基于圖像處理的風(fēng)電葉片損傷識(shí)別定位系統(tǒng)

摘 要：設(shè)計(jì)一套基于圖像處理的風(fēng)電葉片損傷識(shí)別定位系統(tǒng)。首先，耦合圖像濾波、分割和形態(tài)學(xué)處理等圖像處理算法實(shí)現(xiàn)損傷區(qū)域的檢測(cè)識(shí)別；然后，基于多邊形擬合結(jié)果，結(jié)合質(zhì)心定位算法和外接矩形的位置坐標(biāo)實(shí)現(xiàn)葉片損傷的精確定位；最后，依據(jù)提取到的基礎(chǔ)幾何特征、形狀因子和長(zhǎng)短徑之比等圖像特征實(shí)現(xiàn)葉片損傷類(lèi)型的準(zhǔn)確判斷；通過(guò)對(duì)比不同光照條件下的葉片損傷檢測(cè)效果，驗(yàn)證了本系統(tǒng)具有一定的自適應(yīng)能力。試驗(yàn)表明，本系統(tǒng)的平均檢測(cè)準(zhǔn)確率為90%，具備一定的可靠性和穩(wěn)定性。

關(guān)鍵詞：風(fēng)電葉片；圖像處理；損傷檢測(cè)；識(shí)別定位系統(tǒng)

中圖分類(lèi)號(hào)：TK83" " " " " " " " " " 文獻(xiàn)標(biāo)志碼：A

DOI：10.19912/j.0254-0096.tynxb.2023-0639

文章編號(hào)：0254-0096（2024）08-0565-07

1. 河海大學(xué)能源與電氣學(xué)院，南京 211100；

2. 河海大學(xué)可再生能源發(fā)電技術(shù)教育部工程研究中心，南京 211100；

3. 河海大學(xué)江蘇省輸配電裝備技術(shù)重點(diǎn)實(shí)驗(yàn)室，常州 213000；

4. 河海大學(xué)蘇州研究院，蘇州 215100

0 引 言

在碳達(dá)峰、碳中和目標(biāo)的指引下，中國(guó)風(fēng)電機(jī)組單機(jī)容量和風(fēng)輪直徑不斷取得突破。風(fēng)電葉片在風(fēng)力發(fā)電的過(guò)程中扮演著重要的角色［1］，其高效、穩(wěn)定的運(yùn)轉(zhuǎn)性能是實(shí)現(xiàn)風(fēng)電機(jī)組高效發(fā)電的重要支撐。然而，由于風(fēng)電葉片加工、運(yùn)輸、安裝和作業(yè)環(huán)境的復(fù)雜性［2］，風(fēng)電葉片表面損傷的產(chǎn)生在所難免，若這些損傷不能被及時(shí)修復(fù)將對(duì)風(fēng)電機(jī)組的安全性和發(fā)電效率帶來(lái)一定的負(fù)面影響［3］，這也就凸顯了對(duì)風(fēng)電葉片進(jìn)行損傷檢測(cè)的重要性和必要性［4］。

傳統(tǒng)的葉片損傷檢測(cè)多采用人工目測(cè)的方式［5］，主要包括葉片維修平臺(tái)檢查、繩索垂降檢查以及高倍望遠(yuǎn)鏡檢查，存在效率低、成本高、作業(yè)強(qiáng)度大等缺點(diǎn)。現(xiàn)有的葉片損傷檢測(cè)技術(shù)大多數(shù)是基于傳感器實(shí)現(xiàn)的，主要包括超聲波探傷檢測(cè)［6］、聲發(fā)射信號(hào)檢測(cè)［7］、振動(dòng)信號(hào)檢測(cè)［8］、光纖傳感檢測(cè)［9］等，這些方法均在一定程度上針對(duì)葉片損傷檢測(cè)方面取得一定的效果，然而，存在著傳感器安裝和維護(hù)成本較高、對(duì)環(huán)境條件十分敏感、數(shù)據(jù)處理分析過(guò)程復(fù)雜等不同程度的問(wèn)題。伴隨著無(wú)人機(jī)和計(jì)算機(jī)視覺(jué)技術(shù)不斷的更新發(fā)展［10-11］，利用無(wú)人機(jī)進(jìn)行風(fēng)場(chǎng)葉片故障檢測(cè)，是目前風(fēng)電葉片巡檢技術(shù)研究的一個(gè)關(guān)注方向，且這個(gè)領(lǐng)域?qū)D像識(shí)別處理技術(shù)的要求和需求十分迫切。

