摘要
风力机一般安装在海拔较高的山岭地带，工作环境恶劣，叶片长期暴露在外很容易产生裂纹、涂层破坏、油污、点蚀等表面缺陷，如果不能得到及时的修复，随着时间的推移，叶片可能产生断裂而造成大的事故，所以需要对风力机叶片表面进行缺陷检测以防止事故的发生。目前，风力机叶片的缺陷检测工作基本依靠人力进行观测，不仅效率低下、成本高昂而且这种方法经常容易导致误判。本文采用无人机采集风力机叶片表面损伤图片和视频，借助机器视觉领域结合深度学习领域的算法对风力机叶片表面损伤图片进行处理，达到图片自动精确分类的目的。 首先对风力机叶片的图像采集装置以及图像处理装置的软件和硬件进行了设计与选型。选用大疆旗下的M210RTK无人机搭载禅思Z30云台相机对风力机叶片损伤位置的图片进行收集，将图片经过筛选构建出一个四损伤类型的数据集，并对图片进行旋转、缩放等增强处理来扩充数据集以保证训练完成后网络模型的鲁棒性。 其次借助机器视觉领域传统的图像处理方法，对图像进行灰度处理、滤波处理、二值化分割处理、形态学处理以及连通域标记处理这一流程，该算法流程将图片的损伤区域与图片背景分离，为后面利用神经网络对叶片损伤图片进行准确分类提供保障。 最后利用深度学习目标检测算法，对处理完成的图像进行准确分类，本文选择分类准确率较高三种卷积神经网络VGG16、GoogleNet、ResNet50分别对上述处理完成的图片进行分类。通过将各网络模型多次迭代后的准确率以及损失值曲线进行对比，VGG16、GoogleNet、ResNet50验证集的准确率分别为85.98%、89.02%、92.07%，初步选用准确率最高、损失值最小的卷积神经网络ResNet50作为图片分类的网络模型。为了提高该网络模型的性能，进一步对Adam、RAdam优化器优化完成的ResNet50网络进行对比，通过对两优化模型分类结果比较，确定RAdam优化网络模型准确率更高，收敛速度更快。本文从网站和风场继续收集了部分叶片损伤图片，用混淆矩阵对每一类的准确率进行验证，得到最终分类结果的准确率为95.83%，达到图片分类的要求。文章最终选用RAdam优化后的ResNet50网络对风力机叶片表面损伤图片进行分类测试，该流程可以实现图片的快速、准确分类。
NETL