风能作为无污染、可再生的绿色能源,对改善国家能源结构、优化生态环境等有着积极的作用。近年来风力发电发展迅猛,叶片作为风机最重要、最核心的部件,其安全运行是确保风力发电机组稳定工作的关键因素。然而,由于工作环境恶劣,气候条件复杂等因素,导致风机叶片表面产生裂纹、涂料破损脱落及油污等严重缺陷,对风机的安全运行以及稳定发电带来不利影响。目前的风机叶片缺陷检测多为人工操作,存在成本高、效率低、主观性强以及危险性高等问题。因此,本文基于无人机采集的叶片图像数据,运用图像处理及深度学习等计算机视觉领域算法,对风机叶片多种表面缺陷的自动、精确检测展开了如下研究:(1)基于实际课题需求,对风机叶片表面缺陷检测系统总体方案及软硬件平台进行了设计与构建。通过对无人机在实际风场采集的叶片图像数据进行筛选、标注、缩放等操作,从而建立了应用于本次研究的风机叶片图像数据集。通过对训练集图像进行平移、旋转、缩放、翻转等数据增强操作,并针对图像数据集的特点,加入高斯噪声及明暗变化以扩充训练集,保证了深度学习训练模型的鲁棒性和泛化能力。(2)首先,基于传统图像处理技术以及算法流程设计,对风机叶片缺陷图像进行灰度化、图像滤波、图像阈值分割、形态学处理以及缺陷标记等操作,并针对风机叶片数据集的特点,将迭代阈值分割与形态学开闭运算相结合运用于叶片表面缺陷检测,通过实验验证了上述算法能够分别识别出离线叶片图像中的三种表面缺陷,但很难实现精确多分类的需求,且算法的鲁棒性有待提升。(3)基于多分类及高精度检测的实际需求,本文进一步利用深度学习目标检测算法对多种表面缺陷的自动检测进行了深入研究。采用基于Res Net-101特征提取网络的Cascade R-CNN作为基础检测模型,在训练时引入迁移学习思想使模型能够更快地达到收敛,并在测试过程中运用改进的k-means聚类算法以消除由于复杂背景导致的误检对检测结果产生的不利影响。实验结果表明,Cascade R-CNN可以实现对风机叶片多种表面缺陷的自动检测,具有较强的多分类及识别能力,且相比其它先进的目标检测算法它拥有更高的80.9%的检测精度m AP。(4)为了提高模型的检测精度及鲁棒性,本文通过分析风机叶片数据集中缺陷的特征,引入可变形卷积层(Deformable Convolution)及可变形对齐池化层(Deformable Ro I Align)、全局上下文特征信息融合以及PRe LU激活函数对两阶段级联网络Cascade R-CNN进行改进,提出了一种新型网络模型Contextual Aligned-Deformable Cascade R-CNN(CAD Cascade R-CNN)。通过消融实验,可以验证每种改进策略都能够有效提升模型的检测精度m AP,且使模型拥有更快的收敛速度,防止过拟合的发生。对比改进前后的模型检测结果,可以表明本文提出的CAD Cascade R-CNN的检测结果最高可达到92.1%的m AP,相比Cascade R-CNN提升了11.2%,且在提高评判阈值的情况下也具有更强的鲁棒性和定位精度。最后,以训练好的模型为基础开发了检测系统可视化用户界面以应用于风场日常检测工作。