CN108459027A - 一种基于图像处理的风力发电机叶片表面缺陷检测方法 - Google Patents

Abstract

本发明公开了一种基于图像处理的风力发电机叶片表面缺陷检测方法，包括：图像采集装置、偏振片、信号传输装置和后台处理***；图像采集装置安装在每台风力发电机组上风机支架上，图像采集装置对准相邻风机叶片，对风机叶片进行图像采集，图像采集装置以自然光作为光源，在图像采集装置前加装偏振片；信号传输装置将采集的叶片图像传送到后台处理***，后台处理***对图像进行分析和处理，确定风力发电机叶片表面状态。本发明在光线条件许可的情况下，可长时间对风机叶片表面状态进行监测，大大减轻工作人员的劳动强度和降低风力发电机组运行风险，成本较低，可以减少风力发电机叶片的维护成本，具有较强的应用价值和现实意义。

Description

一种基于图像处理的风力发电机叶片表面缺陷检测方法

技术领域

本发明涉及风力发电故障技术领域，特别是涉及一种基于图像处理的风力发电机叶片表面缺陷检测方法。

背景技术

风力发电机组主要有风轮、风轮轴、调速装置、发电机、液压***、机舱、偏航***、塔架和控制***等组成。其中风轮包括叶片和轮毂，叶片是风能捕获机构，实现将风能转换为自身的机械能，是风力发电机组能量转换的主要部件，也是风力发电机组的力源和主要承载部件。风力机叶片安全有效运行对风电机组的发电效率和运行安全等都有着重要的影响。同时，风力机叶片也是最易损的部件，温度、暴风雨和雷击等都有可能造成叶片损伤。风力发电机叶片还是最昂贵的部件，约占整个机组生产成本的20％，叶片定期人工维护困难,且维护成本高。因此，无论从考虑降低运行风险还是减少维护成本，对风力发电机叶片表面状态进行检测都是非常必要的。

目前，风力发电机叶片监测技术可分为损毁和非损毁两类，而对运行风力发电机叶片的监测，只有非损毁监测方法才具有实际意义。非损毁方法主要包括超声波检测技术、红外热成像检测技术、振动检测技术、X光测试技术、声发射检测技术、应力检测技术和数字图像相关分析等。但这些技术或者需要在风力发电机叶片上附加额外装置，可能影响风力发电机桨叶的正常运转，或者检测设备价格昂贵，难以在实际中大规模运用。现有技术中也有一些基于图像处理的风力发电机叶片表面检测技术，如发明专利CN103984956A，但其首先需要在叶片上先涂上色带，再对叶片拍照得到原始图像，该方法不够灵活，无法对运行中的风力发电机叶片表面状态进行长时间监测，还有使用无人机进行风力发电机叶片表面状态检测的方法，如发明专利CN104215640A，但无人机需要专业人员操作，同时使用无人机也无法对运行风力发电机叶片进行长时间监测。

因此，如何有效地检测运行中的风力发电机叶片表面缺陷仍然是一个亟待解决的问题。现有技术亟需一种利用图像处理技术对风电场运行中的风力发电机叶片表面缺陷进行检测的方法来解决现有技术中存在的问题。

发明内容

本发明的目的在于针对现有技术存在的不足，提供一种基于图像处理的风力发电机叶片表面缺陷检测方法，在光线条件许可时，可以长时间对运行中的风力发电机叶片表面状态进行检测，并确定风力发电机叶片表面状态。

本发明提供一种基于图像处理的风力发电机叶片表面缺陷检测方法，其包括：图像采集装置、偏振片、信号传输装置和后台处理***；

所述图像采集装置安装在每台风力发电机组的风机支架上，所述图像采集装置对准相邻风力发电机叶片，对风力发电机叶片进行图像采集，所述图像采集装置以自然光作为光源，在所述图像采集装置前加装偏振片；

所述信号传输装置将采集的叶片图像传送到所述后台处理***，所述后台处理***对图像进行分析和处理，确定风力发电机叶片表面状态。

优选地，所述后台处理***对图像进行分析和处理包括以下步骤：

步骤(1)：进行风力发电机叶片图像预处理；

步骤(2)：进行风力发电机叶片表面缺陷标记，确定叶片表面缺陷的位置；

步骤(3)：进行风力发电机叶片表面缺陷的类型判别，确定叶片表面的缺陷类型。

优选地，所述步骤(1)还包括：

①利用暗通道先验和大气散射模型实现所述叶片图像的去雾去模糊；

②将所述叶片图像转换成叶片灰度图像，并对所述叶片灰度图像进行直方图归一化，采用Canny算子提取叶片区域的边缘轮廓，把所述叶片灰度图像转换成二值图，提取出叶片区域；

