作为风力发电机组的关键组件之一,风机叶片在运行过中受到复杂载荷以及沙粒冲刷、雷电雨雪、大气氧化和化学腐蚀等自然因素的影响后,叶片内外部极易发生结构性损伤。如果不及时进行处理,会导致叶片发生断裂,从而对整个风机机组的安全稳定运行造成严重威胁。目前传统无损检测技术存在效率低和精度差等缺点,且定期人工巡检成本高、检测难度大、实时性差,难以满足当下对智能化风场的信息化运维需求。针对上述问题,本文以树莓派作为边缘计算节点,以叶片声发射信号以及风机叶片图像特征为研究对象,结合深度学习进行无损检测,具体研究内容如下:首先,由于风机现场情况复杂多变,所以采用了基于卷积神经网络的风机叶片损伤检测方案。卷积神经网络可从构造的二维Mel频谱张量特征中学习到表达能力强的高层特征。针对传统卷积神经网络的一些问题,对训练超参数进行改造和优化,并引入Normalization和Dropout方法,分别解决网络模型训练过程中容易出现的梯度弥散和过拟合问题。实验结果表明,卷积神经网络能够有效提取风机叶片声发射信号的高层特征并对其进行有效的识别分类,识别平均准确率为98.7%。其次,使用当下火热的YOLOV5目标检测识别深度学习模型实现风机叶片缺陷损伤的检测识别。首先对YOLOV5模型的整体结构和原理进行介绍;然后对风机叶片损伤图片数据的获取进行了说明,由于获取的图片数据集数量有限,仅有359张,采用针对图片的几何变化和颜色变化两种方法对数据集进行扩充,使数据集样本数量增加到1795张,并且借助深度学习中的迁移学习策略对模型进行训练,证明数据增强+迁移学习的策略可以有效加快模型的训练,增强系统的识别性能,训练出的模型在验证集上的检测识别准确度为96.65%。最后,针对传统风机叶片损伤检测方式效率低等问题,本章选择将训练好的YOLOV5风机叶片损伤目标检测识别模型移植到树莓派3b+微型计算单元来实现风机叶片的缺陷检测。实验表明,该模型在树莓派3b+上运行效果良好,达到目标要求,为后续进一步风机叶片缺陷检测的完整系统的搭建奠定了基础。