風力發(fā)電機葉片表面損傷圖像識別方法研究分析

寧片

（保定葉豐風電設備有限公司，河北 保定 071051）

風能是一種清潔能源，隨著風電行業(yè)的快速發(fā)展，我國風電裝機容量迅速增長。目前我國已成為世界上風電裝機容量最大的國家，但由于風力發(fā)電在運行過程中經(jīng)常受到風速、風向、環(huán)境溫度等因素的影響，使得風力發(fā)電機組經(jīng)常出現(xiàn)葉片斷裂、螺栓松動等故障。如果這些故障得不到及時處理，將會給電網(wǎng)帶來很大威脅。因此，對風力發(fā)電機葉片表面損傷進行實時、準確識別對保證風力發(fā)電機安全運行具有重要意義。

1 葉片損傷類型

在風力發(fā)電機葉片制造過程中，其表面損傷類型主要有：裂紋、腐蝕、機械損傷以及其他損傷。在風力發(fā)電機葉片制造過程中，裂紋是一種常見的損傷形式，而對于不同種類的損傷，其外觀表現(xiàn)形式也是不同的。

（1）裂紋。由于葉片表面上存在大量的孔洞和縫隙，在風力發(fā)電機運行過程中，這些孔洞和縫隙會產(chǎn)生大量的熱量，而如果這些熱量不能及時散發(fā)出去，就會對葉片表面造成熱應力。如果熱應力超過了葉片材料的屈服極限，就會導致葉片表面裂紋出現(xiàn)。通常情況下，葉片表面裂紋主要是沿平行于葉片方向出現(xiàn)的斜裂紋。而對于垂直于葉片方向出現(xiàn)的斜裂紋，其長度較短，一般為幾毫米。

（2）腐蝕。由于風力發(fā)電機在運行過程中經(jīng)常受到風沙、雨水等環(huán)境因素的影響，使得風力發(fā)電機葉片表面會出現(xiàn)腐蝕現(xiàn)象。腐蝕不僅會導致葉片表面出現(xiàn)孔洞和縫隙，還會使得葉片表面形成一層膠狀保護膜。當風力發(fā)電機工作到一定時間時，這種保護膜會逐漸脫落，從而使得風力發(fā)電機葉片表面出現(xiàn)孔洞和縫隙。因此，腐蝕也是一種常見的損傷類型。這些機械損傷都會在一定程度上對風力發(fā)電機葉片造成破壞。根據(jù)破壞程度的不同可將機械損傷分為機械疲勞、腐蝕、磨損和機械損傷等。

（3）其他損傷。除了以上幾種常見的損傷類型外，風力發(fā)電機葉片還可能受到其他因素造成的損傷。如大氣污染、腐蝕性氣體、紫外線輻射等。在大氣污染方面，由于空氣中含有大量顆粒性污染物、氧氣和水蒸氣等物質(zhì)，這些物質(zhì)會對風電葉片表面造成腐蝕；而對于腐蝕性氣體來說，其主要成分是二氧化硫、二氧化氮、氮氧化物等；紫外線輻射則會導致風電葉片表面出現(xiàn)老化現(xiàn)象，從而影響風電機組運行安全。因此在實際運行過程中，需要對這些外部因素引起的損傷進行及時處理。針對以上問題，本文對目前主流的圖像識別方法進行了總結(jié)和分析。

為了能夠更好地對風力發(fā)電機葉片表面損傷進行識別研究工作提供參考依據(jù)，本文將現(xiàn)有圖像識別方法分為基于深度學習的方法：該方法主要包括卷積神經(jīng)網(wǎng)絡和循環(huán)神經(jīng)網(wǎng)絡兩種模型。

①基于樣本集的方法。該方法主要包括支持向量機、決策樹、樸素貝葉斯以及其他算法。

②基于圖像處理的方法。該方法主要包括灰度變換、圖像分割、邊緣檢測、特征提取等。上述方法各有優(yōu)缺點，針對不同種類的損傷圖像識別研究工作提出了不同的解決方案。在本文中，將對以上幾種類型的圖像識別研究工作進行總結(jié)和歸納。

