基于無人機(jī)的不同顏色風(fēng)葉表面缺陷檢測(cè)算法研究

摘? 要：隨著無人機(jī)和機(jī)器視覺算法的廣泛應(yīng)用，使得應(yīng)用無人機(jī)構(gòu)成風(fēng)葉缺陷自動(dòng)檢測(cè)系統(tǒng)成為可能，由于無人機(jī)采集圖像時(shí)，受采集位置、光照等隨機(jī)因素影響較大，風(fēng)葉葉片也會(huì)隨著廠商的要求而涂有不同的顏色，因此一種檢測(cè)精度高，適用性好的圖像處理算法具有關(guān)鍵的作用，文章在研究labview的圖像處理基本算子的基礎(chǔ)上，提出了基于Prewitt算子的邊緣提取缺陷檢測(cè)算法，該方法能夠適應(yīng)不同顏色的風(fēng)機(jī)葉片缺陷檢測(cè)，具有檢測(cè)精度高、適用性好等特點(diǎn)。

關(guān)鍵詞：不同顏色風(fēng)葉;缺陷檢測(cè);無人機(jī);圖像處理;Prewitt算子

中圖分類號(hào)：TP391.4? ? ? ? ? ? ? ? ? ? 文獻(xiàn)標(biāo)識(shí)碼：A文章編號(hào)：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，風(fēng)力發(fā)電廣泛發(fā)展，風(fēng)機(jī)葉片是風(fēng)力發(fā)電機(jī)的關(guān)鍵部件之一，其質(zhì)量可靠性是保障機(jī)組安全運(yùn)行的關(guān)鍵因素[1]，因此，對(duì)風(fēng)機(jī)葉片的質(zhì)量檢測(cè)的非常重要的。傳統(tǒng)的風(fēng)機(jī)葉片檢測(cè)方法有地面敲擊辨音法、望遠(yuǎn)鏡目測(cè)法、繩索垂降人工檢測(cè)[2]，這些方法均由人工檢測(cè)，檢測(cè)效率低，人為因素大，危險(xiǎn)系數(shù)高。近年來，隨著無人機(jī)在各行各業(yè)的廣泛應(yīng)用，應(yīng)用無人機(jī)檢測(cè)風(fēng)葉表面缺陷成為可能，而各大研究者也致力于基于無人機(jī)的風(fēng)機(jī)葉片缺陷檢測(cè)系統(tǒng)研究，比如2015年中國(guó)計(jì)量學(xué)院的徐靈鑫自主研發(fā)了四旋翼無人機(jī)搭載航拍設(shè)備采集風(fēng)機(jī)葉片缺陷，并提出了傳統(tǒng)的風(fēng)機(jī)葉片缺陷檢測(cè)算法;2018年蘭州理工大學(xué)張建斐提出了利用工業(yè)相機(jī)檢測(cè)風(fēng)葉缺陷的方案，并研究了相關(guān)的機(jī)器視覺檢測(cè)方法，該方法由于工業(yè)相機(jī)需接220 V交流電源不具在線檢測(cè)可行性;2020年北京交通大學(xué)茅宇琳提出了應(yīng)用無人機(jī)和深度學(xué)習(xí)算法檢測(cè)各種風(fēng)機(jī)表面缺陷，該方案成熟易實(shí)現(xiàn)，檢測(cè)算法也較先進(jìn)，但以上研究均未提出不同顏色風(fēng)機(jī)葉片缺陷如何檢測(cè)，不同顏色的風(fēng)機(jī)葉片缺陷檢測(cè)目前還是空白，本文在分析了傳統(tǒng)風(fēng)機(jī)葉片缺陷檢測(cè)算法的基礎(chǔ)上，對(duì)于不同顏色的風(fēng)機(jī)葉片提出了應(yīng)用Prewitt算子的邊緣提取缺陷檢測(cè)算法，該方法能夠檢測(cè)出不同顏色風(fēng)機(jī)葉片缺陷特征，具有檢測(cè)精度高，適應(yīng)性好等特點(diǎn)，對(duì)于應(yīng)用無人機(jī)進(jìn)行不同顏色的風(fēng)機(jī)葉片缺陷檢測(cè)系統(tǒng)具有一定的參考價(jià)值。

