基于无人机的不同颜色风叶表面缺陷检测算法研究

摘  要：随着无人机和机器视觉算法的广泛应用，使得应用无人机构成风叶缺陷自动检测系统成为可能，由于无人机采集图像时，受采集位置、光照等随机因素影响较大，风叶叶片也会随着厂商的要求而涂有不同的颜色，因此一种检测精度高，适用性好的图像处理算法具有关键的作用，文章在研究labview的图像处理基本算子的基础上，提出了基于Prewitt算子的边缘提取缺陷检测算法，该方法能够适应不同颜色的风机叶片缺陷检测，具有检测精度高、适用性好等特点。

关键词：不同颜色风叶;缺陷检测;无人机;图像处理;Prewitt算子

中图分类号：TP391.4                    文献标识码：A文章编号：2096-4706（2021）15-0169-05

Abstract： With the wide application of UAV and machine vision algorithms， it is possible to use UAV to form an automatic detection system for wind blade defects. When UAV collects images， it is greatly affected by random factors such as acquisition position and illumination， and the wind blade will also be painted with different colors according to the requirements of the manufacturer. Therefore， a image processing algorithm with good applicability and high precision plays a key role. Based on the study of the basic image processing operator of labview， this paper proposes an edge extraction defect detection algorithm based on Prewitt operator. This method can adapt to the defect detection of fan blades with different colors， and has the characteristics of high detection accuracy and good applicability.

Keywords： wind leaves of different colors; defect detection; UAV; image processing; Prewitt operator

0  引  言

近年來，风力发电广泛发展，风机叶片是风力发电机的关键部件之一，其质量可靠性是保障机组安全运行的关键因素[1]，因此，对风机叶片的质量检测的非常重要的。传统的风机叶片检测方法有地面敲击辨音法、望远镜目测法、绳索垂降人工检测[2]，这些方法均由人工检测，检测效率低，人为因素大，危险系数高。近年来，随着无人机在各行各业的广泛应用，应用无人机检测风叶表面缺陷成为可能，而各大研究者也致力于基于无人机的风机叶片缺陷检测系统研究，比如2015年中国计量学院的徐灵鑫自主研发了四旋翼无人机搭载航拍设备采集风机叶片缺陷，并提出了传统的风机叶片缺陷检测算法;2018年兰州理工大学张建斐提出了利用工业相机检测风叶缺陷的方案，并研究了相关的机器视觉检测方法，该方法由于工业相机需接220 V交流电源不具在线检测可行性;2020年北京交通大学茅宇琳提出了应用无人机和深度学习算法检测各种风机表面缺陷，该方案成熟易实现，检测算法也较先进，但以上研究均未提出不同颜色风机叶片缺陷如何检测，不同颜色的风机叶片缺陷检测目前还是空白，本文在分析了传统风机叶片缺陷检测算法的基础上，对于不同颜色的风机叶片提出了应用Prewitt算子的边缘提取缺陷检测算法，该方法能够检测出不同颜色风机叶片缺陷特征，具有检测精度高，适应性好等特点，对于应用无人机进行不同颜色的风机叶片缺陷检测系统具有一定的参考价值。

1  叶片表面常见缺陷

风机叶片在生产制造、运输、安装的过程中，会不可避免地出现分层、夹杂以及各类内外部损伤[3]，加之叶片一直工作在高原、海岛、山涧等气候复杂多变的地区，因此会产生如裂纹、涂层破损、砂眼、雷击、腐蚀、结冰等各种危害叶片健康的表面缺陷[4]，如不加以处理，则会使风机无法正常运行，降低效率。因此，对风机表面缺陷进行精确检测是非常必要的。风机运行中常见且对叶片有较大影响的缺陷主要有裂缝、砂孔、雷击、涂层破损脱落等，如图1所示。

