引言
随着风电机组的服役时间逐渐增加，叶片表面会出现不同类型的缺陷，如裂纹、划痕、腐蚀、脱漆等，这些缺陷不仅影响风电机组的运行性能，还可能导致设备故障，进而带来经济损失和安全隐患。传统的叶片缺陷检测方法通常依赖人工检查，效率低且容易受到人为因素的干扰，尤其是在高空或复杂环境下，人工检查更是面临着巨大的挑战。因此，开发一种高效、精准的风电机组叶片损伤自动检测与识别方法显得尤为关键。本文提出了一种基于Cascade R-CNN的风电叶片表面缺陷检测方法。
01 思路和方法
随着计算机视觉和深度学习技术的不断进步，基于目标检测算法的自动化缺陷检测方法为风电叶片表面缺陷的识别提供了新的解决方案。
文献：曲忠侃,李学峰,李凤俊,等. 基于Faster R-CNN的风机叶片缺陷图像多点检测系统设计[J]. 电子设计工程,2021,29(4):57-61. 针对现有风电叶片检查方法存在的经济成本高、检查效率低以及高空坠落等安全隐患问题，基于深度学习理论，提出了一种基于Faster R-CNN的胶衣脱落缺陷图像多点检测系统设计方案。 该方法可提高风电叶片胶衣检测的精度，但对叶片其他类型缺陷识别并未说明。 文献：张超,文传博. 基于改进Mask R-CNN的风机叶片缺陷检测[J]. 可再生能源,2020,38(9):1181-1186. 基于改进的Mask R-CNN模型提出了一种风机叶片缺陷检测方法。 该方法不仅实现了缺陷目标的检测和实例分割，而且在保证高精度检测的同时显著提升了检测速度，但仅在特定数据集上表现良好，对模型在不同环境条件（如不同的光照、天气、叶片角度等）下的泛化能力缺乏评估。 文献：石腾,许波峰,陈鹏,等. 基于机器视觉的风电机组叶片多类型损伤检测方法研究[J]. 太阳能学报,2024,45 ( 6):487-494 基于机器视觉技术，提出了一种用于风电机组叶片的多种缺陷类型检测方法。 试验结果表明，该方法对表皮脱落、涂层破损、砂眼、油污和裂纹等典型叶片损伤的平均检测准确率达到了90%以上。
本文将重点关注叶片图像采集、处理及缺陷检测，采用先进的Cascade R-CNN目标检测模型，提升对各类损伤的识别精度和准确率，为风电场的运维管理提供更为精准和可靠的技术支持。
02 相关技术介绍
2.1 Cascade R-CNN算法 Cascade R-CNN是一种用于目标检测的深度学习算法，它在传统的区域卷积神经网络（R-CNN）基础上进行了改进，特别是在检测精度方面进行了优化。其核心思想是通过级联的方式，逐步提高检测精度。 Cascade R-CNN与传统的目标检测算法不同，不是一次性生成最终的检测结果，而是通过多个级别的检测器对候选区域进行逐步筛选和精细化，最终得到更高精度的检测结果。 Cascade R-CNN结构如图1所示。该模型主要包括特征提取网络（Backbone）、区域生成网络（RPN）、特征金字塔网络（FPN）、感兴趣区域池化（RoI Pooling）和级联检测器。 图1. Cascade R-CNN结构图
Cascade R-CNN在检测过程中，首先通过Backbone对输入图像进行特征提取，得到特征图。 然后，使用FPN对特征图进行多尺度的融合处理，从深层到浅层逐步整合不同尺度的信息。 其次，将融合后的特征图传递至区域生成网络RPN，以生成可能包含目标的候选区域。 最后，这些候选区域会通过级联的检测器进行进一步分类和回归优化，从而最终实现目标的检测。
2.2 特征增强与多尺度特征融合 虽然Cascade R-CNN已经在目标检测中取得了显著地进展，特别是在处理难以检测的目标时，仍然有一些提升手段可以进一步增强其性能。首先，叶片损伤的种类繁多，其中小裂缝损伤尤为常见。传统的深层卷积神经网络对小目标的检测能力较弱，导致小型损伤的识别难度加大。本研究为了解决这一问题，将特征增强与多尺度特征融合融入模型，不仅增强了模型对不同尺度和复杂特征的敏感度，还有效提升了网络对小目标的检测能力。 特征增强与多尺度特征融合是提升目标检测模型性能的关键技术之一，它们能有效提高模型对不同尺度、复杂背景、细节特征的理解能力。特征增强旨在提升模型对关键信息的敏感度，增强特征的表达能力，使得模型能更好地识别和理解图像中的重要目标。常见的特征增强技术包括： ①通道注意力机制（Channel Attention Mechanism）通过自适应地调整不同通道（或特征图）的权重，强化模型对重要特征通道的关注，同时抑制不重要的通道。 ②空间注意力机制（Spatial Attention Mechanism）则专注于空间维度，即在图像中寻找重要的空间区域。空间注意力机制通过生成空间权重图，提升特定区域的特征表示，帮助模型聚焦于关键位置。 ③深度卷积（Dilated Convolutions，又叫扩张卷积）通过引入空洞（dilations），扩大感受野而不增加计算量，从而捕捉更大范围的上下文信息。处理大物体时，对目标检测非常有用，可以获得更多上下文信息，增强对目标的全局理解。 ④自监督学习（Self-Supervised Learning）是通过无监督的方式学习数据中的潜在结构。在目标检测任务中，通常使用自监督任务（如对比学习、预测上下文等）来预训练模型，从而使得模型学习到更具表达能力的特征，增强特征的鲁棒性。