1? 葉片表面常見缺陷

風(fēng)機(jī)葉片在生產(chǎn)制造、運(yùn)輸、安裝的過程中，會(huì)不可避免地出現(xiàn)分層、夾雜以及各類內(nèi)外部損傷[3]，加之葉片一直工作在高原、海島、山澗等氣候復(fù)雜多變的地區(qū)，因此會(huì)產(chǎn)生如裂紋、涂層破損、砂眼、雷擊、腐蝕、結(jié)冰等各種危害葉片健康的表面缺陷[4]，如不加以處理，則會(huì)使風(fēng)機(jī)無法正常運(yùn)行，降低效率。因此，對(duì)風(fēng)機(jī)表面缺陷進(jìn)行精確檢測(cè)是非常必要的。風(fēng)機(jī)運(yùn)行中常見且對(duì)葉片有較大影響的缺陷主要有裂縫、砂孔、雷擊、涂層破損脫落等，如圖1所示。

2? 風(fēng)葉缺陷檢測(cè)流程

根據(jù)風(fēng)葉表面缺陷可以看到，缺陷均可以通過目視觀測(cè)，因此可以借助機(jī)器視覺對(duì)其進(jìn)行自動(dòng)檢測(cè)，近年來，無人機(jī)由于其不受地理環(huán)境限制、可操作性好等優(yōu)點(diǎn)廣泛應(yīng)用在軍事、遙測(cè)、農(nóng)業(yè)、監(jiān)察等各個(gè)領(lǐng)域，因此本文采用無人機(jī)搭載高清攝像頭完成風(fēng)葉缺陷的圖像采集任務(wù)，無人機(jī)回傳到電腦的圖像數(shù)據(jù)通過labview進(jìn)行圖像處理，提取風(fēng)葉表面缺陷并給出是否需要檢修的結(jié)論，基于無人機(jī)的風(fēng)葉缺陷檢測(cè)流程如圖2所示。

3? 不同顏色的風(fēng)葉缺陷檢測(cè)效果

風(fēng)力發(fā)電機(jī)組在使用時(shí)會(huì)受到各種惡劣環(huán)境的影響，如溫差大、紫外光輻射強(qiáng)、風(fēng)沙摩擦侵蝕、酸雨腐蝕等，良好耐受性、較強(qiáng)的抗風(fēng)蝕性能、耐煙霧性的高性能配套涂料，可對(duì)風(fēng)力發(fā)電機(jī)組各部分起到很好的保護(hù)作用，延長(zhǎng)風(fēng)電設(shè)備的工作年限[5]，部分廠家為了美觀，也會(huì)使用帶有顏色的涂料，如紅色、灰白色等，這就對(duì)風(fēng)葉缺陷檢測(cè)算法提出了較高要求。傳統(tǒng)的缺陷檢測(cè)算法流程如圖3所示。

首先通過灰度化將原始的彩色圖像灰度化為8 bit灰度圖像，然后對(duì)圖像進(jìn)行去噪處理，接著對(duì)圖像進(jìn)行二值化，使用形態(tài)學(xué)處理分離出缺陷部分，并做出標(biāo)記。該方案簡(jiǎn)單易操作，效果也好，不過對(duì)不同顏色的風(fēng)葉進(jìn)行閾值分割時(shí)的閾值會(huì)有所不同，如圖4所示，為灰白色風(fēng)葉圖像的原圖、閾值分割直方圖和形態(tài)學(xué)處理后的缺陷提取圖像，圖5所示為紅色風(fēng)葉圖像的原圖、閾值分割直方圖和形態(tài)學(xué)處理后缺陷提取圖像。

