一种风电叶片表面缺陷快速检测方法技术

本发明专利技术公开了一种风电叶片表面缺陷快速检测方法，包括如下步骤：A1、风电叶片表面缺陷图像采集：针对风电机组微观巡检方式，采用四旋翼无人机对风电机组叶片表面进行图像采集，在充分考虑无人机避障功能的前提下，无人机对风机叶片检测时，两者之间距离一般维持在1米至2米之间。该风电叶片表面缺陷快速检测方法，解决了采用无人机对风电叶片拍照时产生的图像运动模糊化现象，降低了由于风电叶片上出现的污迹、鸟屎等欺骗性目标对图像预处理的影响，提高了图像阈值分割后划痕边缘的清晰度及保真度。保真度。保真度。

【技术实现步骤摘要】
一种风电叶片表面缺陷快速检测方法


[0001]本专利技术属于风电叶片检测
，具体涉及一种风电叶片表面缺陷快速检测方法。

技术介绍

[0002]随着社会进步和科学技术的不断发展，电力已经成为了人们生活中不可缺少的部分。而由于传统能源匮乏以及生态环境不断恶劣，社会对发展新能源的需求愈加迫切。风能是一种可再生绿色能源，开发难度低，对环境和生态造成较小的影响，社会已经广泛开始发展风能。其中用于风能发电的叶片是风电机组中极其重要的关键部位，风电叶片是否出现缺陷，缺陷是否严重都将深深影响风电机组的发电效率。
[0003]针对风电叶片的质量缺陷检测，国内外厂商通常采用人工目测法、超声波探伤检测法。其中人工目测法一般采用移动式起重机或吊篮进行人工肉眼检查，或者通过望远镜从远处检查，并对缺陷处进行标记记录。而超声波探伤检测法是利用超声能透入风电叶片材料深处，并由一截面进入另一截面时，在截面边缘产生发射的特点来检查零件缺陷的一种方法，当超声波束自零件表面由探头通至金属内部，遇到缺陷与零件底面时就分别发生反射波，在荧光屏上形成脉冲波形，根据这些脉冲波形来判断缺陷位置和大小。
[0004]但是传统人工目测法存在人工成本高、检测速度慢、识别准确率低的问题，而超声波探伤法在开展检验风电叶片缺陷过程中耗时较长，检测速度慢。且风电叶片检测数量过多，导致叶片缺陷检验成本不可控、效果也无法保障。