2 基于圖像處理的葉片損傷識別方法

2.1 基于閾值分割方法

在基于閾值分割方法中，通常是先根據(jù)經(jīng)驗設置一個閾值，當閾值達到或超過時，將圖像中目標物體從背景中分離出來。基于閾值分割方法具有簡單、方便等優(yōu)點，但其受光照、背景等因素影響較大，且對于復雜環(huán)境下的葉片表面損傷識別不夠準確。為提高葉片表面損傷識別精度，將小波變換與自適應閾值分割相結(jié)合，以實現(xiàn)對葉片表面損傷圖像的準確識別。該方法首先利用小波變換對葉片表面損傷圖像進行去噪處理，然后利用自適應閾值分割方法進行損傷區(qū)域提取。實驗結(jié)果表明，該方法不僅能有效去除噪聲，而且對光照變化不敏感。但是，小波變換是一種非平穩(wěn)信號處理技術，其不能有效保留信號中的高頻信息和低頻信息。此外，該方法還存在閾值分割不準確的問題，無法精確定位目標物體所在的區(qū)域。因此，基于小波變換與自適應閾值分割方法相結(jié)合的葉片表面損傷識別方法仍需要進一步研究和改進。

2.2 基于區(qū)域形狀特征的檢測方法

基于區(qū)域形狀特征的檢測方法主要通過對目標物體區(qū)域進行提取，然后根據(jù)像素點灰度分布的差異，實現(xiàn)目標物體的自動識別。該方法需要借助計算機的圖像處理技術，將圖像中目標物體提取出來，并根據(jù)圖像的形狀特征來進行識別。

基于區(qū)域形狀特征的檢測方法是在圖像中將目標物體定位出來，然后再根據(jù)該定位結(jié)果來對葉片損傷進行識別。該方法先將圖像進行灰度化處理，然后利用直方圖均衡化方法對圖像進行增強處理，然后利用基于梯度的濾波算法對圖像進行去噪。最后，將增強后的圖像進行二值化處理，并對二值化后的圖像進行邊緣檢測操作。根據(jù)邊緣檢測結(jié)果，將葉片表面損傷區(qū)域劃分成若干個圓形區(qū)域。若圓形區(qū)域內(nèi)像素點灰度值差別較大，則說明該區(qū)域存在缺陷，如孔洞、裂紋等；若圓形區(qū)域內(nèi)像素點灰度值差別不大，則說明該區(qū)域存在劃痕、腐蝕等缺陷；若圓形區(qū)域內(nèi)像素點灰度值差別不大，則說明該區(qū)域沒有裂紋、孔洞等缺陷。隨后將葉片表面損傷區(qū)域劃分為若干個小圓形區(qū)域，并在每個小圓區(qū)域內(nèi)利用灰度共生矩陣提取紋理特征參數(shù)。通過對紋理特征參數(shù)計算得到的特征向量進行距離變換計算后與其他特征向量相結(jié)合構成特征矩陣，最后利用特征矩陣實現(xiàn)葉片表面損傷識別。該方法通過提取圖像中每個圓形區(qū)域的紋理特征參數(shù)來實現(xiàn)葉片表面損傷識別。該方法需要在圖像中選擇適當?shù)膱A形目標作為對象區(qū)域。另外，該方法需要對提取的圖像進行灰度化處理、邊緣檢測等預處理操作。

2.3 其他方法

基于圖像處理的葉片表面損傷識別方法主要還有基于模糊數(shù)學、神經(jīng)網(wǎng)絡、支持向量機等方法。

（1）模糊數(shù)學是根據(jù)隸屬度函數(shù)對圖像進行模糊處理，而模糊數(shù)學的基本原理是：通過對模糊集合的運算，以達到將模糊信息從“真”轉(zhuǎn)化為“假”的目的?；谏鲜鲈恚：Ｊ阶R別的葉片表面損傷識別方法。該方法先將圖像進行濾波處理，然后運用改進的Otsu算法對圖像進行分割，分割結(jié)果中提取出損傷區(qū)域；最后對損傷區(qū)域進行形態(tài)學處理，得到目標物體。該方法克服了傳統(tǒng)的圖像處理方法無法有效識別損傷區(qū)域的缺點。

