风能是现代社会最重要的可再生能源之一,风机叶片是捕获风能并将其转化为电能的主要装置。由于我国商业风场安装的各种风机暴露于恶劣的自然环境中,承受着高频变化的机械载荷,经历着各种极端天气的侵蚀,风机叶片极易产生各种故障;再加上一些不合理的设计工艺和材料选择等因素的影响,这些故障如果不及时处理,很快在短时间内就会形成事故,给整个风场的运行带来极大的经济损失,因此对风机叶片表面故障的及时检测和分析显得尤为重要。目前,我国风机叶片表面故障总体来分主要是裂纹和腐蚀性面两大类。本课题使用无人机对风机叶片表面的各种故障进行采集成像,通过相应的图像处理算法对采集的图像进行了去运动模糊化、消除噪声、图像增强、图像分割、特征提取和故障分类等操作,及时检测了叶片表面故障的区域和类别。相比传统的人工检测方法更加方便、快捷、安全;与现在流行的各种传感器检测方法相比,省去了传感器的安装和供能等方面的工作。本课题主要研究工作如下:1、分析了目前全球风能发展现状,详细介绍了风机叶片表面的各种故障和形成原因,通过对比阐述了各种检测方法的优劣,提出了基于无人机获取图像的风机叶片表面故障的检测与分析方案;2、认真考虑了风机运行的环境特征,仔细分析了无人机的主要构造以及飞行控制原理,制定了一套风机叶片故障图像采集方案;结合无人机成像特点,设计了一套采集图像清晰化预处理研究方案,为后续的图像分析提供了保障;3、提取了故障图像几何、纹理、灰度,三大类特征,建立了一个12维度的特征池,结合“维度灾难”理论进行了特征选择性降维研究,并采用常规分类器进行了验证;4、构建了一套基于孪生支持向量机的偏二叉树分类系统,极大的解决了部分故障分类困难的问题;同等条件下,将分类准确率提升为92.5%,分类效率也得到了极大提升。