论文部分内容阅读
摘要：本文基于机器视觉理论及图像处理技术提出一种快速高效的风力发电机叶片表面缺陷检测方法，进而为风电结构的安全运营提供技术支持。缺陷检测的基本流程为：利用四旋翼无人飞行器来搭载高精度的航拍设备采集图片；对采集的图像进行灰度化、图像增强等预处理操作；对二值图像进行形态学处理并去噪；标记缺陷区域并提取缺陷特征参数；将参数输入分类器并得出叶片表面缺陷识别的结果，从而对叶片状态进行评估。
关键词：风电叶片；机器视觉系统；数字图像处理；特征提取
叶片是风力发电机组的重要组成部分，叶片因其工作环境影响，需要具有高强度、高硬度、低密度以及较长的使用寿命等优良特点的材料制造。叶片无论处于加工、运输、安装还是工作状态，均会产生各种各样的表面缺陷损伤，从而导致严重的后果。此外风电机工作的地点多在偏僻复杂，自然灾害发生率高的海岛、滩涂或者山涧，风力发电机叶片所面临的损伤风险也会增加。这就更加凸显了对风力发电机叶片进行表面缺陷检测的必要性和重要性。目前已有的风机叶片缺陷检测方法除了地面敲击辨音、望远镜观测，就是将熟练的检修师运送至叶片高度近距离进行目测，既不能精度保证，又危险且耗时耗力。本论文旨在研究基于四旋翼无人飞行器和数字图像处理技术的简单便捷、高效可靠的风力发电机叶片表面缺陷新型检测方法。
1设计内容
风力发电机叶片表面缺陷检测系统从四旋翼无人飞行器航拍数据采集装置的搭建开始的，以采集来的叶片表面缺陷图片的数字图像处理过程为重点的，包括图像的预处理、特征提取与缺陷识别，最后是以整个叶片表面缺陷检则系统的总结为结束的。
四旋翼无人飞行器航拍数据采集装置的搭建包括无人飞行器的组建和机载航拍设备的组建。前者用购买的四旋翼航模组件自已动手组装四轴飞行器；后者包括主控器、多功能模块、GPS及指南针模块、JR接收机、电调和航拍摄像头的组装。叶片表面缺陷的数字图像处理过程包括图像灰度化、空間滤波、图像增强、图像分割和形态学图像处理等在内的图像预处理以及图像标记、特征提取和缺陷目标识别等诸多过程。
1.1硬件设计
1.1.1飞行器的选择
本文采用四旋翼无人飞行器作为航拍设备的载体飞行器。
1.2航拍设备的选择
（1）处理器采用韩国三星公司生产的S3C2440A微处理器。该处理采用的是ARM920t内核，性能强劲，主频高达533MHz，具有性能优异、功耗较低和集成度高等优点可抵抗不良的温度条件和抵抗电磁场干扰，使之具备在恶劣环境中使用的基本条件。
（2）服务端的硬件控制有包含核心板和地板两部分的一块ARM系统板组成，其极限运行频率高达400MHz。
（3）摄像头采用1000万像素的4K摄像头。该摄像头可真实的还原镜片色彩，获取清晰度高的图像，且镜片不易发生变形。此外摄像头安装时配有四个减震球以降低对图像的抖动干扰。
1.1.3服务端及客户端软件设计
四旋翼无人机航拍服务端的主要功能是驱动摄像头拍摄叶片表面缺陷图片，建立网络连接体系等待地面的客户端进行连接，地面客户端连接之后，将处理后的数据通过网络发送给客户端。这里采用开发完成并且已经可以稳定运行的服务端程序，使用非常方便，稳定性高。
1.2图像处理软件的设计
对于风电叶片表面的缺陷检测，本文研究侧重于风电叶片表面缺陷的有无及其缺陷参数值。缺陷识别的过程就是基于图像处理软件编制其缺陷提取和参数计算算法的过程，借助缺陷识别算法达到对缺陷区域与背景图像的分离，并提取缺陷区域的相关特征值，从而最终完成叶片表面缺陷的检测与评估。由始至终所运用到的数字图像处理相关内容包括：
（1）图像增强：可提高图像的清晰度，将图像中感兴趣的部分从背景图中突出或使得原图像变得更加清晰，包括图像灰度化、直方图匹配、平滑去噪及对比度增强。
（2）图像分割：采用一种自适应的方法来确定阈值。
（3）形态学图像处理：边缘毛刺、内部空洞情况主要通过形态学中腐蚀和膨胀等运算来解决。
（4）缺陷判断：首先统计连通域的面积，然后去除小面积的杂声噪点，再通过各连通域的形态学区域特征判断是否为缺陷，最后用外接矩形来对缺陷进行标记。