因此，本文以巡檢無(wú)人機(jī)采集的葉片圖像作為研究對(duì)象，針對(duì)砂眼、裂紋、涂層破損等損傷類(lèi)型，完成對(duì)風(fēng)電葉片損傷識(shí)別定位系統(tǒng)的設(shè)計(jì)。耦合圖像處理算法實(shí)現(xiàn)對(duì)葉片損傷區(qū)域的有效識(shí)別，結(jié)合質(zhì)心定位算法和外接矩形的位置坐標(biāo)實(shí)現(xiàn)對(duì)葉片損傷的準(zhǔn)確定位，依據(jù)提取到的圖像特征實(shí)現(xiàn)對(duì)葉片損傷類(lèi)型的判斷；并通過(guò)對(duì)不同光照條件下所采集的葉片圖像進(jìn)行對(duì)比測(cè)試以及葉片樣本試驗(yàn)，驗(yàn)證所設(shè)計(jì)風(fēng)電葉片損傷識(shí)別定位系統(tǒng)對(duì)于光照不均的抗干擾能力、可靠性和穩(wěn)定性。風(fēng)電葉片損傷識(shí)別定位系統(tǒng)的設(shè)計(jì)以期為風(fēng)電葉片更大規(guī)模的設(shè)計(jì)、制造和高效穩(wěn)定利用做好準(zhǔn)備。

1 葉片損傷區(qū)域識(shí)別

1.1 圖像濾波處理

風(fēng)電葉片圖像在獲取和傳輸?shù)倪^(guò)程中，會(huì)因?yàn)橹T多因素干擾從而產(chǎn)生噪聲，而噪聲的存在對(duì)于圖像的細(xì)節(jié)特征會(huì)有一定的不利影響。其中，椒鹽噪聲又稱(chēng)作脈沖噪聲，是數(shù)字圖像中的一種典型噪聲，為了更好地去除椒鹽噪聲，避免圖像細(xì)節(jié)的模糊，本文選擇中值濾波方法完成圖像的濾波去噪處理，圖像濾波結(jié)果如圖1所示（為了與文獻(xiàn)［12］中所提識(shí)別算法形成對(duì)比，特以圖1a葉片涂層破損損傷圖像作為本文算法的輸入圖像）。

1.2 圖像分割處理

為了盡可能將葉片損傷區(qū)域從背景圖像中分離出來(lái)，還需對(duì)濾波去噪后的圖像進(jìn)行分割處理，圖像分割效果的好壞對(duì)葉片損傷區(qū)域的準(zhǔn)確提取有著直接影響。本文對(duì)比了漫水填充法、Mean-Shift算法和K-均值算法3種常見(jiàn)的圖像分割算法，又因?yàn)镵-均值算法性能的好壞與聚類(lèi)數(shù)目K的選取有著直接關(guān)系，所以還對(duì)比了不同聚類(lèi)數(shù)目K取值下的K-均值算法，以獲取最佳聚類(lèi)數(shù)目K，實(shí)現(xiàn)最佳圖像分割。

通過(guò)對(duì)比可看出，漫水填充法所得效果圖（圖2a）中顏色種類(lèi)較多，且葉片損傷區(qū)域顏色填充不完整；Mean-Shift法所得效果圖（圖2b）中雖然葉片損傷區(qū)域得到凸顯，但葉片圖像邊緣信息減少對(duì)于處理葉片邊緣處有損傷的樣本圖像不夠友好；K-均值算法所得效果圖（圖2c～圖2f）中，當(dāng)聚類(lèi)數(shù)目K取值為3時(shí)，能識(shí)別出較大面積的損傷區(qū)域，圖像分割效果相對(duì)而言較好，且該聚類(lèi)數(shù)量的確定也符合實(shí)際經(jīng)驗(yàn)，即天空背景、葉片主體區(qū)域和葉片損傷區(qū)域3種不同區(qū)域的背景顏色不同。通過(guò)圖2d可看出，葉片損傷區(qū)域與天空背景、葉片主體區(qū)域的顏色邊界劃分十分明顯，而如何將葉片損傷區(qū)域從背景圖像中單獨(dú)提取出來(lái)是接下來(lái)的研究?jī)?nèi)容。

