风能是现代社会最重要的可再生能源之一,风能的主要利用形式是风力发电,风机叶片是捕获风能并将其转化为电能的主要部件,由于大多数的风电机组工作环境复杂恶劣,且长期承受交变负荷作用,使得在役风机叶片容易出现故障,从而降低风机发电效率、造成安全生产隐患,因此对风机叶片表面故障进行检测和识别显得尤为重要。针对风机叶片故障诊断中存在的问题,本文分析了现有诊断方法特点,结合基于深度学习的图像识别新技术和无人机巡检叶片的新趋势,提出了基于深度学习的风机叶片缺陷智能图像识别的新思路,围绕深度学习图像识别技术在风机叶片表面缺陷识别进行深入研究,开发了叶片表面缺陷智能图像识别模型,通过案例仿真验证了本文提出模型的可行性,能较好的解决风机叶片表面缺陷检测中的安全、效率、成本、可靠性等问题。本文的主要研究内容如下:1、介绍了课题的研究背景及意义,综述了叶片故障诊断的研究现状,总结了各类诊断方法的特点,结合日益成熟的图像识别技术和利用无人机巡检风机叶片的新兴趋势,分析了基于深度学习算法的图像识别技术在叶片缺陷识别中的优势。2、对风机叶片图像进行研究,分析了叶片缺陷识别面临的难点,利用Otsu阈值分割方法对叶片图像进行预处理,减少叶片环境背景对缺陷识别造成的干扰;借鉴应用深度学习图像识别技术的广泛成功案例,将基于卷积神经网络的AlexNet模型应用到叶片表面缺陷识别中,提出的基于AlexNet的叶片缺陷智能图像识别模型与传统机器学习算法SVM进行实验对比,实验结果验证了提出的智能图像识别模型的优越性。3、针对AlexNet在叶片缺陷智能图像识别中存在训练数据不足、敏感性较低等问题进行深入研究,提出了结合迁移学习和随机森林的改进AlexNet叶片缺陷智能图像识别模型,通过迁移学习进一步提升模型提取抽象特征的能力,利用随机森林的集成学习方法提高对叶片图像特征的分类能力;通过实验对比验证了改进叶片缺陷智能图像识别模型的优势。4、在以上研究的基础上对风机叶片缺陷识别进行更深入的研究,对叶片表面缺陷进行分类以及定位,将深度学习中的目标检测网络引入到叶片表面缺陷识别中,提出了基于Mask-rcnn的叶片缺陷智能分类及定位模型,通过RPN网络、FPN结构、ROIAlign操作、多任务Loss提升对叶片细微缺陷的识别能力,实现了对叶片缺陷类型识别、缺陷定位、缺陷轮廓刻画,通过仿真实验验证了该模型在叶片缺陷识别中优良表现。