（2）神經(jīng)網(wǎng)絡方法是根據(jù)神經(jīng)網(wǎng)絡的原理，將數(shù)據(jù)映射到特定網(wǎng)絡中，并利用網(wǎng)絡內(nèi)部的反饋信息來進行學習和訓練，從而使網(wǎng)絡具有一定學習能力。模糊神經(jīng)網(wǎng)絡的風力發(fā)電機葉片表面損傷識別方法，該方法先對圖像進行灰度化處理，然后運用模糊神經(jīng)網(wǎng)絡對圖像中目標物體進行識別。該方法通過對圖像進行灰度化處理，利用灰度直方圖提取出葉片圖像中的紋理特征；然后運用改進的自適應模糊神經(jīng)網(wǎng)絡對紋理特征進行學習和訓練，從而實現(xiàn)對葉片表面損傷識別。該方法在一定程度上提高了葉片表面損傷識別的準確性。

3 人工神經(jīng)網(wǎng)絡法

3.1 BP神經(jīng)網(wǎng)絡

BP神經(jīng)網(wǎng)絡具有多層結(jié)構，其基本原理是將每一層神經(jīng)元的輸出與其上一層的輸入進行比較，如果誤差小于給定的閾值，則進行下一層的神經(jīng)元訓練，否則，停止訓練。BP網(wǎng)絡包括輸入層、隱含層和輸出層。在該模型中，隱含層是神經(jīng)元輸入到輸出層的媒介，由一個神經(jīng)元組成。一個神經(jīng)元通常由多個輸入單元組成，輸出單元是與隱含單元連接的單個輸出單元。對于每一步訓練，隱含層中的神經(jīng)元根據(jù)期望輸出和誤差函數(shù)進行更新。當誤差函數(shù)為線性函數(shù)時，最大值就是輸出層和隱含層中所有神經(jīng)元的期望輸出值的平均值。如果誤差函數(shù)為非線性函數(shù)時，最大值就是神經(jīng)網(wǎng)絡的期望輸出值，此時，每一步都將調(diào)整隱含層中的神經(jīng)元。

3.2 GRU神經(jīng)網(wǎng)絡

GRU神經(jīng)網(wǎng)絡是一種具有可變結(jié)構的神經(jīng)網(wǎng)絡模型，其目的是將輸入數(shù)據(jù)變換成可以進行分類識別的數(shù)據(jù)，同時也可以將輸出數(shù)據(jù)變換成一個向量。GRU神經(jīng)網(wǎng)絡與其他神經(jīng)網(wǎng)絡不同的是，該模型具有一組固定的前饋神經(jīng)元。這種前向傳播和反向傳播的混合網(wǎng)絡可以使輸入與輸出之間存在一定的映射關系。其中輸入層和輸出層之間采用全連接層，訓練過程中會涉及隱含層和輸出層。GRU神經(jīng)網(wǎng)絡模型主要包括兩部分：前饋神經(jīng)網(wǎng)絡和反向傳播神經(jīng)網(wǎng)絡。前饋神經(jīng)網(wǎng)絡用于連接輸入數(shù)據(jù)與輸出數(shù)據(jù)；反向傳播神經(jīng)網(wǎng)絡用于連接輸入數(shù)據(jù)與輸出數(shù)據(jù)，從而實現(xiàn)對圖像類型的識別。GRU神經(jīng)網(wǎng)絡是一種具有自組織、自適應等特性的非線性動態(tài)系統(tǒng)，該模型具有強大的學習能力，并且可以用來對大量復雜樣本進行分類識別。