大津（OTSU）法是圖像閾值分割中應(yīng)用較為普遍的算法。為將葉片損傷區(qū)域與背景圖像分離，實(shí)現(xiàn)圖像二值化，本文首先統(tǒng)計(jì)了K-均值法效果圖中各顏色像素的總量，然后保留了像素總量最小的區(qū)域并將剩余區(qū)域歸為圖像背景，最后將其作為大津法的輸入圖像，從而實(shí)現(xiàn)目標(biāo)區(qū)域與背景圖像的有效分離，OTSU閾值分割結(jié)果如圖3所示。

1.3 形態(tài)學(xué)處理

經(jīng)過(guò)圖像分割處理后，分割圖像中或多或少存在一些雜點(diǎn)以及相近連通域分離的問(wèn)題，如圖4a所示，這些因素的存在會(huì)在一定程度上影響損傷區(qū)域的準(zhǔn)確提取。針對(duì)上述情況決定采用形態(tài)學(xué)閉運(yùn)算處理，以連接鄰近的連通域、平滑損傷輪廓，同時(shí)設(shè)置最小連通域面積閾值，以巧妙去除不相干的結(jié)構(gòu)，保持損傷區(qū)域基本形狀特性。形態(tài)學(xué)閉運(yùn)算處理結(jié)果如圖4b所示，閉運(yùn)算的定義式為［13］：

[A·B=（A⊕B）ΘB] （1）

式中：[A]——待處理的目標(biāo)圖像；[B]——用以進(jìn)行運(yùn)算的結(jié)構(gòu)元素；·——閉運(yùn)算符號(hào)；[⊕]——膨脹運(yùn)算的符號(hào)；[Θ]——腐蝕運(yùn)算的符號(hào)。

為了更好地將本文所設(shè)計(jì)的檢測(cè)識(shí)別算法與文獻(xiàn)［12］中所運(yùn)用的算法形成對(duì)比，特將形態(tài)學(xué)閉運(yùn)算處理效果圖（圖4b）和文獻(xiàn)［12］中的原始圖像（圖1a）這兩幅圖像的像素進(jìn)行了邏輯“或”運(yùn)算，結(jié)果如圖5a所示，文獻(xiàn)［12］中的預(yù)處理結(jié)果如圖5b所示。通過(guò)對(duì)比可看出，本文算法完成了對(duì)不規(guī)則葉片損傷區(qū)域的提取工作，葉片損傷邊緣提取效果更加清晰、準(zhǔn)確，分割精度更高。

2 葉片損傷區(qū)域定位

本文在形態(tài)學(xué)處理結(jié)果的基礎(chǔ)上對(duì)葉片損傷區(qū)域進(jìn)行了輪廓檢測(cè)，并對(duì)每個(gè)葉片損傷區(qū)域進(jìn)行多邊形擬合，以得到最佳的逼近多邊形，并在此基礎(chǔ)上計(jì)算出損傷區(qū)域的質(zhì)心坐標(biāo)來(lái)初步標(biāo)定葉片損傷區(qū)域。多邊形擬合結(jié)果如圖6a所示。

圖像空間矩的計(jì)算公式為［14］：

[mji=x，yI（x，y）xjyi] （2）

式中：[I（x，y）]——像素[（x，y）]處的像素值；[m00]稱(chēng)為零階矩、[m01]和[m10]稱(chēng)為一階矩。

根據(jù)圖像空間矩的計(jì)算公式計(jì)算出[m00]、[m01]和[m10]，并將其帶入圖像質(zhì)心的計(jì)算公式中，則可求取葉片損傷區(qū)域的質(zhì)心坐標(biāo)。質(zhì)心的計(jì)算式為［14］：

