摘要：風能屬于清潔可再生能源，可通過風力發電機組轉化為電能，目前在我國沿海以及西北地區已得到廣泛的應用。捕風葉片作為風力發電機的重要核心部件，當其表面產生缺陷時，會降低發電效率，嚴重的還會引起結構的倒塌。所以，依靠機器視覺對風力發電機的葉片進行實時跟蹤監測變得至關重要。

根據相關數據顯示，預計到2020年，全球的風力發電機組總裝機容量將達到70953萬千瓦，到2030年，這一數字會達到14億萬千瓦，將位居世界前列。我國風力發電機大部分集中在東部沿海以及西部地區，其中沿海區域多颶風、高鹽霧、并且各種自然災害頻發，而西部地區晝夜溫差大，土地沙漠化比較嚴重，經常產生沙塵暴，這些惡劣的自然環境都會造成風力發電機葉片的嚴重磨損。根據相關研究統計，葉片表面粗糙度的增加以及缺陷的積累會致使發電效率降低5%-30%。

小缺陷，大故障

無論什么材質的葉片，在經歷多次的沙塵暴、颶風等極具挑戰性的自然環境后，均會產生諸如斑點及劃痕的表面缺陷，之后逐漸演化成砂眼及裂紋，進而形成麻面。圖1即為暴露在自然環境中一段時間之后的葉片表面麻面圖。當遇到雨雪、風沙、大霧等天氣時，葉片麻面處會聚集較多的水滴及灰塵，變得灰多濕度大，在靜電的作用下該處的導電性會急劇增強，當遇到打雷，閃電等氣象時，極易招致雷電暴擊，導致葉片內部瞬間升溫，空壓升高，引發葉片的爆裂。

圖1 風力發電機葉片表面麻面圖

（資料來源：公開資料整理）

目前葉片的檢測方式多為人工檢測，主要方式包括望遠鏡觀察、地面敲擊辨音以及繩索垂降，這些方法費時費力，并且檢測精度低，檢測結果受到主觀影響較大，不能及時有效地檢測出葉片的全部缺陷。而機器視覺檢測具有精度高、客觀、效率高的特點，結合機器視覺就能夠對葉片進行實時檢測。

機器視覺發展至今，其自動化、智能化的檢測技術已經在建筑結構、道路工程及隧道工程中得到了成功應用，但關于風電葉片結構損傷識別的研究很少，因此，如何將機器視覺無損檢測技術應用到風電葉片表面損傷識別中就變得很有研究意義。

基于機器視覺的葉片缺陷檢測

利用機器視覺檢測葉片的基本原理是：通過光學成像裝置將攝取到的外部圖片轉化成像素信號，之后經過圖像采集裝置轉換成計算機能夠識別的電信號，再對電信號進行增強、濾波、分割等處理，目的是為了增加仿真精度，最后根據特定的需求對圖像處理結果進行評估。如圖2所示，主要包括照明系統、圖像攝取系統、A/D信號轉化傳輸系統、圖像電信號處理系統、狀態評估系統。

圖2 監測系統結構示意圖

（資料來源：中國知網）

圖像采集的基本原理是光電感應，當暴露在不同強度光下的時候，光學成像設備中感光半導體材料的不同部分會產生不同數量的電荷，產生的電荷量與光亮程度成正比。然后對其施加特定時序的脈沖就能將不同部分產生的信號電荷定向傳輸到存儲器里面，之后通過計算電荷量并使用該數據生成圖像。根據風力發電機葉片的寬度、常見斑點、劃痕的長寬等不同參數，適合采用的是JAI工業相機以及適用于JAI相機的日本興和株式會社Kowa品牌下的LM12HC型手動對焦工業鏡頭。

圖像處理是機器視覺檢測葉片缺陷最重要的環節，決定了最終成像結果的仿真精度，主要技術包括灰度處理、圖像濾波以及圖像分割。彩色圖像中每個像素的顏色是由R、G、B三個分量構成的，每個分量值均在0~255之間變化，這樣每一個像素點就可以有1600多萬（255*255*255）種顏色的變化范圍，而灰度圖像是R、G、B三個分量值相等的特殊存在，這樣灰度圖像中每個像素點的浮動區間只有255種，相比于彩色圖像，大大提高了計算機的運算速度。灰度處理之后，圖像或多或少會丟失一部分光亮部分，如圖3所示，需要通過一定的技術手段還原，經驗證，最優的方法是二次方插值法。

圖3 原始圖像（左）和經過灰度處理之后的圖像（右）

（資料來源：中國知網）

由于各個子系統的干擾以及A/D信號之間轉換傳輸的寄生效應，會產生信號噪聲，造成成像失真，所以需要進行濾波處理，經過多次驗證，Gabor濾波技術在去噪，保持葉片表面劃痕邊緣清晰度方面具有明顯優勢。經過灰度處理、圖像濾波就完成了圖像增強，之后就是圖像分割，通過特定的算法，最終將葉片缺陷部分分割開來。 

                               表1 葉片表面缺陷檢測結果             

                               （資料來源：中國知網）

系統檢測結果如表1所示，葉片表面各種類型缺陷檢測的整體準確率達92.5%。其中，斑點類型的缺陷面積比較微小，受采集精度以及后續處理的影響，檢測準確率最低，但是也達到了85%，而砂眼、劃痕和裂紋的檢測率最高，均為95%，這表明基于機器視覺的葉片表面缺陷檢測能夠檢測出絕大部分的葉片表面缺陷。

結語

    機器視覺發展到今天，憑借著其檢測的精確性、客觀性、高效率等優點，將會被廣泛地應用于各行各業。目前機器視覺的技術難點表現在兩個方面：前端圖像的采集精度以及圖像的預處理，從而保證最終生成圖像的仿真程度；以及深度學習的算法優化，提高檢測的準確率。