近些年,风力发电作为最受国家青睐的可再生清洁能源,在我国的发展规模日益壮大。风电叶片作为风力发电机的重要组成部件,其表面损伤不仅会降低风力发电机的使用寿命和发电效率,而且还会增加监测误差、安全风险和维护成本等。因此,及时检测出叶片表面损伤对风力发电至关重要。目前,风电叶片表面损伤检测方法普遍存在成本高、准确率低、无法快速准确定位损伤位置和测量损伤面积等问题。针对这些问题,本文基于电动云台采集图像,利用图像处理和深度学习技术,研究风电叶片表面损伤自动识别、定位和测量方法。首先,针对风电叶片图像数据集不足的问题,分析了目前常用的数据增强技术,并提出多尺度图象混合数据增强方法,使用该方法对现有的图像进行了大量的数据扩充。其次,提出了基于Mask R-CNN卷积神经网络的风电叶片表面损伤检测方法。使用Mask R-CNN卷积神经网络对风电叶片表面损伤识别、分割和计算面积。在此基础上,针对一些裂纹损伤类型测量损伤误差较大的问题,提出了结合边缘检测器的Mask R-CNN的风电叶片表面损伤检测方法。在原Mask R-CNN网络基础上,利用预测边界框锁定损伤的区域,再利用边缘检测器在该区域内进行轮廓提取,并计算轮廓内的面积。实验表明,该方法对损伤的识别性能良好,可有效提高损伤区域分割的精度和测量的准确度。最后,为了准确定位损伤区域在整个风电叶片中的位置,提出了一种轮廓重构的曲线特征拼接方法对相邻图像进行拼接,并通过图像定位校正方法计算损伤区域的真实位置。实验表明,方法准确可靠。