[xc=m10m00yc=m01m00] （3）

式中：[xc]和[yc]——圖像質(zhì)心的橫、縱坐標(biāo)。

為進(jìn)一步實(shí)現(xiàn)葉片損傷區(qū)域的準(zhǔn)確定位，計(jì)算獲取了葉片損傷區(qū)域的連通域?qū)傩?，并依?jù)所提取到的坐標(biāo)信息在葉片圖像上繪制了葉片損傷輪廓的最小外接矩形（最小外接矩形的頂點(diǎn)分別為a、b、c、d點(diǎn)），同時(shí)將位置坐標(biāo)信息打印于圖像上，從而準(zhǔn)確地實(shí)現(xiàn)了葉片損傷區(qū)域的框取、定位。葉片損傷區(qū)域的框取結(jié)果如圖6b所示。

3 葉片損傷類(lèi)型判斷

在準(zhǔn)確實(shí)現(xiàn)葉片損傷區(qū)域的識(shí)別與定位后，為進(jìn)一步實(shí)現(xiàn)損傷類(lèi)型判斷，特選取損傷區(qū)域的基礎(chǔ)幾何特征、形狀因子以及長(zhǎng)短徑之比等圖像特征進(jìn)行定性定量描述。

3.1 基礎(chǔ)幾何特征

基礎(chǔ)幾何特征包括長(zhǎng)度[L]、寬度[W]、周長(zhǎng)[C]、面積[S]和最小外接矩形面積[A]1，基礎(chǔ)幾何特征如圖7所示。其中，最小外接矩形即包圍葉片損傷區(qū)域且面積最小的矩形，4個(gè)頂點(diǎn)分別為a、b、c、d點(diǎn)。長(zhǎng)度[L]由最小外接矩形的長(zhǎng)邊表示，即b、c兩點(diǎn)之間的長(zhǎng)度；寬度[W]由最小外接矩形的短邊表示，即a、b兩點(diǎn)之間的長(zhǎng)度；周長(zhǎng)[C]由損傷區(qū)域邊界上任意兩個(gè)相鄰像素的連線(xiàn)長(zhǎng)度的總和表示；面積[S]由損傷區(qū)域所含像素?cái)?shù)量總和表示；最小外接矩形面積[A]1由長(zhǎng)度[L]和寬度[W]的乘積表示。

3.2 形狀因子[F]

由于損傷輪廓會(huì)呈現(xiàn)出細(xì)長(zhǎng)矩形、圓形、正方形以及其他不規(guī)則形狀，所以引入形狀因子[F]來(lái)描述損傷輪廓的形狀特性。形狀因子的大小由周長(zhǎng)[C]和面積[S]共同決定，其定義式為［15］：

[F=C24πS] （4）

3.3 長(zhǎng)短徑之比[R]

長(zhǎng)短徑之比[R]由長(zhǎng)度[L]和寬度[W]的比值表示，比值越大則損傷區(qū)域輪廓越逼近于線(xiàn)狀，反之則逼近于方形，其定義式為［15］：

[R=LW] （5）

依據(jù)上文對(duì)于基礎(chǔ)幾何特征、形狀因子[F]和長(zhǎng)短徑之比[R]的描述，將采用以下步驟展開(kāi)對(duì)葉片裂紋、砂眼和涂層破損的分類(lèi)。1）首先計(jì)算所識(shí)別圖像中連通域的面積[S]，若連通域面積[S]在一定的閾值區(qū)間內(nèi)則將該圖像視為無(wú)損傷，否則將繼續(xù)進(jìn)行下一步驟；2）對(duì)比損傷圖像中各連通域面積，并獲取計(jì)算最大連通域面積所對(duì)應(yīng)的基礎(chǔ)幾何特征、形狀因子以及長(zhǎng)短徑之比等特征信息；3）針對(duì)連通域輪廓的形狀因子[F]，若小于既定閾值則將該損傷視為砂眼損傷，否則將繼續(xù)進(jìn)行下一步驟；4）對(duì)于連通域的長(zhǎng)短徑之比[R]，若大于既定閾值則將該損傷視為裂紋損傷，反之則將其視為涂層破損損傷。運(yùn)用上述算法對(duì)砂眼、裂紋和涂層破損3種表面損傷的檢測(cè)結(jié)果如圖8所示，通過(guò)結(jié)果可看出，準(zhǔn)確框取了葉片損傷區(qū)域并將位置坐標(biāo)信息和損傷類(lèi)型輸出于葉片圖像之上，實(shí)現(xiàn)了葉片損傷的準(zhǔn)確識(shí)別、定位以及類(lèi)型判斷。

