导语
根据相关研究统计，风电叶片表面粗糙程度的增加以及缺陷的积累会致使发电效率降低5%~30%。严重者可导致叶片结构发生断裂。我国海上风能资源丰富，近年海上风电场的增长速度远大于陆地。但海上风电场面临的问题也比较严峻，风沙、雷电等恶劣环境给运行中的风机叶片带来巨大损伤，叶片的检测成为海上叶片作业的一大难题，原始的检测依赖人工完成，检测精度、速度、安全的限制，检测难度危险性较高。 风力发电机作为主要设备，目前普遍存在人工检测工作量大、效率低下、缺陷检测准确率不高等问题。21世纪初，已有学者进行了声发射传感器在风机叶片上的检测与缺陷研究。但只依靠声波、振动信号的分析方法无法在叶片安装后准确断定叶片具体损伤位置及缺陷。此外，虽然无人机有助于快速收集风机叶片等信息，但目前阶段对无人机拍摄都采用手动飞行并拍摄，并对采集到的图片进行目视检查方式进行缺陷的分析，有针对性地基于无人机拍摄具有嘈杂背景下风机叶片图像缺陷特征匹配算法比较缺乏。 本文通过构建人工智能体系，采用无人机搭载云台来采集叶片表面图像，并输送到系统中，对图像进行分类处理和缺陷的特征识别，以提高叶片损伤检测效率，获得叶片质量分析报告，可以精准定位叶片缺陷。自动巡检可以大幅降低人力成本，为风力发电机叶片检修提供便捷方法。 1、图像采集系统与方法 为有效实现叶片缺陷的快速检测，根据风电场实际情况，通过无人机对静止的风力发电机叶片进行拍摄。将拍摄的图片储存并分类，形成缺陷数据库，并将拍摄的损伤叶片图片与缺陷数据库中的信息进行对比，最终实现叶片缺陷的准确检测。本文搭建的风机叶片图像采集与处理系统如图1所示。 图1. 风力发电机叶片图像采集系统 1.1 图像采集系统 图像采集系统主要是由云台相机、无人机和手柄控制设备等装置构成。根据风机叶片的材料、尺寸等，成像设备选用了可见光与红外双云台。相机具备高像素、变焦倍数的特点。拍摄叶片细节时需要高倍数变焦。在成像设备选择上，本系统采用大疆M300无人机完成自主飞行任务，航线自主规划，避免人为操作失误造成无人机损坏，飞行速度最快可达6m/s，抗风能力强，可在7级风及以下平稳飞行，采集图像分辨率为5184x3888，拍摄的照片具备更多细节。无人机与图像采集系统中成像设备如图2所示，采集到的叶片图像如图3所示。 图2. 无人机采集设备 图3. 采集图样 1.2 现场采集系统 在地面站确定位置完成风机塔经纬度及起飞点经纬度，并输入被测风机参数等信息，即可完成巡检任务的启动与拍摄。在地面站开发设计了基于大疆提供的Mobile SDK和Android系统开发的风机叶片巡检软件，可安装在操作手柄上，也可安装在电脑上。从而实现操作人员与无人机的无线通信，并能实时观察叶片信息以及处理。现场采集时，风力发电机为停机（锁车）状态，叶片成倒Y形和正Y形（图4）。 图4. 叶片位置 巡检人员将风机塔基编号输入地面站中，地面站预先配置好风机编号以及叶片相关参数。巡检人员开启无人机。无人机即可启动自动巡检，自动起飞设置好的叶片中心位置高度90m，若无人机高于或低于中心位置，无人机会根据设置的参数得到控制指令，自行移动到发电机中心位置，并按照设置的路线进行巡检。 由无人机的当前经纬度、机舱叶片角度、风机的物理参数，可计算出叶片叶尖的空间位置。图5为风机叶片的倒Y形和正Y形坐标，图6为叶片翘角与偏转角示意。 图5. 坐标设定 图6. 叶片角度示意 式(1)、式(2)分别为倒Y形和正Y形坐标点位置。x、y、z为三维空间坐标，分别对应1~3号叶片坐标。