4 模糊神經(jīng)網(wǎng)絡法

4.1 葉片圖像預處理

由于風力發(fā)電機葉片表面損傷圖像包含大量的噪聲，導致圖像特征提取困難，因此為了提高葉片表面損傷識別的準確率，對葉片圖像進行預處理是非常必要的。常用的預處理包括濾波、噪聲抑制、分割和邊緣提取等。如采用中值濾波和均值濾波對葉片圖像進行預處理，得到理想的葉片圖像，然后將其與未經(jīng)濾波處理的圖像進行對比分析，從而有效地濾除噪聲。另外，對于裂紋葉片圖像的預處理方法有：使用二值化方法對裂紋葉片圖像進行預處理；使用模糊增強法對裂紋葉片圖像進行預處理；采用直方圖均衡化對裂紋葉片圖像進行預處理；使用線性變換法對裂紋葉片圖像進行預處理。如采用線性變換法對裂紋葉片圖像進行預處理，能夠很好地濾除噪聲和增強目標區(qū)域，從而為后面的特征提取和特征選擇提供了更好的條件。但這種方法會使邊緣模糊，影響后續(xù)特征提取。

4.2 特征提取

特征提取是模式識別的基礎，其提取的特征對分類結(jié)果有很大影響。近年來，許多學者開始將圖像處理與模式識別技術結(jié)合起來，針對不同的應用問題提出了多種不同的圖像特征提取方法。在葉片損傷識別中，基于小波分析的特征提取方法是一種較常用的方法。如劉愛峰等人使用小波分析對風力發(fā)電機葉片圖像進行了噪聲去除和圖像增強，并提出了一種基于小波變換的葉片表面損傷特征提取方法。該方法對葉片表面損傷區(qū)域進行了提取，通過計算不同區(qū)域能量比和熵來提取噪聲去除后的圖像特征。但由于該方法采用小波分析處理，導致對葉片表面損傷區(qū)域和非損傷區(qū)域的區(qū)分能力較差。因此，王福祥等人使用基于SIFT特征提取算法對葉片表面損傷圖像進行了特征提取研究，并提出了一種基于SIFT與BP神經(jīng)網(wǎng)絡相結(jié)合的識別方法，該方法能夠?qū)崿F(xiàn)對葉片表面損傷區(qū)域和非損傷區(qū)域的自動識別。隨著計算機技術和模式識別理論的發(fā)展，基于模式識別技術進行圖像分析成為了研究熱點。如李學武等人使用支持向量機（SVM）對葉片表面裂紋圖像進行了分類研究。他們針對傳統(tǒng)SVM分類器在處理復雜類樣本時準確率不高、泛化能力不強的缺點，提出了一種基于自適應核函數(shù)支持向量機分類器。該方法首先將原始圖像作為輸入進行訓練，然后，使用訓練好的支持向量機對葉片表面裂紋圖像進行分類識別，實驗結(jié)果表明，該方法能夠?qū)崿F(xiàn)對葉片表面裂紋圖像的識別。

5 結(jié)語

綜上所述，隨著風電行業(yè)的快速發(fā)展，風力發(fā)電已經(jīng)成為一種主要的能源來源，在世界范圍內(nèi)都得到了廣泛應用。風力發(fā)電葉片作為風力發(fā)電機的重要部件，其表面損傷對風力發(fā)電機的發(fā)電效率和使用壽命都會產(chǎn)生很大影響。為了提高風力發(fā)電機組的發(fā)電效率和使用壽命，需要對風力發(fā)電機組葉片表面損傷進行實時、準確識別，并根據(jù)識別結(jié)果對葉片表面損傷進行修復或者更換。目前，已經(jīng)有很多學者對此進行了研究，本文通過分析現(xiàn)有的圖像識別方法，總結(jié)出了各自的優(yōu)缺點，為實現(xiàn)葉片表面損傷的自動識別提供了思路，并對實現(xiàn)葉片表面損傷的自動識別具有一定的借鑒意義。