4 風(fēng)電葉片損傷識(shí)別定位系統(tǒng)

為了更加貼近風(fēng)場(chǎng)用戶(hù)的實(shí)際需求，本文設(shè)計(jì)并開(kāi)發(fā)風(fēng)電葉片損傷識(shí)別定位系統(tǒng)，融合了葉片損傷識(shí)別、定位與類(lèi)型判斷3個(gè)環(huán)節(jié)，以實(shí)現(xiàn)葉片損傷檢測(cè)的數(shù)字化、便捷化、高效化。風(fēng)電機(jī)組葉片損傷識(shí)別定位系統(tǒng)重點(diǎn)突破實(shí)現(xiàn)了圖像特征參數(shù)提取、葉片損傷類(lèi)型判斷、檢測(cè)效果圖的可視化展示及保存、檢測(cè)報(bào)告自動(dòng)生成等功能；并融入人機(jī)交互設(shè)計(jì)思想，針對(duì)軟件操作過(guò)程中可能存在的誤操作、漏操作設(shè)置了一定的彈出提示框，以增強(qiáng)用戶(hù)體驗(yàn)感，系統(tǒng)主界面如圖9所示。

為驗(yàn)證風(fēng)電葉片損傷識(shí)別定位系統(tǒng)對(duì)于不同光照條件的抗干擾性，分別對(duì)黑暗、常光和強(qiáng)光環(huán)境下的葉片損傷圖像進(jìn)行試驗(yàn)，并繪制不同光照條件下葉片圖像的灰度圖，如圖10所示。

通過(guò)圖像的灰度直方圖（圖10b、圖10e、圖10h）可明顯看出光照對(duì)于葉片圖像具有一定的影響，即隨著光照強(qiáng)度的增加，葉片圖像中的灰度級(jí)增多且整體分布趨右，但整體分布情況相似，均呈現(xiàn)兩個(gè)波峰和一個(gè)波谷的情形，符合原始葉片圖像的灰度值分布特點(diǎn)。通過(guò)損傷區(qū)域框取結(jié)果（圖10c、圖10f、圖10i）可看出，風(fēng)電葉片損傷識(shí)別定位系統(tǒng)準(zhǔn)確實(shí)現(xiàn)了葉片損傷的識(shí)別、定位與類(lèi)型判斷。雖然定位頂點(diǎn)坐標(biāo)存在細(xì)微的差異，但該差異在誤差允許范圍內(nèi)，驗(yàn)證了所設(shè)計(jì)識(shí)別定位系統(tǒng)具有自適應(yīng)的特點(diǎn)，能夠滿(mǎn)足不同光照條件下對(duì)葉片損傷的識(shí)別定位需求。

為驗(yàn)證風(fēng)電葉片損傷識(shí)別定位系統(tǒng)對(duì)于葉片損傷的檢測(cè)效果及穩(wěn)定性，特利用智能無(wú)人機(jī)巡檢平臺(tái)在同一拍攝距離下按照既定巡檢路線(xiàn)，在江蘇某陸上風(fēng)電場(chǎng)進(jìn)行樣本采集工作，并選取含有裂紋、砂眼以及涂層破損損傷的葉片圖像各30個(gè)進(jìn)行試驗(yàn)，檢測(cè)統(tǒng)計(jì)結(jié)果如表1所示。由表1可知，所設(shè)計(jì)風(fēng)電葉片損傷識(shí)別定位系統(tǒng)能達(dá)到較好的檢測(cè)效果，平均檢測(cè)準(zhǔn)確率為90%，具有一定的穩(wěn)定性和可靠性。