选取风力发电机叶片中心转轴为中心点，L为叶片长度；α为1、2、3号叶片翘角；β为叶片偏转角度。 无人机计算出叶尖的空间位置后，根据无人机拍摄时与叶片间的保持距离，计算得出无人机的航行位置，自动生成巡检路线。从图4可看出，风机的前缘、后缘、叶片迎风面、叶片背风面是主要航线，共30个航点，以确保每个方位都被检测到。 1.3 图像处理系统 图像采集系统完成对风力发电机叶片表面图像采集后，对叶片数据进行损伤筛选，将含有损伤部位的图片进行分类。对所拍摄的损伤部位进行标定、去噪、增强等一系列操作后进行对比，将叶片局部图中的损伤与叶片广角图进行匹配与定位，即可得知叶片具体损伤位置。图像处理系统流程如图7所示。 图7. 图像处理流程
2、叶片缺陷检测
2.1图像预处理 为了增强叶片的可观测性，需要对叶片上不明显的裂纹缺陷进行突出显示，而对不属于损伤的污物要进行削弱显示，并对滤波后的图像进行增强。为将缺陷区域从背景中分离出来，除了图像增强，还要对图像进行阈值分割。由于叶片所处背景复杂，一些分类容易混淆，叶片边缘有可能在处理时被当作损伤特征处理。对图像进行阈值分割处理后，采用特征点匹配，将叶片损伤部位与叶片全景图进行匹配，就可以在叶片上找到缺陷损伤位置。 图像信息在取样、量化等过程中存在有干扰噪声，图片质量会因此降低。尤其是在无人机搭载云台相机时，拍摄过程中难免会存在抖动，因此有必要对叶片图像去除噪声处理。 叶片的噪声主要源于以下因素： ①图像采集均在室外进行，光线不均匀，且风力发电机所在位置通常比较恶劣，光照忽明忽暗； ②风力发电机高度普遍在100m左右，无人机容易受到气流影响而发生抖动。 本文通过研究线性灰度增强与高低帽变换增强，选择合适的增强算法增强图像。 线性灰度增强是将灰度图片看作像素点的集合，由输入像素点的灰度值决定输出像素点的相应灰度值，通过改变原始图像数据的灰度范围而使图像在视觉上得到改善。线性灰度增强是将图像中所有点的灰度按照线性灰度变换函数进行变换。在曝光不足或过度的情况下，图像的灰度可能局限在一个很小的范围内，这时图像就会模糊不清。利用一个线性单值函数对图像内的每一个像素做线性拓展，可以有效改善图像的视觉效果。 式中，f(x,y)变换前的灰度范围是[a,b]，变换后g(x,y)灰度范围拓展或者压缩至[c,b]，通过调整a、b、c、d的值可以控制线性变换函数的斜率，从而达到灰度范围的拓展或压缩。图8b)是采用灰度图像增强的对比图，在图像增强之后，更加突出叶片上的砂眼和裂纹缺陷，但是此算法同时削弱了颜色的对比。 图8. 图像增强 高帽变换是利用原始图像与原始图像开操作的结果进行图像减操作实现的，而低帽变换是通过原始图像闭操作的结果与原始图像进行图像减操作实现的。由图8c)可知，图像增强突出了叶片砂眼、断裂损伤。高帽变换具有高通滤波的特性，适于处理具有暗背景、亮物体特征的图像。低帽变换能够检测图像中的谷值，适于处理具有亮背景、暗物体特征的图像。 2.2 基于模板缺陷检测 对图像中出现的损伤，如裂纹、蒙皮脱落、砂眼等，大多数是在混乱场景下拍摄或读取的。通过局部图片可以获得损伤类型信息，但还需获得损伤位置信息。本文选择SURF特征点。SURF是对SIFT算法的改进，提升了算法的执行效率。SIFT算法特征稳定，对旋转、尺度变换、亮度保持不变性，对视角变换、噪声也有一定的稳定性。 SURF算法过程为：对目标图构建Hessian（黑塞矩阵），生成所有的兴趣点，用于特征的提取。每一个像素点都可以求出一个Hessian矩阵，如式(4)所示，构建尺度空间进行特征点定位与分配，生成特征点描述子，从而得到特征点。 