量的熱量，而如果這些熱量不能及時散發出去，就會對葉片表面造成熱應力。如果熱應力超過了葉片材料的屈服極限，就會導致葉片表面裂紋出現。通常情況下，葉片表面裂紋主要是沿平行于葉片方向出現的斜裂紋。而對于垂直于葉片方向出現的斜裂紋，其長度較短，一般為幾毫米。

（2）腐蝕。由于風力發電機在運行過程中經常受到風沙、雨水等環境因素的影響，使得風力發電機葉片表面會出現腐蝕現象。腐蝕不僅會導致葉片表面出現孔洞和縫隙，還會使得葉片表面形成一層膠狀保護膜。當風力發電機工作到一定時間時，這種保護膜會逐漸脫落，從而使得風力發電機葉片表面出現孔洞和縫隙。因此，腐蝕也是一種常見的損傷類型。這些機械損傷都會在一定程度上對風力發電機葉片造成破壞。根據破壞程度的不同可將機械損傷分為機械疲勞、腐蝕、磨損和機械損傷等。

（3）其他損傷。除了以上幾種常見的損傷類型外，風力發電機葉片還可能受到其他因素造成的損傷。如大氣污染、腐蝕性氣體、紫外線輻射等。在大氣污染方面，由于空氣中含有大量顆粒性污染物、氧氣和水蒸氣等物質，這些物質會對風電葉片表面造成腐蝕；而對于腐蝕性氣體來說，其主要成分是二氧化硫、二氧化氮、氮氧化物等；紫外線輻射則會導致風電葉片表面出現老化現象，從而影響風電機組運行安全。因此在實際運行過程中，需要對這些外部因素引起的損傷進行及時處理。針對以上問題，本文對目前主流的圖像識別方法進行了總結和分析。

為了能夠更好地對風力發電機葉片表面損傷進行識別研究工作提供參考依據，本文將現有圖像識別方法分為基于深度學習的方法：該方法主要包括卷積神經網絡和循環神經網絡兩種模型。

①基于樣本集的方法。該方法主要包括支持向量機、決策樹、樸素貝葉斯以及其他算法。

②基于圖像處理的方法。該方法主要包括灰度變換、圖像分割、邊緣檢測、特征提取等。上述方法各有優缺點，針對不同種類的損傷圖像識別研究工作提出了不同的解決方案。在本文中，將對以上幾種類型的圖像識別研究工作進行總結和歸納。

2 基于圖像處理的葉片損傷識別方法

2.1 基于閾值分割方法

在基于閾值分割方法中，通常是先根據經驗設置一個閾值，當閾值達到或超過時，將圖像中目標物體從背景中分離出來。基于閾值分割方法具有簡單、方便等優點，但其受光照、背景等因素影響較大，且對于復雜環境下的葉片表面損傷識別不夠準確。為提高葉片表面損傷識別精度，將小波變換與自適應閾值分割相結合，以實現對葉片表面損傷圖像的準確識別。該方法首先利用小波變換對葉片表面損傷圖像進行去噪處理，然后利用自適應閾值分割方法進行損傷區域提取。實驗結果表明，該方法不僅能有效去除噪聲，而且對光照變化不敏感。但是，小波變換是一種非平穩信號處理技術，其不能有效保留信號中的高頻信息和低頻信息。此外，該方法還存在閾值分割不準確的問題，無法精確定位目標物體所在的區域。因此，基于小波變換與自適應閾值分割方法相結合的葉片表面損傷識別方法仍需要進一步研究和改進。

2.2 基于區域形狀特征的檢測方法

基于區域形狀特征的檢測方法主要通過對目標物體區域進行提取，然后根據像素點灰度分布的差異，實現目標物體的自動識別。該方法需要借助計算機的圖像處理技術，將圖像中目標物體提取出來，并根據圖像的形狀特征來進行識別。