③将叶片区域划分为几个子区域，分别对每个子区域进行缺陷标记和类型判别。

优选地，所述步骤(2)还包括：

①基于谱残差法生成所述叶片灰度图像的显著图；

②采用基于马氏距离的显著图增强，所述叶片灰度图像中正常像素值和缺陷像素值存在较大差异，通过计算所述叶片灰度图像中每个点的像素值与整个图像像素均值的马氏距离和设定马氏距离阈值来区分正常像素点和缺陷像素点；

当马氏距离小于阈值则认为是正常像素点；否则，将像素点归为缺陷像素点；通过显著图增强，得到风力发电机叶片图像的二值图像；

③利用邻域连通标记法，对所有的目标像素点进行连通区域检测，标记出缺陷区域，并对缺陷区域进行图像形态学处理，在风力发电机叶片图像中标记出缺陷位置。

优选地，所述步骤(3)还包括：

①对风力发电机叶片图像进行二维离散傅里叶变换，得到傅里叶变换的幅度谱、相位谱和能量谱分别为：

φ(u,v)＝arctg[I(u,v)/R(u,v)]

E(u,v)＝R²(u,v)+I²(u,v)

其中F(u,v)是频域图像谱，R(u,v)，I(u,v)分别表示F(u,v)的实部和虚部；p(u,v)＝|F(u,v)|²是傅里叶功率谱，即能量谱；

傅里叶变换的频谱分布是以图像原点为对称的，具有共轭对称性，即|F(u,v)|＝|F(-u,-v)|。

②基于周向谱能量提取图像特征，利用长方环内功率谱能量占整个风力发电机叶片图像功率谱总能量的百分比作为纹理特征；

周向谱能量计算公式为：

p(u,v)＝|F(u,v)|²

设图像大小为L×W，图像中心为(L/2，W/2)，均匀地把图像功率谱分成M个等宽的长方环，则每个长方环内占总能量百分比为

其中，E_i＝∑p(u,v)，

其中，i＝0,1,…,M-1；

③利用灰度共生矩阵提取图像特征，将各个元素P(i,j)除以各元素之和S做归一化处理，得到归一化灰度共生矩阵；采用能量、相关性和熵三个不相关的特征量来提取图像的纹理特征，其中L是图像像素的灰度级，

能量：

相关性：

式中μ₁，μ₂，σ₁和σ₂分别定义为：

熵：

对风力发电机叶片图像分别求取它们灰度共生矩阵中的这三个统计量；

④采用支持向量机进行叶片表面缺陷的类型判别，以能量、相关性、熵和傅里叶频谱图长方环能量所占百分比构成特征空间，对样本进行分类和预测，确定风力发电机叶片表面状态。

本发明的有益效果是：

本发明在光线条件许可的情况下，利用相邻风力机支架上的检测***，可以长时间对风力发电机叶片表面状态进行监测，大大减轻工作人员的劳动强度和降低风力发电机组运行风险，同时实现该检测方法，成本较低，可以减少风力发电机叶片的维护成本，具有较强的应用价值和现实意义。

附图说明

图1是本发明的基于图像处理的风力发电机叶片表面缺陷检测***的示意图。

图2是本发明的基于图像处理的风力发电机叶片表面缺陷检测方法的流程图。

图3是本发明的基于图像处理的风力发电机叶片表面缺陷检测方法的风力发电机叶片图像预处理的流程图。

具体实施方式

为使本发明实施的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行更加详细的描述。在附图中，自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。所描述的实施例是本发明一部分实施例，而不是全部的实施例。下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

下面结合具体实施例，进一步阐述本发明。

如图1是一种基于图像处理的风力发电机叶片表面缺陷检测***，包括图像采集装置，信号传输装置和后台处理***。图像采集装置安装在每台风力发电机组的风机支架上，当图像采集装置对准相邻风力发电机叶片时，对相邻的风力发电机叶片进行图像采集，图像采集装置以自然光作为光源，在图像采集装置前加装偏振片。信号传输装置将采集的图像传送到后台处理***，后台处理***对图像进行分析和处理，确定风力发电机叶片表面状态。

如图2是一种基于图像处理的风力发电机叶片表面缺陷检测方法，包括以下步骤：

步骤(1)：风力发电机叶片图像预处理。

如图3所示，首先利用暗通道先验和大气散射模型实现图像的去雾去模糊；然后将图像转换成灰度图像，并对灰度图进行直方图归一化，采用Canny算子提取叶片区域的边缘轮廓，把灰度图像转换成二值图，提取出叶片区域；最后将叶片区域划分为几个子区域。