技术实现思路

[0005]为解决上述
技术介绍
中提出的问题。本专利技术提供了一种风电叶片表面缺陷快速检测方法。
[0006]为实现上述目的，本专利技术提供如下技术方案：一种风电叶片表面缺陷快速检测方法，包括如下步骤：
[0007]A1、风电叶片表面缺陷图像采集：针对风电机组微观巡检方式，采用四旋翼无人机对风电机组叶片表面进行图像采集，在充分考虑无人机避障功能的前提下，无人机对风机叶片检测时，两者之间距离一般维持在1米至2米之间；
[0008]A2、风电叶片表面缺陷图像预处理：对无人机设备采集到的风电叶片图像进行预处理，图像预处理过程包括对图像进行灰度化处理；进行风电叶片缺陷图像去运动模糊化处理；采用改进的自适应中值滤波方法算法对高斯噪声与椒盐噪声进行去除；采用改进的基于形态学的图像增强算法，提高预处理后图像的整体质量；
[0009]A3、风电叶片表面缺陷图像分割与提取：针对图像预处理后的风电叶片表面缺陷进行图像分割操作，采用了双三次插值算子与最大类间方差法法结合的方法对图像进行了二值化处理，并选用了形态学开操作技术对二值化处理后图像进行叶片缺陷提取；
[0010]A4、风电叶片表面缺陷识别：为精确得到风电叶片表面损伤程度以及损伤缺陷类
型，首先对形态学处理后的二值图像进行连通域划分，其次计算了图像中叶片缺陷的面积、缺陷伸长度及叶片损伤程度的特征值，从而分析得到图像中叶片缺陷特点。
[0011]本专利技术一个较佳实施例中，A2中风电叶片表面缺陷图像预处理还包括以下步骤：
[0012]B1、对所采集的风电叶片缺陷图像进行图像灰度化，将多通道RGB彩色图像转化为单通道灰度图像；
[0013]B2、对图像进行去运动模糊化操作：采用可综合考虑退化传递函数和噪声的去除运动模糊方法即维纳滤波法，用于消除无人机和风机自身运动以及两者之间相对运动造成的图像模糊化；
[0014]B3、对图像进行降噪操作：采用改进的自适应中值滤波方法，用于除去风电机组所在环境的多样性而导致无人机成像产生的高斯噪声与椒盐噪声，进行去噪；
[0015]B4、进行图像增强操作：为突出显示风电叶片上某些不明显的细小裂纹，以及减小外在因素影响，采用了emphasize算子实现图像增强，计算得到图像增强后的像素灰度值。
[0016]本专利技术一个较佳实施例中，风电叶片表面缺陷图像预处理中维纳滤波算法目标是找到具有叶片缺陷原始图像f(x)的估值f^(x)，从而使两者均方差最小；均方差公式为：
[0017]e2(x)＝|f(x)
‑
f^(x)|2[0018]以上均方差公式中误差函数的最小值在频域中的计算为：
[0019][0020]式中H(x,y)为退化函数；S
n
(x,y)为噪声的功率谱；S
f
(x,y)为未退化图像的功率谱；G(x,y)为退化图像的变换。
[0021]本专利技术一个较佳实施例中，风电叶片表面缺陷图像预处理中基于emphasize算子图像增强后的像素灰度值g(x,y)为：
[0022]g(x,y)＝round{[p
‑
mean]×
k}+p
[0023]式中：p是图像加强前的像素灰度大小；mean是采用mean_image算子对图像滤波之后像素的灰度大小；k是图像的加强系数。
[0024]本专利技术一个较佳实施例中，A3中国风电叶片表面缺陷图像分割与提取还包括以下步骤：
[0025]C1：对进行图像增强后的叶片缺陷图像采用三次样条插值方法进行图像平滑处理，保证目标图像具有平滑的边缘和高清晰度，对进行插值后图像进行裁剪，保证原图像与被裁剪后图像尺寸一致；
[0026]C2：采用最大类间方差法对进行图像平滑处理后的图像进行图像分割；
[0027]C3：选择形态学开操作技术对图像分割操作后的叶片缺陷图像进行目标区域识别，能够有效地将叶片缺陷从目标图像的背景和噪声中提取出来。
[0028]本专利技术一个较佳实施例中，风电叶片表面缺陷图像分割与提取中采用最大类间方差算法计算得到的最优阈值为：
[0029][0030]令K是从0～L
‑
1取值，根据对应K值下的类间方差，使得类间方差σ2(k)最大时的对
应k值就是所要计算的最优阈值。
[0031]本专利技术一个较佳实施例中，A4中风电叶片表面缺陷图像识别包括以下步骤：
[0032]D1：对形态学处理后的叶片缺陷二值化图像进行连通域划分；
[0033]D2：计算风电叶片图像中用于描述叶片缺陷的特征值，包括缺陷面积A、缺陷伸长度L及叶片损伤程度。
[0034]本专利技术一个较佳实施例中，D2中叶片缺陷面积A为二值图像f(x,y)中包含在目标区域边界内所占的总像素点数目，其中f(x,y)的大小为MN，计算公式为：
[0035][0036]式中：
[0037]本专利技术一个较佳实施例中，D2中叶片缺陷伸长度指包围叶片缺陷的最小矩形面积与叶片缺陷面积A的比值，定义为：
[0038][0039]式中：A是叶片缺陷面积即区域的总像素数；W和L分别是包围叶片缺陷区域最小矩形的宽度像素数和长度像素数；伸长度趋近于1时，叶片缺陷区域图像接近于圆形；伸长度大于1时，叶片缺陷区域图像接近于矩形。
[0040]本专利技术一个较佳实施例中，D2中叶片损伤程度指划痕缺陷面积与识别目标总面积比值，定义为：
[0041][0042]式中：A是叶片缺陷面积即该区域的总像素数，A1是本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种风电叶片表面缺陷快速检测方法，其特征在于，包括如下步骤：A1、风电叶片表面缺陷图像采集：针对风电机组微观巡检方式，采用四旋翼无人机对风电机组叶片表面进行图像采集，在充分考虑无人机避障功能的前提下，无人机对风机叶片检测时，两者之间距离一般维持在1米至2米之间；A2、风电叶片表面缺陷图像预处理：对无人机设备采集到的风电叶片图像进行预处理，图像预处理过程包括对图像进行灰度化处理；进行风电叶片缺陷图像去运动模糊化处理；采用改进的自适应中值滤波方法算法对高斯噪声与椒盐噪声进行去除；采用改进的基于形态学的图像增强算法，提高预处理后图像的整体质量；A3、风电叶片表面缺陷图像分割与提取：针对图像预处理后的风电叶片表面缺陷进行图像分割操作，采用了双三次插值算子与最大类间方差法法结合的方法对图像进行了二值化处理，并选用了形态学开操作技术对二值化处理后图像进行叶片缺陷提取；A4、风电叶片表面缺陷识别：为精确得到风电叶片表面损伤程度以及损伤缺陷类型，首先对形态学处理后的二值图像进行连通域划分，其次计算了图像中叶片缺陷的面积、缺陷伸长度及叶片损伤程度的特征值，从而分析得到图像中叶片缺陷特点。2.根据权利要求1所述的一种风电叶片表面缺陷快速检测方法，其特征在于，A2中风电叶片表面缺陷图像预处理还包括以下步骤：B1、对所采集的风电叶片缺陷图像进行图像灰度化，将多通道RGB彩色图像转化为单通道灰度图像；B2、对图像进行去运动模糊化操作：采用可综合考虑退化传递函数和噪声的去除运动模糊方法即维纳滤波法，用于消除无人机和风机自身运动以及两者之间相对运动造成的图像模糊化；B3、对图像进行降噪操作：采用改进的自适应中值滤波方法，用于除去风电机组所在环境的多样性而导致无人机成像产生的高斯噪声与椒盐噪声，进行去噪；B4、进行图像增强操作：为突出显示风电叶片上某些不明显的细小裂纹，以及减小外在因素影响，采用了emphasize算子实现图像增强，计算得到图像增强后的像素灰度值。3.根据权利要求2所述的一种风电叶片表面缺陷快速检测方法，其特征在于，风电叶片表面缺陷图像预处理中维纳滤波算法目标是找到具有叶片缺陷原始图像f(x)的估值f^(x)，从而使两者均方差最小；均方差公式为：e2(x)＝|f(x)
‑
f^(x)|2以上均方差公式中误差函数的最小值在频域中的计算为：式中H(x,y)为退化函数；S
n
(x,y)为噪声的功率谱；S
f
(x,y)为未退化图像的功率谱；G(x,y)为退化图像的变换。4.根据权利要求2所述的一种风电叶片表面缺陷快速检测方法，其特征在于，风电叶片表面缺陷图像预处...

【专利技术属性】
技术研发人员：楚长力，严皓，张涛，陈宏磊，
申请(专利权)人：焱图慧云苏州信息科技有限公司，
类型：发明
国别省市：