可見，灰白色風(fēng)葉和紅色風(fēng)葉閾值分割時(shí)設(shè)置的閾值有所不同，若使用灰白色風(fēng)葉的閾值123為分割點(diǎn)，則紅色風(fēng)葉的分割效果圖如圖6所示，雷擊裂縫缺陷部分無法提取出來;若使用紅色風(fēng)葉的閾值94為分割點(diǎn)，則灰白色風(fēng)葉的分割效果圖如圖7所示，裂縫也無法提取。

由以上分析可知，不同顏色的風(fēng)葉閾值分割時(shí)無法使用統(tǒng)一閾值從而使得算法不具有通用性。故需要研究一種可以適用于不同顏色的風(fēng)葉的缺陷檢測(cè)算法。

4? 邊緣檢測(cè)算子研究及缺陷檢測(cè)效果

邊緣檢測(cè)常常被應(yīng)用于圖像分割當(dāng)中，邊緣檢測(cè)是提取圖像中灰度變化明顯的部分，并據(jù)此確定缺陷區(qū)域的位置[6-8]，由于邊緣提取不依賴于灰度值，而和灰度的變化有關(guān)，故本文采用邊緣提取缺陷特征，去除風(fēng)葉顏色對(duì)缺陷檢測(cè)的影響。

4.1? 邊緣檢測(cè)原理及缺陷檢測(cè)流程

邊緣檢測(cè)就是利用權(quán)矩陣模板對(duì)圖像矩陣進(jìn)行卷積運(yùn)算，反映到公式上為：

式中為圖像矩陣，為權(quán)矩陣模板。

即圖像區(qū)域中心像素的新值為每個(gè)像素分別于權(quán)矩陣模板的元素對(duì)應(yīng)相乘再相加之和。該權(quán)矩陣即邊緣檢測(cè)算子。

經(jīng)典的邊緣檢測(cè)算法一般采取微分的方式進(jìn)行計(jì)算，常用的一階微分邊緣檢測(cè)算子有Roberts算子、Sobel算子、Prewitt算子、Kirsch算子等[9，10]，其中，Labview中的邊緣檢測(cè)算子主要有Roberts算子、Prewitt算子、Sobel算子等。

4.2? 邊緣檢測(cè)流程及各算子檢測(cè)效果

由于labview中各算子對(duì)缺陷提取后信號(hào)很弱，不容易判斷其差異，故本系統(tǒng)利用邊緣檢測(cè)算子實(shí)現(xiàn)邊緣提取后增加了圖像增強(qiáng)算子來突出缺陷特征，利用邊緣檢測(cè)算子進(jìn)行風(fēng)葉缺陷檢測(cè)流程如圖8所示。

4.3? Roberts算子簡(jiǎn)介及缺陷檢測(cè)效果

Roberts邊緣檢測(cè)算子是2×2算子模板，它是利用和對(duì)圖像進(jìn)行卷積運(yùn)算，即：

其中R’[i，j]表示處理后（i，j）點(diǎn)的灰度值，R[i，j]表示處理前該點(diǎn)的灰度值?？梢?，該算子主要對(duì)45°和135°方向的邊緣比較敏感。

4.4? Prewitt算子簡(jiǎn)介

為減少噪聲的影響，Prewitt算子從加大邊緣增強(qiáng)算子的模板大小出發(fā)，由2×2擴(kuò)大到3×3來計(jì)算差分。其模板為和，圖像中的每個(gè)點(diǎn)都用這兩個(gè)模板

進(jìn)行卷積，取最大值作為輸出，可見該模板對(duì)水平和垂直方向上的邊緣較為敏感。

4.5? sobel算子簡(jiǎn)介

Sobel算子的模板也是3×3，如下面所示，其模板為和?？梢?，該模板也能檢測(cè)出水平和垂直方向上的邊緣，但它對(duì)對(duì)角邊緣比對(duì)水平和垂直的邊緣更為敏感。