步骤(2)：风力发电机叶片表面缺陷标记，确定叶片表面缺陷位置。

首先，基于谱残差生成显著图。对于一幅图像I，利用谱残差法进行显著图生成的过程如下：

a)计算图像的二维离散傅里叶变换，将其从空间域转换到频域，并对幅值取对数得到log谱L(f)。

P(f)＝Φ(F(I(x,y)))

L(f)＝log(|F(I(x,y)|)

其中，F表示二维离散傅里叶变换，Φ表示相位。

b)利用局部滤波器h(f)对log谱进行平滑处理。

V(f)＝L(f)*h(f)

其中，h(f)是一个n*n的矩阵，实验中取的3*3矩阵。

c)计算谱残差，即用log谱与其滤波后的差，公式如下：

R(f)＝L(f)-V(f)

d)将谱残差和相位谱进行二维离散傅里叶逆变换重构出一幅图像，即为原图像的显著图。

S(x)＝|F^-1(exp(R(f)+iP(f)))|²

然后，采用基于马氏距离的显著图增强。对于叶片灰度图像来说，正常像素值和缺陷像素值存在较大差异，通过计算图像中每个点的像素值与整个图像像素值均值的马氏距离就可区分出正常像素点和缺陷像素点。

样本像素值的均值和协方差计算公式如下：

则样本像素点与均值的马氏距离为：

为了区分正常像素点和缺陷像素点，设定马氏距离阈值d，当马氏距离小于阈值则认为是正常像素点，否则，将像素点归为缺陷像素点。采用自适应阈值：

其中μ为图像像素均值，M为最大像素值，σ为标准差。

通过马氏距离的显著图增强，得到桨叶图像的二值图像。

最后，标记叶片图像缺陷位置。利用8邻域连通标记法，对所有的目标像素点进行连通区域检测，标记出缺陷区域，并对缺陷区域进行图像形态学处理，在风力发电机叶片图像中标记出缺陷位置。

步骤(3)：风力发电机叶片表面缺陷类型判别，确定叶片表面缺陷类型。

首先，对风力发电机叶片图像进行二维傅里叶变换。对于M×N的一幅图像的二维离散傅里叶变换公式如下：

其中f(x,y)是数字图像，F(u,v)是频域图像谱。变换后数据为复数，则傅里叶变换的幅度谱、相位谱和能量谱分别为：

φ(u,v)＝arctg[I(u,v)/R(u,v)]

E(u,v)＝R²(u,v)+I²(u,v)

其中R(u,v)，I(u,v)分别表示F(u,v)的实部和虚部。p(u,v)＝|F(u,v)|²是傅里叶功率谱，又称为能量谱。傅里叶变换具有共轭对称性，即|F(u,v)|＝|F(-u,-v)|。

然后，基于周向谱能量提取图像特征。

周向谱能量计算公式为：

p(u,v)＝|F(u,v)|²

利用长方环内功率谱能量占整个图像功率谱总能量的百分比作为纹理特征。设图像大小为L×W，图像中心为(L/2，W/2)，均匀地把图像功率谱分成M个等宽的长方环，则每个长方环内占总能量百分比为

其中，E_i＝∑p(u,v)，

其中，i＝0,1,…,M-1。

接着，利用灰度共生矩阵提取图像特征。将各个元素P(i,j)除以各元素之和S做归一化处理，得到归一化灰度共生矩阵。采用能量、相关性和熵三个不相关的特征量来提取图像的纹理特征，其中L是图像像素的灰度级。

能量：

相关性：

式中μ₁，μ₂，σ₁和σ₂分别定义为：

熵：

对缺陷分别求取它们灰度共生矩阵中的这三个统计量。取同一幅图像的同一个特征参数值在0゜、45゜、90゜和135゜方向上的平均值，使得到的纹理特征与方向无关。取d＝1时，计算的纹理特征参数值具有较好的代表性。

最后，采用支持向量机进行叶片表面缺陷类型判别。以能量、相关性、熵和傅里叶频谱图6～10环能量所占百分比8个特征参数构成特征空间，对样本进行分类和预测。支持向量机检测模型实现步骤如下：

a)根据实际的风力发电机叶片缺陷图像进行标签分类，分为训练集和测试集。

b)根据训练集样本的8个特征参数建立支持向量机。

c)选择核函数，设置合适的参数。

d)利用测试集样本对建好的支持向量机模型进行测试。

e)将测试结果与实际结果比较，得到检测模型的检测准确率。

最后需要指出的是：以上实施例仅用以说明本发明的技术方案，而非对其限制。尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (5)

