风力发电机叶片表面损伤图像识别方法研究分析

宁片

（保定叶丰风电设备有限公司，河北 保定 071051）

风能是一种清洁能源，随着风电行业的快速发展，我国风电装机容量迅速增长。目前我国已成为世界上风电装机容量最大的国家，但由于风力发电在运行过程中经常受到风速、风向、环境温度等因素的影响，使得风力发电机组经常出现叶片断裂、螺栓松动等故障。如果这些故障得不到及时处理，将会给电网带来很大威胁。因此，对风力发电机叶片表面损伤进行实时、准确识别对保证风力发电机安全运行具有重要意义。

1 叶片损伤类型

在风力发电机叶片制造过程中，其表面损伤类型主要有：裂纹、腐蚀、机械损伤以及其他损伤。在风力发电机叶片制造过程中，裂纹是一种常见的损伤形式，而对于不同种类的损伤，其外观表现形式也是不同的。

（1）裂纹。由于叶片表面上存在大量的孔洞和缝隙，在风力发电机运行过程中，这些孔洞和缝隙会产生大量的热量，而如果这些热量不能及时散发出去，就会对叶片表面造成热应力。如果热应力超过了叶片材料的屈服极限，就会导致叶片表面裂纹出现。通常情况下，叶片表面裂纹主要是沿平行于叶片方向出现的斜裂纹。而对于垂直于叶片方向出现的斜裂纹，其长度较短，一般为几毫米。

（2）腐蚀。由于风力发电机在运行过程中经常受到风沙、雨水等环境因素的影响，使得风力发电机叶片表面会出现腐蚀现象。腐蚀不仅会导致叶片表面出现孔洞和缝隙，还会使得叶片表面形成一层胶状保护膜。当风力发电机工作到一定时间时，这种保护膜会逐渐脱落，从而使得风力发电机叶片表面出现孔洞和缝隙。因此，腐蚀也是一种常见的损伤类型。这些机械损伤都会在一定程度上对风力发电机叶片造成破坏。根据破坏程度的不同可将机械损伤分为机械疲劳、腐蚀、磨损和机械损伤等。

（3）其他损伤。除了以上几种常见的损伤类型外，风力发电机叶片还可能受到其他因素造成的损伤。如大气污染、腐蚀性气体、紫外线辐射等。在大气污染方面，由于空气中含有大量颗粒性污染物、氧气和水蒸气等物质，这些物质会对风电叶片表面造成腐蚀；而对于腐蚀性气体来说，其主要成分是二氧化硫、二氧化氮、氮氧化物等；紫外线辐射则会导致风电叶片表面出现老化现象，从而影响风电机组运行安全。因此在实际运行过程中，需要对这些外部因素引起的损伤进行及时处理。针对以上问题，本文对目前主流的图像识别方法进行了总结和分析。

为了能够更好地对风力发电机叶片表面损伤进行识别研究工作提供参考依据，本文将现有图像识别方法分为基于深度学习的方法：该方法主要包括卷积神经网络和循环神经网络两种模型。

①基于样本集的方法。该方法主要包括支持向量机、决策树、朴素贝叶斯以及其他算法。

②基于图像处理的方法。该方法主要包括灰度变换、图像分割、边缘检测、特征提取等。上述方法各有优缺点，针对不同种类的损伤图像识别研究工作提出了不同的解决方案。在本文中，将对以上几种类型的图像识别研究工作进行总结和归纳。

2 基于图像处理的叶片损伤识别方法

2.1 基于阈值分割方法

在基于阈值分割方法中，通常是先根据经验设置一个阈值，当阈值达到或超过时，将图像中目标物体从背景中分离出来。基于阈值分割方法具有简单、方便等优点，但其受光照、背景等因素影响较大，且对于复杂环境下的叶片表面损伤识别不够准确。为提高叶片表面损伤识别精度，将小波变换与自适应阈值分割相结合，以实现对叶片表面损伤图像的准确识别。该方法首先利用小波变换对叶片表面损伤图像进行去噪处理，然后利用自适应阈值分割方法进行损伤区域提取。实验结果表明，该方法不仅能有效去除噪声，而且对光照变化不敏感。但是，小波变换是一种非平稳信号处理技术，其不能有效保留信号中的高频信息和低频信息。此外，该方法还存在阈值分割不准确的问题，无法精确定位目标物体所在的区域。因此，基于小波变换与自适应阈值分割方法相结合的叶片表面损伤识别方法仍需要进一步研究和改进。