Hessian矩阵的判别式为： 当Hessian矩阵的判别式取得局部极大值时，判定当前点是比周围邻域内其他点更亮或更暗的点，由此来定位关键点的位置。 经过Hessian矩阵处理的每个像素点与二维图像空间和尺度空间邻域内的点进行比较，初步定位出关键点，再经过滤除能量比较弱的关键点以及错误定位的关键点，筛选出最终的稳定的特征点，特征点生成特征向量，建立匹配对。 由于无人机拍摄图片时有局部细节图与广角全景图（图9）。在检测中，筛选损伤后需在全景图中找到损伤位置。SIFT算法得出角点多，但是会出现错误匹配对。因此特征匹配后，叶片信息不可避免会出现错误匹配对（图10）。 图9. 叶片损伤情况 图10. SIFT算法匹配结果 为提升匹配的准确率，剔除错误的特征对，SURF通过计算两个特征点间的欧式距离来确定匹配度，距离越短、匹配度越好。SURF加入Hessian矩阵迹的判断后，当两个特征点的矩阵迹正负号相同时，这两个特征具有相同方向上的对比度变化，不同则说明这两个特征点的对比度变化方向是相反的，即使欧氏距离为0，直接予以排除特征向量。采用SURF算法匹配的结果如图11所示。 图11. SURF算法匹配结果 通过实验可知，SURF算法通过对SIFT算法的改进，大量、合理地使用积分图像降低运输量。Hessian矩阵行列式检测目前也是成熟有效的手段。在计算效率方面，SURF运行速度约为SIFT的3倍；在质量方面，SURF的鲁棒性很好，特征点识别率较SIFT高。因此可以通过特征点匹配，在图片中找到损伤部位并通过算法自行标注出结果，得出的最终检测结果如图12所示。 图12. 最终检测结果
3、实验验证与分析
为验证本文缺陷检测定位的准确性有效性，对图片进行增强，使其损伤区域更加突出，设置多组实验进行验证。分别有蒙皮损伤、断裂损伤、污染问题，然后使用SURF特征点算法筛出有效匹配点对，将局部缺陷定位在叶片全景图中，最后通过匹配对获取目标物的多边形框。 所有实验程序都是有MATLAB R2019b软件编译，运行在配置为Intel i7 2.3 GHz处理器和16G运行内存计算机，通过大疆M300拍摄，图像尺寸为2916x5184分辨率。 表1为图13中两种增强算法对比，通过图13的5组图像对比分析可得：线性灰度增强算法效果较好，但是在缺陷不明显时增强效果不佳，容易曝光，采用高低帽变换增强，不会改变图像颜色，在不灰度化处理情况下也可以很好的凸显损伤。 从表1可以看出，高低帽算法具有最短的时间消耗，两种算法时间都较快，线性算法稍慢于高低帽算法。 图13. 图像增强算法对比 表1. 不同算法图像的计算效率 为验证以上，选取了60个含有表面损伤的叶片进行检测匹配，检测结果如表2所示。 表2. 叶片表面检测缺陷结果 由表2可知，检测断裂型和蒙皮脱落缺陷的效果良好，准确率比污染缺陷的识别准确率高。这是因为前两种缺陷面积和损伤特征点较明确，但总体准确率达到90%，可以满足实际需求。检测测试结果如图14所示。 图14. 检测结果 结语 利用无人机对风力发电机叶片进行采集图像，并根据风机参数设置形成一套完整的自动巡检体系。然后使用图像增强技术、SURF特征检测算法，有效增强图片中损伤位置的显示效果。最后使用SURF特征进行特征点匹配算法，实现混乱场景下的目标图像检测，准确率达90%，相对传统的检测手段和其他检测算法具有较高的实用性，为风力发电机叶片的损伤定位检测提供了新的途径。 来源：《设备管理与维修》》（作者：李哲；李雨欣；董秀芬；汤鹏；史凯特；秦晓科；刘毅；马鹏阁）