5 結(jié) 論

為迎合葉片巡檢智能化發(fā)展的趨勢(shì)，設(shè)計(jì)了風(fēng)電葉片損傷識(shí)別定位系統(tǒng)，實(shí)現(xiàn)了葉片損傷的準(zhǔn)確識(shí)別、定位以及類(lèi)型判斷，得到以下主要結(jié)論：

1） 通過(guò)對(duì)比漫水填充法、Mean-Shift法和K-均值法等圖像分割方法的分割效果圖發(fā)現(xiàn)，當(dāng)聚類(lèi)數(shù)目K為3時(shí)，K-均值算法較其他分割方法在區(qū)域邊界劃分和分割精度方面具有明顯優(yōu)勢(shì)；且本文所設(shè)計(jì)識(shí)別算法較文獻(xiàn)［12］中所提算法而言，葉片損傷邊緣提取效果更加清晰、準(zhǔn)確，分割精度更高。

2） 基于多邊形擬合結(jié)果，結(jié)合質(zhì)心定位算法和最小外接矩形的位置坐標(biāo)信息，準(zhǔn)確實(shí)現(xiàn)了葉片損傷區(qū)域的框取、定位；基于提取到的基礎(chǔ)幾何特征、形狀因子和長(zhǎng)短徑之比等圖像特征，實(shí)現(xiàn)了葉片損傷類(lèi)型的準(zhǔn)確判斷。

3） 通過(guò)對(duì)不同光照條件下采集的葉片圖像進(jìn)行試驗(yàn)，驗(yàn)證了所設(shè)計(jì)風(fēng)電葉片損傷識(shí)別定位系統(tǒng)對(duì)于光照不均的抗干擾能力；通過(guò)葉片樣本試驗(yàn)，驗(yàn)證了所設(shè)計(jì)風(fēng)電機(jī)組葉片損傷識(shí)別定位系統(tǒng)的可靠性和穩(wěn)定性，平均檢測(cè)準(zhǔn)確率為90%。

本文對(duì)風(fēng)電葉片損傷的識(shí)別、定位與類(lèi)型判斷進(jìn)行了研究，在未來(lái)會(huì)進(jìn)一步研究如何實(shí)現(xiàn)葉片圖像的整體拼接，從而實(shí)現(xiàn)葉片損傷的全局定位，更好地助力于風(fēng)電葉片智能化、數(shù)字化運(yùn)維。

［參考文獻(xiàn)］

［1］ DU Y， ZHOU S X， JING X J， et al. Damage detection techniques" "for" "wind" " turbine" " blades：" " a" " review［J］. Mechanical systems and signal processing， 2020， 141： 106445.

［2］ SONG X W， XING Z T， JIA Y， et al. Review on the damage and fault diagnosis of wind turbine blades in the germination stage［J］. Energies， 2022， 15（20）： 7492.

［3］ KRAUSE T， OSTERMANN J. Damage detection for wind turbine rotor blades using airborne sound［J］. Structural control and health monitoring， 2020， 27（5）： e2520.

［4］ PENG Y P， WANG W J， TANG Z， et al. Non-uniform illumination image enhancement for surface damage detection of wind turbine blades［J］. Mechanical systems and signal processing， 2022， 170： 108797.

［5］ DENG L W， GUO Y G， CHAI B R. Defect detection on a wind turbine blade based on digital image processing［J］. Processes， 2021， 9（8）： 1452.

［6］ TIWARI K A， RAISUTIS R. Post-processing of ultrasonic signals for the analysis of defects in wind turbine blade using guided waves［J］. The journal of strain analysis for engineering design， 2018， 53（8）： 546-555.

［7］ TANG J L， SOUA S， MARES C， et al. An experimental study of acoustic emission methodology for in service condition monitoring of wind turbine blades［J］. Renewable energy， 2016， 99： 170-179.

［8］ 劉欽東， 羅勇水， 張軍華， 等. 基于WPT-SVD-KELM的大型風(fēng)力機(jī)葉片表面裂紋識(shí)別方法研究［J］. 太陽(yáng)能學(xué)報(bào)， 2023， 44（3）： 155-161.