多尺度特征融合（Multi-Scale Feature Fusion）目的是将来自不同尺度（层级）的特征有效结合起来，从而提升模型对不同尺寸目标的检测能力。多尺寸特征在目标检测中，物体通过融合多尺度特征，模型更好地处理不同尺度的目标。
2.3 无人机巡检 当前风电行业在风电机组叶片的巡检中，主要采用望远镜或单反相机巡检、无人机巡检和吊篮巡检等传统方式。然而，随着日常巡检需求的急剧增大，传统的巡检手段，如望远镜和吊篮等，逐渐难以满足高效且覆盖广泛的巡检要求。无人机巡检因其具有快速、高效的优势，不仅提升了巡检效率，还有效降低了人工作业的劳动成本和安全风险。结合叶片故障自动检测技术，能够显著提高叶片故障预警的成功率。 无人机需要具备良好地抗风能力、较长的飞行时间以及高分辨率的相机等特定条件。本文使用大疆经纬M300RTK并搭载禅思H20摄像头进行巡检风电机组叶片。
03 检测识别方法验证
3.1 图像采集 在本文中使用的数据集来源于风电场技术人员通过大疆无人机巡检拍摄的高清叶片图像，每张图像的分辨率为4000×3000，共收集了超过1400张图像，并按照8∶1∶1的比例将其随机分配到训练集、验证集和测试集中。 数据集中包含了多种类型的叶片损伤，主要包括腐蚀、保护层脱落、表面划痕、裂纹和雷击等。 具体而言，保护层脱落的图像有650张，腐蚀类型的图像300张，表面划痕的图像250张，裂纹的图像150张，其余的图像为其他较少见的损伤类型如雷击等。 同时，将使用数据扩充技术通过对原始叶片照片进行多种变换，帮助模型在不同条件下提升泛化能力。例如，旋转、平移和缩放可以模拟风电叶片在不同角度、位置和尺度下的缺陷表现，而剪切操作则帮助模型适应图像的局部变形。 亮度和对比度调整则模拟了光照条件的变化，噪声添加则能够让模型在面对传感器噪声或环境干扰时保持良好的识别性能。通过这些技术，模型能够在多样化的场景中更好地检测缺陷。
3.2 实验环境及参数配置
本文的实验装置如图2所示。环境配置和参数设置详如表1所示。
图2. 实验装置
表1. 参数设置
3.3 模型训练与评价指标
完成数据集准备后，可以利用该数据集对Cascade R-CNN模型进行训练。导入数据集后，进行120个单次迭代训练（step），训练过程的结果如图3所示。训练误差逐渐减少，验证集上的损失函数也相应降低，这表明模型的训练过程正常且有效。
图3. 训练模型
经过训练和验证后，通过AP（平均精度）、AR（平均召回率）以及混淆矩阵来评估Cascade R-CNN模型的性能。这些评估指标是目标检测任务中广泛采用的标准，能够全面衡量模型在检测精度、召回率等方面的表现。通过这些指标，可以有效评估Cascade R-CNN模型在风电叶片表面损伤检测中的实际效果。
3.4 检测结果和对比
为了比较不同算法在叶片损伤检测中的表现，我们尽量使用相同的改进方法对各模型进行调整，并通过对比评价指标来进行分析。Cascade R-CNN是一个多阶段目标检测模型，因此我们选择了同样基于多阶段检测的Mask R-CNN和Faster R-CNN作为对比模型。对比实验结果如表2所示。
表2. 对比实验结果
根据表2的数据，本文的Cascade R-CNN模型在保持较低计算量和参数量的前提下，其AP和AR指标优于其他在相同配置下的模型。 Cascade R-CNN模型叶片表面损伤识别与检测效果如图4所示。图4展示了Cascade R-CNN模型能够有效识别各种类型的损伤，并且其边界框与损伤区域的定位高度匹配，体现了该模型在检测精度和实时性方面的优异表现。 图4. Cascade R-CNN模型叶片损伤识别效果图
结语 本文提出了一种基于Cascade R-CNN的风电叶片表面缺陷检测方法，旨在通过深度学习技术提高风电叶片缺陷检测的自动化水平和准确性。 通过对高分辨率图像数据的采集和处理，结合Cascade R-CNN模型的级联结构和数据增强技术，提升了模型对风电叶片表面裂纹、划痕、腐蚀等常见缺陷的检测精度和鲁棒性。 实验结果表明，该方法中的Cascade R-CNN模型在复杂背景和多尺度缺陷检测上具有显著优势，其AP和AR指标上均优于传统的Faster R-CNN和Mask R-CNN模型，分别达到了88.2%和75.9%，不仅提高了检测效率和精确度，还为风电叶片的智能化监控提供了有力的技术支持。 END
来源：《微特电机》（作者：毛颖杰；勾越）