2  风叶缺陷检测流程

根据风叶表面缺陷可以看到，缺陷均可以通过目视观测，因此可以借助机器视觉对其进行自动检测，近年来，无人机由于其不受地理环境限制、可操作性好等优点广泛应用在军事、遥测、农业、监察等各个领域，因此本文采用无人机搭载高清摄像头完成风叶缺陷的图像采集任务，无人机回传到电脑的图像数据通过labview进行图像处理，提取风叶表面缺陷并给出是否需要检修的结论，基于无人机的风叶缺陷检测流程如图2所示。

3  不同颜色的风叶缺陷检测效果

风力发电机组在使用时会受到各种恶劣环境的影响，如温差大、紫外光辐射强、风沙摩擦侵蚀、酸雨腐蚀等，良好耐受性、较强的抗风蚀性能、耐烟雾性的高性能配套涂料，可对风力发电机组各部分起到很好的保护作用，延长风电设备的工作年限[5]，部分厂家为了美观，也会使用带有颜色的涂料，如红色、灰白色等，这就对风叶缺陷检测算法提出了较高要求。传统的缺陷检测算法流程如图3所示。

首先通过灰度化将原始的彩色图像灰度化为8 bit灰度图像，然后对图像进行去噪处理，接着对图像进行二值化，使用形态学处理分离出缺陷部分，并做出标记。该方案简单易操作，效果也好，不过对不同颜色的风叶进行阈值分割时的阈值会有所不同，如图4所示，为灰白色风叶图像的原图、阈值分割直方图和形态学处理后的缺陷提取图像，图5所示为红色风叶图像的原图、阈值分割直方图和形态学处理后缺陷提取图像。

可见，灰白色风叶和红色风叶阈值分割时设置的阈值有所不同，若使用灰白色风叶的阈值123为分割点，则红色风叶的分割效果图如图6所示，雷击裂缝缺陷部分无法提取出来;若使用红色风叶的阈值94为分割点，则灰白色风叶的分割效果图如图7所示，裂缝也无法提取。

由以上分析可知，不同颜色的风叶阈值分割时无法使用统一阈值从而使得算法不具有通用性。故需要研究一种可以适用于不同颜色的风叶的缺陷检测算法。

4  边缘检测算子研究及缺陷检测效果

边缘检测常常被应用于图像分割当中，边缘检测是提取图像中灰度变化明显的部分，并据此确定缺陷区域的位置[6-8]，由于边缘提取不依赖于灰度值，而和灰度的变化有关，故本文采用边缘提取缺陷特征，去除风叶颜色对缺陷检测的影响。

4.1  边缘检测原理及缺陷检测流程

边缘检测就是利用权矩阵模板对图像矩阵进行卷积运算，反映到公式上为：

式中为图像矩阵，为权矩阵模板。

即图像区域中心像素的新值为每个像素分别于权矩阵模板的元素对应相乘再相加之和。该权矩阵即边缘检测算子。

经典的边缘检测算法一般采取微分的方式进行计算，常用的一阶微分边缘检测算子有Roberts算子、Sobel算子、Prewitt算子、Kirsch算子等[9，10]，其中，Labview中的边缘检测算子主要有Roberts算子、Prewitt算子、Sobel算子等。

4.2  边缘检测流程及各算子检测效果

由于labview中各算子对缺陷提取后信号很弱，不容易判断其差异，故本系统利用边缘检测算子实现边缘提取后增加了图像增强算子来突出缺陷特征，利用边缘检测算子进行风叶缺陷检测流程如图8所示。