LIU Q D， LUO Y S， ZHANG J H， et al. Research on surface crack identification method of large wind turbine blade based on WPT-SVD-KELM［J］. Acta energiae solaris sinica， 2023， 44（3）： 155-161.

［9］ 李密密， 戴巨川， 陳換過(guò)， 等. 基于光纖傳感的風(fēng)電機(jī)組葉片應(yīng)變傳遞特性研究［J］. 太陽(yáng)能學(xué)報(bào)， 2022， 43（7）： 375-384.

LI M M， DAI J C， CHEN H G， et al. Research on strain sensing transmission characteristics of wind turbine blades based on optical fiber sensing［J］. Acta energiae solaris sinica， 2022， 43（7）： 375-384.

［10］ LI W R， ZHAO W H， GU J Z， et al. Dynamic characteristics monitoring of large wind turbine blades based on target-free DSST vision algorithm and UAV［J］. Remote sensing， 2022， 14（13）： 3113.

［11］ YANG X Y， ZHANG Y F， LV W， et al. Image recognition of wind turbine blade damage based on a deep learning model with transfer learning and an ensemble learning classifier［J］. Renewable energy， 2021， 163： 386-397.

［12］ 潘杰. 基于圖像識(shí)別技術(shù)的風(fēng)力機(jī)葉片損傷檢測(cè)方法研究［D］. 鎮(zhèn)江： 江蘇大學(xué)， 2021.

PAN J. Research on wind turbine blade damage detection method" " based" " on" "image" "recognition" "technology［D］. Zhenjiang： Jiangsu University， 2021.

［13］ DE NATALE F G B， BOATO G. Detecting morphological filtering of binary images［J］. IEEE transactions on information forensics and security， 2017， 12（5）： 1207-1217.

［14］ 楊鵬. 基于無(wú)人機(jī)圖像采集和改進(jìn)深度殘差網(wǎng)絡(luò)分類(lèi)算法的風(fēng)機(jī)葉片表面缺陷檢測(cè)系統(tǒng)研究［D］. 呼和浩特： 內(nèi)蒙古工業(yè)大學(xué)， 2021.

YANG P. The research on a detection system for wind turbine blade surface defects based on uav image acquisition and an improved depth residual network classification" " algorithm［D］." "Hohhot：" "Inner" " Mongolia University of Technology， 2021.

［15］ 云賽. 基于圖像處理的風(fēng)力發(fā)電機(jī)葉片表面缺陷檢測(cè)技術(shù)研究［D］. 天津： 天津理工大學(xué)， 2019.

YUN S. Research on surface defect detection technology of wind turbine blade based on image processing［D］. Tianjin： Tianjin University of Technology， 2019.

DAMAGE IDENTIFICATION AND POSITIONING SYSTEM OF

WIND TURBINE BLADES BASED ON

IMAGE PROCESSING

Shi Teng1-3，Xu Bofeng1-4，Wang Yazhou4，Zhang Jinbo3，Zhao Zhenzhou1，2，Cai Xin4

（1. College of Energy and Electrical Engineering， Hohai University， Nanjing 211100， China；

2. Research Center for Renewable Energy Generation Engineering of Ministry of Education， Hohai University， Nanjing 211100， China；

3. Jiangsu Key Laboratory of Power Transmission amp; Distribution Equipment Technology， Hohai University， Changzhou 213000， China；

4. Suzhou Research Institute of Hohai University， Suzhou 215100， China）

Abstract：This paper presents a novel approach to the intelligent diagnosis of wind turbine blade damages， employing an image processing-based identification and positioning system. The system firstly utilises a combination of image processing algorithms， including image filtering， segmentation， and morphological processing， to detect and recognize damaged areas. The precise location of blade damage is determined through the integration of polygon fitting results， a centroid positioning algorithm， and the coordinates of the outer rectangle. Furthermore， the system accurately identifies the type of blade damage by extracting and analysing basic geometric features， shape factors， and the ratio of the long diameter to the short diameter. Comparative analysis of blade damage detection under varying lighting conditions confirms the system’s adaptive capabilities. Testing results shows that the average detection accuracy of this system is 90%， which has certain reliability and stability.

Keywords：wind turbine blades； image processing； damage detection； identification and positioning system