摘要
风能是一种可再生的清洁能源，以其环保、无污染的特性而被广泛地应用于世界各地。风力发电产业在我国发展迅猛，截至2020年底，我国已建成4000多个风电场，累计装机2.2亿kW，装机容量已跃居世界首位。叶片作为风力发电机组中将风能转化成机械能的核心部件，造价占风机总成本的15%～25%。如果不能及时发现和处理风机叶片的故障，将会给风电场带来巨大的经济损失，严重影响风力发电机组的正常运行。 因此，对风机叶片进行及时有效地检测与定位极为重要。本研究基于计算机视觉处理技术和深度学习算法，建立了一套完整的风力发电机叶片损伤检测系统，可以实现对叶片损伤的识别、分类和定位。对风电机组的健康运行具有重要意义。 本文主要研究工作如下： (1)图像处理：针对无人机采集的风机叶片图像存在光照不均匀、色彩饱和度低、噪声干扰等问题，对采集的原图像进行预处理，以提升数据质量。针对图像局部细节复杂且背景干扰较大的特点，为保证风机叶片表面缺陷检测的准确性，采用RGB-trackbar提取颜色特征并进行手动阈值设置，将背景黑化，完成叶片与背景分离。通过形态学处理和多尺度Retinex算法处理，可以很好地消除光照和雾气不均匀对图像的干扰，使图像缺陷信息得以保留，并以此为基础制作数据集。 (2)缺陷检测：利用findcontour算子对叶片缺陷区域进行轮廓提取，根据缺陷面积和长短径之比对缺陷进行分类。采用该方法在自制的风机叶片数据集上进行缺陷检测实验，准确率达94%。由于风机叶片所处环境复杂，采用机器学习的方法提取叶片缺陷特征需要不断调整设置相关参数，为了取得更好的检测效果，采用改进的残差网络进行缺陷检测。通过多尺度特征融合与RBN结合的残差网络模型对自制数据集进行实验，检测准确率达99.55%。 (3)风机叶片缺陷定位：本文采用ASIFT算子进行空间形状对照，将采集的叶片各部分图像与原风机叶片整体进行匹配，先根据经度角和纬度角模式，对需要匹配的两幅图像进行仿射变换插值重采样，再对变换后的图像进行特征匹配，即获得缺陷区域所在叶片中的位置。该方法在自制的风机叶片缺陷数据集中取得93.8%的定位准确率，实验结果表明，该方法可以很好的完成叶片缺陷定位任务。
NETL