基于區域形狀特征的檢測方法是在圖像中將目標物體定位出來，然后再根據該定位結果來對葉片損傷進行識別。該方法先將圖像進行灰度化處理，然后利用直方圖均衡化方法對圖像進行增強處理，然后利用基于梯度的濾波算法對圖像進行去噪。最后，將增強后的圖像進行二值化處理，并對二值化后的圖像進行邊緣檢測操作。根據邊緣檢測結果，將葉片表面損傷區域劃分成若干個圓形區域。若圓形區域內像素點灰度值差別較大，則說明該區域存在缺陷，如孔洞、裂紋等；若圓形區域內像素點灰度值差別不大，則說明該區域存在劃痕、腐蝕等缺陷；若圓形區域內像素點灰度值差別不大，則說明該區域沒有裂紋、孔洞等缺陷。隨后將葉片表面損傷區域劃分為若干個小圓形區域，并在每個小圓區域內利用灰度共生矩陣提取紋理特征參數。通過對紋理特征參數計算得到的特征向量進行距離變換計算后與其他特征向量相結合構成特征矩陣，最后利用特征矩陣實現葉片表面損傷識別。該方法通過提取圖像中每個圓形區域的紋理特征參數來實現葉片表面損傷識別。該方法需要在圖像中選擇適當的圓形目標作為對象區域。另外，該方法需要對提取的圖像進行灰度化處理、邊緣檢測等預處理操作。

2.3 其他方法

基于圖像處理的葉片表面損傷識別方法主要還有基于模糊數學、神經網絡、支持向量機等方法。

（1）模糊數學是根據隸屬度函數對圖像進行模糊處理，而模糊數學的基本原理是：通過對模糊集合的運算，以達到將模糊信息從“真”轉化為“假”的目的。基于上述原理，模糊模式識別的葉片表面損傷識別方法。該方法先將圖像進行濾波處理，然后運用改進的Otsu算法對圖像進行分割，分割結果中提取出損傷區域；最后對損傷區域進行形態學處理，得到目標物體。該方法克服了傳統的圖像處理方法無法有效識別損傷區域的缺點。

（2）神經網絡方法是根據神經網絡的原理，將數據映射到特定網絡中，并利用網絡內部的反饋信息來進行學習和訓練，從而使網絡具有一定學習能力。模糊神經網絡的風力發電機葉片表面損傷識別方法，該方法先對圖像進行灰度化處理，然后運用模糊神經網絡對圖像中目標物體進行識別。該方法通過對圖像進行灰度化處理，利用灰度直方圖提取出葉片圖像中的紋理特征；然后運用改進的自適應模糊神經網絡對紋理特征進行學習和訓練，從而實現對葉片表面損傷識別。該方法在一定程度上提高了葉片表面損傷識別的準確性。

3 人工神經網絡法

3.1 BP神經網絡

BP神經網絡具有多層結構，其基本原理是將每一層神經元的輸出與其上一層的輸入進行比較，如果誤差小于給定的閾值，則進行下一層的神經元訓練，否則，停止訓練。BP網絡包括輸入層、隱含層和輸出層。在該模型中，隱含層是神經元輸入到輸出層的媒介，由一個神經元組成。一個神經元通常由多個輸入單元組成，輸出單元是與隱含單元連接的單個輸出單元。對于每一步訓練，隱含層中的神經元根據期望輸出和誤差函數進行更新。當誤差函數為線性函數時，最大值就是輸出層和隱含層中所有神經元的期望輸出值的平均值。如果誤差函數為非線性函數時，最大值就是神經網絡的期望輸出值，此時，每一步都將調整隱含層中的神經元。

