基于激光點云的風機葉片無人機自主巡檢策略研究

溫 晗 王 劍

（河北華電沽源風電有限公司，張家口 075000）

隨著新能源行業的不斷發展，風力電場日常巡檢的重要性日益提升。針對目前風場風機葉片的巡檢狀況，提出采用無人機自主巡檢模式，以提高巡檢效率和降低運維成本。如何確定風機葉片故障的空間位置，獲得準確且安全的飛行路徑，是自主巡檢的核心[1]。

1 激光雷達巡檢

激光雷達（Light Detection and Ranging，LiDAR）測量技術作為獲取三維地理信息的新型技術，能夠很好地規避因風機葉片紋理特征不夠豐富而無法進行圖像特征提取與匹配等問題[2]。以激光雷達發射脈沖激光作為探測信號，當激光光束遇到物體后，經過漫反射返回至激光接收器。雷達模塊根據發送和接收信號的時間間隔乘以光速再除以2，即可計算出發射器與物體之間的距離。

激光雷達按照激光線束的不同，可分為單線激光雷達和多線激光雷達。其中：單線激光雷達數據缺少一個維度，只能描述線狀信息，無法描述面；多線激光雷達包含多條激光線束，輪詢多個激光發射器，在一個輪詢周期后得到一幀的激光點云數據。多條點云數據可以組成面狀信息，從而獲取障礙物的高度信息。根據單幀的點云坐標，可得到障礙物的距離信息。根據多幀的點云坐標，對距離信息做微分處理，可得到障礙物的速度信息。

在實際的風電巡檢中，無人機搭載360°多線激光雷達，可獲取風機主體的三維點云數據。為了剔除不必要的背景和噪聲影響，可根據無人機和風機平面水平距離S和風機葉片長度L，計算得到包含風機主體的、用于分割前景和背景點云的最小閾值T。另外，由于實際飛行時無人機和風機平面朝向并不嚴格垂直，因此需要適當放寬該分割閾值[3]。結合無人機與風機水平間距S和風葉長度L的閾值的計算示意圖，如圖1所示。

圖1 點云分割閾值計算示意圖

通過數學形態學方法對前景中離散噪點進行濾波處理。這種濾波算法中窗口大小的選擇對濾波效果存在重要影響，可以根據無人機與風機間距動態選取。通過先膨脹后腐蝕的閉運算方式，可將相鄰的數據點構成連通域后再剔除離散噪點[4]。

2 激光點云數據分析及路徑規劃

由于激光雷達得到的點云分布并不規則，在三維空間的分布形態呈現為離散的數據點，使用歐幾里得聚類方法對風葉主體進行聚合得到風機主體形狀。修正無人機的位姿，確保無人機飛行軌跡能夠與風機保持平行。通過對聚類后的點云求平均值，可得到輪轂中心的準確位置，再根據輪轂中心是否在塔筒軸線上進行偏航角度的判斷。

由于每個風機靜止時風葉位置具有不確定性，因此需要在無人機處于預設距離時根據可見光相機采集到的風機主體預先估算出每個葉片所處的位置。由于塔筒的安裝角度都是固定的，以雷達點云確定的風機主體作為感興趣區域，剔除其余部分的可見光數據。此時，可見光圖像將只保留風葉、輪轂以及塔筒區域，因此可將塔筒作為參考，計算某一葉片與塔筒之間的夾角，進而推算出其余葉片的位置。

3 故障診斷及定位

無人機進行圖像采集時，會先定位到風力發電機輪轂位置，并在到達檢測指定距離后，以輪轂中心作為原點采集第一幅圖像，然后按照特定時間和間隔不斷沿著一個方向對所有經過的風葉拍照進行圖像采集。在拍攝時刻，飛控會記錄當時的無人機位置，并和記錄的原點位置做差，從而得到圖像相對于原點的實際偏移量。當圖像中存在缺陷時，可直接查詢缺陷所在圖像的實際偏移量。由于該偏移量反映的是圖像中心的值，且缺陷與圖像中心并非屬于同一位置，因此通過圖像偏移量只可實現對缺陷的粗定位[5]。如圖2所示，X和Y代表了缺陷所在圖像相對于原點（表示為五角星）的偏移量，如果用其作為缺陷位置，則會與其實際位置存在一定的偏差。

圖2 利用缺陷所處圖像的偏移量進行定位

為了實現更加準確的缺陷定位，需要考慮缺陷在圖像中的位置。由于圖像中心與缺陷中心在圖像坐標系下存在偏移，按照圖像坐標系與相機坐標系之間的轉換關系，在已知相機焦距f和無人機與風機平面間距的情況下，依照透視投影關系得到該缺陷相對于圖像中心的實際偏移量和。相機坐標系與圖像坐標系間的轉換關系如圖3所示。

圖3 相機坐標系與圖像坐標系的關系示意圖

其中：

得到缺陷相對于圖像中心的實際偏移量后，需要在圖像偏移量X和Y的基礎上對缺陷偏移量x'和y'進行補償。由于缺陷位置和葉片位置的不同，x'和y'并非完全等同于和，還包含了正負號。經過補償后，缺陷相對于原點的實際位置將更加準確。缺陷細定位的示意圖如圖4所示。

圖4 利用缺陷實際偏移量補償進行細定位

4 結語

本文提出基于激光點云精確定位的風機葉片無人機自主巡檢系統方案，基于高精度三維激光點云數據獲取葉片的空間位置，自主規劃飛行航線，滿足葉片巡檢拍攝要求，并能夠準確提供檢測缺陷定位，從而實現智能化檢測，可為后續風力發電葉片無人機自主巡檢提供新的發展方向。