（5）获取缺陷特征：主要获取缺陷的面积、长度、宽度和形状，以及对缺陷进行分类。缺陷面积、长度和宽度的单位都是像素，统计缺陷内像素的个数得到面积信息；采用经典的像素积分投影的思想对缺陷进行水平和垂直方向的累加操作，进而得到缺陷宽度和形状信息。
（6）目标识别与检测：将特征提取得到的目标区域特征参数按照相应的模式识别分类，并给出最终目标区域的分类识别结果。
2 图像处理软件实践
叶片运输过程中易发生摩擦接触或刮擦伤害，装机时易受绳子、安装工具及树叶等损坏，待风机运转时缺陷前身便开始加重并形成有伤害力的缺陷。下图为团队成员利用风机缺陷检测装置采集的由于运输和吊装造成的缺陷照片并对其进行数字图像处理的结果：
由图1可知，该缺陷面积为3370.13mm2，长度为472.00mm，最大宽度为10.00mm，最小宽度为0.01mm，形状为横向缺陷，属于裂痕划痕。经过测试，风力发电机叶片缺陷检测装置可以高精度识别风机叶面的缺陷，并对缺陷区域进行标记，进而提取面积、周长、长短径之比、圆形相似度、矩形相似度、缺陷数等缺陷特征参数。大大降低了风机叶面的检测费用，能更早发现风机叶面存在的缺陷，尽早处理减少不必要的经济损失，具有广阔的利用前景。
3 创新点及应用前景
（1）设计了叶片表面航拍图像采集模块，由四旋翼无人机加载轻量化带阻尼双轴航拍云台及高精度摄像头来实现航拍功能。引入了1000万高清摄像头、去抖设备、云台、S3C2440A处理器、servfox服务端和客户端的航拍模块。
（2）通过分段线性灰度增强方法对叶片缺陷图像进了改善处理，提高了图像清晰度，突出了图像特征，为得到高品质的二值图莫定了基础。
（3）设计了形态学图像处理技术和图像分割相结合的方法，通过阈值分割法提取叶片表面表面斑点、砂眼缺陷和擦痕、裂纹缺陷，最终有效提取了叶片表面二值图中的各类缺陷。
（4）设计了基于面积值、周长、形状因子、缺陷数等缺陷区域的特征参数的叶片表面缺陷模式识别分类器，并通过实验数据证明了该分类器的可行性，精确性和稳定性。
参考文献
[1]徐凌鑫.风力发电机叶片表面缺陷的研究[D].中国计量学院，2015，06.
[2]张建斐.基于机器视觉的风力发电机叶片表面缺陷检测研究[D].兰州理工大学，2018，04
（作者单位：山东科技大学泰安校区）
关键词：风电叶片；机器视觉系统；数字图像处理；特征提取
叶片是风力发电机组的重要组成部分，叶片因其工作环境影响，需要具有高强度、高硬度、低密度以及较长的使用寿命等优良特点的材料制造。叶片无论处于加工、运输、安装还是工作状态，均会产生各种各样的表面缺陷损伤，从而导致严重的后果。此外风电机工作的地点多在偏僻复杂，自然灾害发生率高的海岛、滩涂或者山涧，风力发电机叶片所面临的损伤风险也会增加。这就更加凸显了对风力发电机叶片进行表面缺陷检测的必要性和重要性。目前已有的风机叶片缺陷检测方法除了地面敲击辨音、望远镜观测，就是将熟练的检修师运送至叶片高度近距离进行目测，既不能精度保证，又危险且耗时耗力。本论文旨在研究基于四旋翼无人飞行器和数字图像处理技术的简单便捷、高效可靠的风力发电机叶片表面缺陷新型检测方法。
1设计内容
风力发电机叶片表面缺陷检测系统从四旋翼无人飞行器航拍数据采集装置的搭建开始的，以采集来的叶片表面缺陷图片的数字图像处理过程为重点的，包括图像的预处理、特征提取与缺陷识别，最后是以整个叶片表面缺陷检则系统的总结为结束的。
四旋翼无人飞行器航拍数据采集装置的搭建包括无人飞行器的组建和机载航拍设备的组建。前者用购买的四旋翼航模组件自已动手组装四轴飞行器；后者包括主控器、多功能模块、GPS及指南针模块、JR接收机、电调和航拍摄像头的组装。叶片表面缺陷的数字图像处理过程包括图像灰度化、空間滤波、图像增强、图像分割和形态学图像处理等在内的图像预处理以及图像标记、特征提取和缺陷目标识别等诸多过程。
1.1硬件设计
1.1.1飞行器的选择
本文采用四旋翼无人飞行器作为航拍设备的载体飞行器。
1.2航拍设备的选择