3.2 GRU神經網絡

GRU神經網絡是一種具有可變結構的神經網絡模型，其目的是將輸入數據變換成可以進行分類識別的數據，同時也可以將輸出數據變換成一個向量。GRU神經網絡與其他神經網絡不同的是，該模型具有一組固定的前饋神經元。這種前向傳播和反向傳播的混合網絡可以使輸入與輸出之間存在一定的映射關系。其中輸入層和輸出層之間采用全連接層，訓練過程中會涉及隱含層和輸出層。GRU神經網絡模型主要包括兩部分：前饋神經網絡和反向傳播神經網絡。前饋神經網絡用于連接輸入數據與輸出數據；反向傳播神經網絡用于連接輸入數據與輸出數據，從而實現對圖像類型的識別。GRU神經網絡是一種具有自組織、自適應等特性的非線性動態系統，該模型具有強大的學習能力，并且可以用來對大量復雜樣本進行分類識別。

4 模糊神經網絡法

4.1 葉片圖像預處理

由于風力發電機葉片表面損傷圖像包含大量的噪聲，導致圖像特征提取困難，因此為了提高葉片表面損傷識別的準確率，對葉片圖像進行預處理是非常必要的。常用的預處理包括濾波、噪聲抑制、分割和邊緣提取等。如采用中值濾波和均值濾波對葉片圖像進行預處理，得到理想的葉片圖像，然后將其與未經濾波處理的圖像進行對比分析，從而有效地濾除噪聲。另外，對于裂紋葉片圖像的預處理方法有：使用二值化方法對裂紋葉片圖像進行預處理；使用模糊增強法對裂紋葉片圖像進行預處理；采用直方圖均衡化對裂紋葉片圖像進行預處理；使用線性變換法對裂紋葉片圖像進行預處理。如采用線性變換法對裂紋葉片圖像進行預處理，能夠很好地濾除噪聲和增強目標區域，從而為后面的特征提取和特征選擇提供了更好的條件。但這種方法會使邊緣模糊，影響后續特征提取。

4.2 特征提取

特征提取是模式識別的基礎，其提取的特征對分類結果有很大影響。近年來，許多學者開始將圖像處理與模式識別技術結合起來，針對不同的應用問題提出了多種不同的圖像特征提取方法。在葉片損傷識別中，基于小波分析的特征提取方法是一種較常用的方法。如劉愛峰等人使用小波分析對風力發電機葉片圖像進行了噪聲去除和圖像增強，并提出了一種基于小波變換的葉片表面損傷特征提取方法。該方法對葉片表面損傷區域進行了提取，通過計算不同區域能量比和熵來提取噪聲去除后的圖像特征。但由于該方法采用小波分析處理，導致對葉片表面損傷區域和非損傷區域的區分能力較差。因此，王福祥等人使用基于SIFT特征提取算法對葉片表面損傷圖像進行了特征提取研究，并提出了一種基于SIFT與BP神經網絡相結合的識別方法，該方法能夠實現對葉片表面損傷區域和非損傷區域的自動識別。隨著計算機技術和模式識別理論的發展，基于模式識別技術進行圖像分析成為了研究熱點。如李學武等人使用支持向量機（SVM）對葉片表面裂紋圖像進行了分類研究。他們針對傳統SVM分類器在處理復雜類樣本時準確率不高、泛化能力不強的缺點，提出了一種基于自適應核函數支持向量機分類器。該方法首先將原始圖像作為輸入進行訓練，然后，使用訓練好的支持向量機對葉片表面裂紋圖像進行分類識別，實驗結果表明，該方法能夠實現對葉片表面裂紋圖像的識別。

5 結語

綜上所述，隨著風電行業的快速發展，風力發電已經成為一種主要的能源來源，在世界范圍內都得到了廣泛應用。風力發電葉片作為風力發電機的重要部件，其表面損傷對風力發電機的發電效率和使用壽命都會產生很大影響。為了提高風力發電機組的發電效率和使用壽命，需要對風力發電機組葉片表面損傷進行實時、準確識別，并根據識別結果對葉片表面損傷進行修復或者更換。目前，已經有很多學者對此進行了研究，本文通過分析現有的圖像識別方法，總結出了各自的優缺點，為實現葉片表面損傷的自動識別提供了思路，并對實現葉片表面損傷的自動識別具有一定的借鑒意義。