2.2 基于区域形状特征的检测方法

基于区域形状特征的检测方法主要通过对目标物体区域进行提取，然后根据像素点灰度分布的差异，实现目标物体的自动识别。该方法需要借助计算机的图像处理技术，将图像中目标物体提取出来，并根据图像的形状特征来进行识别。

基于区域形状特征的检测方法是在图像中将目标物体定位出来，然后再根据该定位结果来对叶片损伤进行识别。该方法先将图像进行灰度化处理，然后利用直方图均衡化方法对图像进行增强处理，然后利用基于梯度的滤波算法对图像进行去噪。最后，将增强后的图像进行二值化处理，并对二值化后的图像进行边缘检测操作。根据边缘检测结果，将叶片表面损伤区域划分成若干个圆形区域。若圆形区域内像素点灰度值差别较大，则说明该区域存在缺陷，如孔洞、裂纹等；若圆形区域内像素点灰度值差别不大，则说明该区域存在划痕、腐蚀等缺陷；若圆形区域内像素点灰度值差别不大，则说明该区域没有裂纹、孔洞等缺陷。随后将叶片表面损伤区域划分为若干个小圆形区域，并在每个小圆区域内利用灰度共生矩阵提取纹理特征参数。通过对纹理特征参数计算得到的特征向量进行距离变换计算后与其他特征向量相结合构成特征矩阵，最后利用特征矩阵实现叶片表面损伤识别。该方法通过提取图像中每个圆形区域的纹理特征参数来实现叶片表面损伤识别。该方法需要在图像中选择适当的圆形目标作为对象区域。另外，该方法需要对提取的图像进行灰度化处理、边缘检测等预处理操作。

2.3 其他方法

基于图像处理的叶片表面损伤识别方法主要还有基于模糊数学、神经网络、支持向量机等方法。

（1）模糊数学是根据隶属度函数对图像进行模糊处理，而模糊数学的基本原理是：通过对模糊集合的运算，以达到将模糊信息从“真”转化为“假”的目的。基于上述原理，模糊模式识别的叶片表面损伤识别方法。该方法先将图像进行滤波处理，然后运用改进的Otsu算法对图像进行分割，分割结果中提取出损伤区域；最后对损伤区域进行形态学处理，得到目标物体。该方法克服了传统的图像处理方法无法有效识别损伤区域的缺点。

（2）神经网络方法是根据神经网络的原理，将数据映射到特定网络中，并利用网络内部的反馈信息来进行学习和训练，从而使网络具有一定学习能力。模糊神经网络的风力发电机叶片表面损伤识别方法，该方法先对图像进行灰度化处理，然后运用模糊神经网络对图像中目标物体进行识别。该方法通过对图像进行灰度化处理，利用灰度直方图提取出叶片图像中的纹理特征；然后运用改进的自适应模糊神经网络对纹理特征进行学习和训练，从而实现对叶片表面损伤识别。该方法在一定程度上提高了叶片表面损伤识别的准确性。

3 人工神经网络法

3.1 BP神经网络

BP神经网络具有多层结构，其基本原理是将每一层神经元的输出与其上一层的输入进行比较，如果误差小于给定的阈值，则进行下一层的神经元训练，否则，停止训练。BP网络包括输入层、隐含层和输出层。在该模型中，隐含层是神经元输入到输出层的媒介，由一个神经元组成。一个神经元通常由多个输入单元组成，输出单元是与隐含单元连接的单个输出单元。对于每一步训练，隐含层中的神经元根据期望输出和误差函数进行更新。当误差函数为线性函数时，最大值就是输出层和隐含层中所有神经元的期望输出值的平均值。如果误差函数为非线性函数时，最大值就是神经网络的期望输出值，此时，每一步都将调整隐含层中的神经元。