4.6? 各算子缺陷檢測(cè)效果圖

對(duì)比Roborts算子、Prewitt算子和Sobel算子對(duì)灰白色風(fēng)葉和紅色風(fēng)葉缺陷檢測(cè)效果圖，分別如圖9和圖10所示。

由圖可見，利用Roberts算子可以檢測(cè)出不同顏色風(fēng)葉缺陷輪廓特征，但是形態(tài)學(xué)處理效果后不好，部分非缺陷部分無法剔除。經(jīng)分析，由于Roberts算子通常會(huì)在圖像邊緣附近的區(qū)域內(nèi)產(chǎn)生較寬的響應(yīng)，故采用上述算子檢測(cè)的邊緣圖像常需做細(xì)化處理，邊緣定位的精度不是很高;Prewitt算子和Sobel算子效果相對(duì)更好，對(duì)于灰白色圖像，Prewitt算子除了能檢測(cè)出圖像的裂縫信息，還能檢測(cè)出面積較小的砂孔信息，而Sobel算子只能檢測(cè)出面積較大的裂縫信息，對(duì)于砂孔信息則認(rèn)為是噪聲形態(tài)學(xué)處理后就濾除掉了。對(duì)于紅色葉片的雷擊裂縫信息，由于面積比較大，和背景信息的差異也較大，故這兩種方法檢測(cè)效果差不多。

對(duì)更多缺陷樣本進(jìn)行Prewitt和sobel算子測(cè)試，如圖11所示，發(fā)現(xiàn)Prewitt和Sobel算子對(duì)大部分缺陷檢測(cè)效果基本一致，只是在個(gè)別案例中Prewitt會(huì)顯示出檢測(cè)出砂孔缺陷的特點(diǎn)，故系統(tǒng)最終確定使用Prewitt算子作為邊緣檢測(cè)算子完成不同顏色的風(fēng)葉缺陷檢測(cè)任務(wù)。

5? 結(jié)? 論

本文在研究了labview中常用的缺陷檢測(cè)算子基礎(chǔ)上，最終確定了使用Prewitt算子作為本系統(tǒng)邊緣檢測(cè)算子，并對(duì)不同顏色的葉片進(jìn)行特征提取，圖像處理結(jié)果顯示，該方案可以去除葉片顏色的影響，對(duì)缺陷檢測(cè)的精度高達(dá)93%。

參考文獻(xiàn)：

[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] 張建斐.基于機(jī)器視覺的風(fēng)力發(fā)電機(jī)葉片表面缺陷檢測(cè)研究 [D].蘭州：蘭州理工大學(xué)，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.基于無人機(jī)采集圖像的風(fēng)機(jī)葉片多種表面缺陷檢測(cè)研究 [D].北京：北京交通大學(xué)，2020.

[5] 趙慶軍，李莉，姚海龍，等.風(fēng)力發(fā)電機(jī)組風(fēng)機(jī)葉片涂料的研究 [J].現(xiàn)代涂料與涂裝 2011，14（4）：38-40.

[6] 楊林.冷態(tài)熱軋鋼板表面缺陷檢測(cè)系統(tǒng)技術(shù)研究 [D].重慶：重慶大學(xué)，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，陳勇，郭愛平.基于Matlab的幾種常用邊緣檢測(cè)算子的研究 [J].軟件導(dǎo)刊2011，10（8）：47-48.

[9] 張陽(yáng)，劉纏牢，盧偉家，等.基于LOG算子的雙濾波邊緣檢測(cè)算法 [J].電子測(cè)量技術(shù)2019，42（4）：95-98.

[10] 譚艷，王宇俊，李飛龍，等.幾種典型的圖像邊緣檢測(cè)算法的分析比較 [J].電腦知識(shí)與技術(shù) 2012，8（7）：1604-1608.

作者簡(jiǎn)介：嚴(yán)海領(lǐng)（1984.12—）女，漢族，河北保定人，講師，畢業(yè)于天津大學(xué)，碩士研究生，主要研究方向：機(jī)器視覺。

3982500338247