论文部分内容阅读
风能作为可再生能源,已在世界范围内获得了广泛应用。由于风力发电机的所在环境恶劣、所受应力强烈等因素,风机的叶片表面可能产生裂纹、油污、砂眼等损伤,这严重影响了风力发电的效率和安全性。当前叶片表面损伤检测方法多为人为操作,存在耗时长、效率低、主观性强等缺点。因此,本文基于无人机采集的风机叶片图像,利用图像处理、机器学习、深度学习等计算机视觉技术,针对叶片损伤进行自动检测算法和健康维护系统的研究与开发工作,主要完成以下内容:(1)对风力发电机叶片损伤特性及图像处理理论进行分析,研究了基于Halcon的图像处理方法。对叶片图像进行相机标定、快速自适应加权中值滤波、图像加强、动态阈值分割等操作,完成了对叶片损伤图像的处理和初步识别。(2)对 HOG、Haar-like、LBP 等特征及 CatBoost、XGBoost、AdaBoost 等分类算法进行对比和分析,利用原始和扩展的LBP特征集,并基于AdaBoost开发包括决策树和支持向量机在内的多重级联分类器,形成了 LBP-ADA模型,对叶片损伤进行特征提取和模型训练。通过对图像的旋转、平移、放缩、添加噪点、改变明暗等方式将原始图像进行扩充,形成机器学习图像数据库。(3)基于深度学习理论对微小损伤检测算法进行研究。通过引入特征金字塔网络(FPN)结构对You Only Look Once(YOLO)算法进行改进,提出一种新型的YSODA算法。该算法对YOLO进行浅层和深层的特征图融合,并在其网络结构上增加FPN结构进行高级特征提取。实验测试表明,该算法可有效提高叶片微小损伤的检测精度。(4)以准确率、召回率和加权调和平均数为评价指标通过对多种方法进行交叉实验,表明了 LBP-ADA算法检测叶片损伤的有效性。同时,以准确率和实时性为指标对YSODA算法进行测试,并与LBP-ADA和文献算法进行对比分析,可知本文提出YSODA算法在微小损伤检测方面具有准确度和效率高等特点。最后,将本文提出的多种检测模型应用于实际风机叶片健康维护系统的开发,并成功实施于实际风场的叶片损伤检测中。该系统可自动生成包含风场信息、损伤信息等关键数据的叶片质量检测报告,达到了实际风场的运维要求。