4.3  Roberts算子简介及缺陷检测效果

Roberts邊缘检测算子是2×2算子模板，它是利用和对图像进行卷积运算，即：

其中R’[i，j]表示处理后（i，j）点的灰度值，R[i，j]表示处理前该点的灰度值。可见，该算子主要对45°和135°方向的边缘比较敏感。

4.4  Prewitt算子简介

为减少噪声的影响，Prewitt算子从加大边缘增强算子的模板大小出发，由2×2扩大到3×3来计算差分。其模板为和，图像中的每个点都用这两个模板

进行卷积，取最大值作为输出，可见该模板对水平和垂直方向上的边缘较为敏感。

4.5  sobel算子简介

Sobel算子的模板也是3×3，如下面所示，其模板为和。可见，该模板也能检测出水平和垂直方向上的边缘，但它对对角边缘比对水平和垂直的边缘更为敏感。

4.6  各算子缺陷检测效果图

对比Roborts算子、Prewitt算子和Sobel算子对灰白色风叶和红色风叶缺陷检测效果图，分别如图9和图10所示。

由图可见，利用Roberts算子可以检测出不同颜色风叶缺陷轮廓特征，但是形态学处理效果后不好，部分非缺陷部分无法剔除。经分析，由于Roberts算子通常会在图像边缘附近的区域内产生较宽的响应，故采用上述算子检测的边缘图像常需做细化处理，边缘定位的精度不是很高;Prewitt算子和Sobel算子效果相对更好，对于灰白色图像，Prewitt算子除了能检测出图像的裂缝信息，还能检测出面积较小的砂孔信息，而Sobel算子只能检测出面积较大的裂缝信息，对于砂孔信息则认为是噪声形态学处理后就滤除掉了。对于红色叶片的雷击裂缝信息，由于面积比较大，和背景信息的差异也较大，故这两种方法检测效果差不多。

对更多缺陷样本进行Prewitt和sobel算子测试，如图11所示，发现Prewitt和Sobel算子对大部分缺陷检测效果基本一致，只是在个别案例中Prewitt会显示出检测出砂孔缺陷的特点，故系统最终确定使用Prewitt算子作为边缘检测算子完成不同颜色的风叶缺陷检测任务。

5  结  论

本文在研究了labview中常用的缺陷检测算子基础上，最终确定了使用Prewitt算子作为本系统边缘检测算子，并对不同颜色的叶片进行特征提取，图像处理结果显示，该方案可以去除叶片颜色的影响，对缺陷检测的精度高达93%。

参考文献：

[1] SHOKRIEH M M，RAFIEE R. Simulation of fatigue failure in a full composite wind turbine blade [J].Composite Structures 2006，74（3）：332-342.

[2] 张建斐.基于机器视觉的风力发电机叶片表面缺陷检测研究 [D].兰州：兰州理工大学，2018.

[3] TOFT H S，BRANNER K，BERRING P，et al. Defect distribution and reliability assessment of wind turbine blades [J].Engineering Structures 2011，33（1）：171-180.

[4] 茅宇琳.基于无人机采集图像的风机叶片多种表面缺陷检测研究 [D].北京：北京交通大学，2020.

[5] 赵庆军，李莉，姚海龙，等.风力发电机组风机叶片涂料的研究 [J].现代涂料与涂装 2011，14（4）：38-40.

[6] 杨林.冷态热轧钢板表面缺陷检测系统技术研究 [D].重庆：重庆大学，2015.

[7] FU Zhihong，SONG Siyu，WANG Xiujuan，et al.Imaging the topology of grounding grids based on wavelet edge detection [J].IEEE Transactions on Magnetics 2018，55（4）：1-8.

[8] 史萌，陈勇，郭爱平.基于Matlab的几种常用边缘检测算子的研究 [J].软件导刊2011，10（8）：47-48.

[9] 张阳，刘缠牢，卢伟家，等.基于LOG算子的双滤波边缘检测算法 [J].电子测量技术2019，42（4）：95-98.

[10] 谭艳，王宇俊，李飞龙，等.几种典型的图像边缘检测算法的分析比较 [J].电脑知识与技术 2012，8（7）：1604-1608.

作者简介：严海领（1984.12—）女，汉族，河北保定人，讲师，毕业于天津大学，硕士研究生，主要研究方向：机器视觉。

3982500338247