（1）处理器采用韩国三星公司生产的S3C2440A微处理器。该处理采用的是ARM920t内核，性能强劲，主频高达533MHz，具有性能优异、功耗较低和集成度高等优点可抵抗不良的温度条件和抵抗电磁场干扰，使之具备在恶劣环境中使用的基本条件。
（2）服务端的硬件控制有包含核心板和地板两部分的一块ARM系统板组成，其极限运行频率高达400MHz。
（3）摄像头采用1000万像素的4K摄像头。该摄像头可真实的还原镜片色彩，获取清晰度高的图像，且镜片不易发生变形。此外摄像头安装时配有四个减震球以降低对图像的抖动干扰。
1.1.3服务端及客户端软件设计
四旋翼无人机航拍服务端的主要功能是驱动摄像头拍摄叶片表面缺陷图片，建立网络连接体系等待地面的客户端进行连接，地面客户端连接之后，将处理后的数据通过网络发送给客户端。这里采用开发完成并且已经可以稳定运行的服务端程序，使用非常方便，稳定性高。
1.2图像处理软件的设计
对于风电叶片表面的缺陷检测，本文研究侧重于风电叶片表面缺陷的有无及其缺陷参数值。缺陷识别的过程就是基于图像处理软件编制其缺陷提取和参数计算算法的过程，借助缺陷识别算法达到对缺陷区域与背景图像的分离，并提取缺陷区域的相关特征值，从而最终完成叶片表面缺陷的检测与评估。由始至终所运用到的数字图像处理相关内容包括：
（1）图像增强：可提高图像的清晰度，将图像中感兴趣的部分从背景图中突出或使得原图像变得更加清晰，包括图像灰度化、直方图匹配、平滑去噪及对比度增强。
（2）图像分割：采用一种自适应的方法来确定阈值。
（3）形态学图像处理：边缘毛刺、内部空洞情况主要通过形态学中腐蚀和膨胀等运算来解决。
（4）缺陷判断：首先统计连通域的面积，然后去除小面积的杂声噪点，再通过各连通域的形态学区域特征判断是否为缺陷，最后用外接矩形来对缺陷进行标记。
（5）获取缺陷特征：主要获取缺陷的面积、长度、宽度和形状，以及对缺陷进行分类。缺陷面积、长度和宽度的单位都是像素，统计缺陷内像素的个数得到面积信息；采用经典的像素积分投影的思想对缺陷进行水平和垂直方向的累加操作，进而得到缺陷宽度和形状信息。
（6）目标识别与检测：将特征提取得到的目标区域特征参数按照相应的模式识别分类，并给出最终目标区域的分类识别结果。
2 图像处理软件实践
叶片运输过程中易发生摩擦接触或刮擦伤害，装机时易受绳子、安装工具及树叶等损坏，待风机运转时缺陷前身便开始加重并形成有伤害力的缺陷。下图为团队成员利用风机缺陷检测装置采集的由于运输和吊装造成的缺陷照片并对其进行数字图像处理的结果：
由图1可知，该缺陷面积为3370.13mm2，长度为472.00mm，最大宽度为10.00mm，最小宽度为0.01mm，形状为横向缺陷，属于裂痕划痕。经过测试，风力发电机叶片缺陷检测装置可以高精度识别风机叶面的缺陷，并对缺陷区域进行标记，进而提取面积、周长、长短径之比、圆形相似度、矩形相似度、缺陷数等缺陷特征参数。大大降低了风机叶面的检测费用，能更早发现风机叶面存在的缺陷，尽早处理减少不必要的经济损失，具有广阔的利用前景。
3 创新点及应用前景
（1）设计了叶片表面航拍图像采集模块，由四旋翼无人机加载轻量化带阻尼双轴航拍云台及高精度摄像头来实现航拍功能。引入了1000万高清摄像头、去抖设备、云台、S3C2440A处理器、servfox服务端和客户端的航拍模块。
（2）通过分段线性灰度增强方法对叶片缺陷图像进了改善处理，提高了图像清晰度，突出了图像特征，为得到高品质的二值图莫定了基础。
（3）设计了形态学图像处理技术和图像分割相结合的方法，通过阈值分割法提取叶片表面表面斑点、砂眼缺陷和擦痕、裂纹缺陷，最终有效提取了叶片表面二值图中的各类缺陷。
（4）设计了基于面积值、周长、形状因子、缺陷数等缺陷区域的特征参数的叶片表面缺陷模式识别分类器，并通过实验数据证明了该分类器的可行性，精确性和稳定性。
参考文献
[1]徐凌鑫.风力发电机叶片表面缺陷的研究[D].中国计量学院，2015，06.
[2]张建斐.基于机器视觉的风力发电机叶片表面缺陷检测研究[D].兰州理工大学，2018，04
（作者单位：山东科技大学泰安校区）