1.一种基于图像处理的风力发电机叶片表面缺陷检测方法，其特征在于包括：图像采集装置、偏振片、信号传输装置和后台处理***；

所述图像采集装置安装在每台风力发电机组的风机支架上，所述图像采集装置对准相邻风力发电机叶片，对风力发电机叶片进行图像采集，所述图像采集装置以自然光作为光源，在所述图像采集装置前加装偏振片；

所述信号传输装置将采集的叶片图像传送到所述后台处理***，所述后台处理***对图像进行分析和处理，确定风力发电机叶片表面状态。

2.根据权利要求1所述的基于图像处理的风力发电机叶片表面缺陷检测方法，其特征在于：所述后台处理***对图像进行分析和处理包括以下步骤：

步骤(1)：进行风力发电机叶片图像预处理；

步骤(2)：进行风力发电机叶片表面缺陷标记，确定叶片表面缺陷的位置；

步骤(3)：进行风力发电机叶片表面缺陷的类型判别，确定叶片表面的缺陷类型。

3.根据权利要求2所述的基于图像处理的风力发电机叶片表面缺陷检测方法，其特征在于：所述步骤(1)还包括：

①利用暗通道先验和大气散射模型实现所述叶片图像的去雾去模糊；

②将所述叶片图像转换成叶片灰度图像，并对所述叶片灰度图像进行直方图归一化，采用Canny算子提取叶片区域的边缘轮廓，把所述叶片灰度图像转换成二值图，提取出叶片区域；

③将叶片区域划分为几个子区域，分别对每个子区域进行缺陷标记和类型判别。

4.根据权利要求2所述的基于图像处理的风力发电机叶片表面缺陷检测方法，其特征在于：所述步骤(2)还包括：

①基于谱残差法生成所述叶片灰度图像的显著图；

②采用基于马氏距离的显著图增强，所述叶片灰度图像中正常像素值和缺陷像素值存在较大差异，通过计算所述叶片灰度图像中每个点的像素值与整个图像像素均值的马氏距离和设定马氏距离阈值来区分正常像素点和缺陷像素点；

当马氏距离小于阈值则认为是正常像素点；否则，将像素点归为缺陷像素点；通过显著图增强，得到风力发电机叶片图像的二值图像；

③利用邻域连通标记法，对所有的目标像素点进行连通区域检测，标记出缺陷区域，并对缺陷区域进行图像形态学处理，在风力发电机叶片图像中标记出缺陷位置。

5.根据权利要求2所述的基于图像处理的风力发电机叶片表面缺陷检测方法，其特征在于：所述步骤(3)还包括：

①对风力发电机叶片图像进行二维离散傅里叶变换，得到傅里叶变换的幅度谱、相位谱和能量谱分别为：

φ(u,v)＝arctg[I(u,v)/R(u,v)]

E(u,v)＝R²(u,v)+I²(u,v)

其中F(u,v)是频域图像谱，R(u,v)，I(u,v)分别表示F(u,v)的实部和虚部；p(u,v)＝|F(u,v)|²是傅里叶功率谱，即能量谱；

傅里叶变换的频谱分布是以图像原点为对称的，具有共轭对称性，即|F(u,v)|＝|F(-u,-v)|；

②基于周向谱能量提取图像特征，利用长方环内功率谱能量占整个风力发电机叶片图像功率谱总能量的百分比作为纹理特征；

周向谱能量计算公式为：

p(u,v)＝|F(u,v)|²

设图像大小为L×W，图像中心为(L/2，W/2)，均匀地把图像功率谱分成M个等宽的长方环，则每个长方环内占总能量百分比为

其中，E_i＝∑p(u,v)，

其中，i＝0,1,…,M-1；

③利用灰度共生矩阵提取图像特征，将各个元素P(i,j)除以各元素之和S做归一化处理，得到归一化灰度共生矩阵；采用能量、相关性和熵三个不相关的特征量来提取图像的纹理特征，其中L是图像像素的灰度级，

能量：

相关性：

式中μ₁，μ₂，σ₁和σ₂分别定义为：

熵：

对风力发电机叶片图像分别求取它们灰度共生矩阵中的这三个统计量；

④采用支持向量机进行叶片表面缺陷的类型判别，以能量、相关性、熵和傅里叶频谱图长方环能量所占百分比构成特征空间，对样本进行分类和预测，确定风力发电机叶片表面状态。