3.2 GRU神经网络

GRU神经网络是一种具有可变结构的神经网络模型，其目的是将输入数据变换成可以进行分类识别的数据，同时也可以将输出数据变换成一个向量。GRU神经网络与其他神经网络不同的是，该模型具有一组固定的前馈神经元。这种前向传播和反向传播的混合网络可以使输入与输出之间存在一定的映射关系。其中输入层和输出层之间采用全连接层，训练过程中会涉及隐含层和输出层。GRU神经网络模型主要包括两部分：前馈神经网络和反向传播神经网络。前馈神经网络用于连接输入数据与输出数据；反向传播神经网络用于连接输入数据与输出数据，从而实现对图像类型的识别。GRU神经网络是一种具有自组织、自适应等特性的非线性动态系统，该模型具有强大的学习能力，并且可以用来对大量复杂样本进行分类识别。

4 模糊神经网络法

4.1 叶片图像预处理

由于风力发电机叶片表面损伤图像包含大量的噪声，导致图像特征提取困难，因此为了提高叶片表面损伤识别的准确率，对叶片图像进行预处理是非常必要的。常用的预处理包括滤波、噪声抑制、分割和边缘提取等。如采用中值滤波和均值滤波对叶片图像进行预处理，得到理想的叶片图像，然后将其与未经滤波处理的图像进行对比分析，从而有效地滤除噪声。另外，对于裂纹叶片图像的预处理方法有：使用二值化方法对裂纹叶片图像进行预处理；使用模糊增强法对裂纹叶片图像进行预处理；采用直方图均衡化对裂纹叶片图像进行预处理；使用线性变换法对裂纹叶片图像进行预处理。如采用线性变换法对裂纹叶片图像进行预处理，能够很好地滤除噪声和增强目标区域，从而为后面的特征提取和特征选择提供了更好的条件。但这种方法会使边缘模糊，影响后续特征提取。

4.2 特征提取

特征提取是模式识别的基础，其提取的特征对分类结果有很大影响。近年来，许多学者开始将图像处理与模式识别技术结合起来，针对不同的应用问题提出了多种不同的图像特征提取方法。在叶片损伤识别中，基于小波分析的特征提取方法是一种较常用的方法。如刘爱峰等人使用小波分析对风力发电机叶片图像进行了噪声去除和图像增强，并提出了一种基于小波变换的叶片表面损伤特征提取方法。该方法对叶片表面损伤区域进行了提取，通过计算不同区域能量比和熵来提取噪声去除后的图像特征。但由于该方法采用小波分析处理，导致对叶片表面损伤区域和非损伤区域的区分能力较差。因此，王福祥等人使用基于SIFT特征提取算法对叶片表面损伤图像进行了特征提取研究，并提出了一种基于SIFT与BP神经网络相结合的识别方法，该方法能够实现对叶片表面损伤区域和非损伤区域的自动识别。随着计算机技术和模式识别理论的发展，基于模式识别技术进行图像分析成为了研究热点。如李学武等人使用支持向量机（SVM）对叶片表面裂纹图像进行了分类研究。他们针对传统SVM分类器在处理复杂类样本时准确率不高、泛化能力不强的缺点，提出了一种基于自适应核函数支持向量机分类器。该方法首先将原始图像作为输入进行训练，然后，使用训练好的支持向量机对叶片表面裂纹图像进行分类识别，实验结果表明，该方法能够实现对叶片表面裂纹图像的识别。

5 结语

综上所述，随着风电行业的快速发展，风力发电已经成为一种主要的能源来源，在世界范围内都得到了广泛应用。风力发电叶片作为风力发电机的重要部件，其表面损伤对风力发电机的发电效率和使用寿命都会产生很大影响。为了提高风力发电机组的发电效率和使用寿命，需要对风力发电机组叶片表面损伤进行实时、准确识别，并根据识别结果对叶片表面损伤进行修复或者更换。目前，已经有很多学者对此进行了研究，本文通过分析现有的图像识别方法，总结出了各自的优缺点，为实现叶片表面损伤的自动识别提供了思路，并对实现叶片表面损伤的自动识别具有一定的借鉴意义。