基于機器視覺的風(fēng)力機葉片損傷檢測系統(tǒng)

王一博, 韓巧麗, 張曦文, 吳成龍, 楊敏

(1.內(nèi)蒙古農(nóng)業(yè)大學(xué)機電工程學(xué)院， 呼和浩特 010018； 2.內(nèi)蒙古農(nóng)業(yè)大學(xué)能源與交通工程學(xué)院， 呼和浩特 010018)

風(fēng)能作為發(fā)展最快的高效清潔可再生能源，風(fēng)電裝機規(guī)模不斷擴大，截至2020年底，全球風(fēng)電總裝機規(guī)模已達7.44×108kW[1]，中國風(fēng)電累計裝機2.81×108kW，已成為世界裝機第一的風(fēng)電大國[2]。葉片作為風(fēng)力機的關(guān)鍵部件，其安全可靠性對整個風(fēng)電機組穩(wěn)定運行起著至關(guān)重要的作用。除自身受力外，受風(fēng)沙雨雪沖蝕、紫外線輻射等自然因素影響，表面出現(xiàn)砂眼、裂紋、磨損等早期損傷特征，使得葉片氣動性能下降，損傷處在雨雪作用后極易受到閃電雷擊的破壞，連續(xù)作用下造成葉片破裂或斷裂釀成葉片事故，增加了運行風(fēng)險和運維成本，影響風(fēng)電場經(jīng)濟效益[3]。

中外常見的風(fēng)力機葉片無損檢測方法的相關(guān)研究包括：聲發(fā)射、振動、光纖光柵、電阻應(yīng)變、超聲波、紅外熱成像和機器視覺檢測技術(shù)等[4]，目前的檢測技術(shù)存在一定局限性，如應(yīng)用條件應(yīng)用范圍受限、抗干擾能力差、檢測成本較高等。機器視覺檢測技術(shù)是借助相機代替人眼進行圖像獲取，搭配圖像處理算法對圖像進行處理和分析，實現(xiàn)從圖像中提取出目標信息并通過識別系統(tǒng)進行評價估計，除具備非接觸式無損檢測優(yōu)點，還具有遠程檢測、低成本、高效率、高精度等優(yōu)勢。機器視覺檢測技術(shù)應(yīng)用廣泛，如機械中精密零件的無損探傷和質(zhì)量檢測[5]，電子中芯片引腳的尺寸測量及缺陷檢測[6]，電氣設(shè)備如繼電器軛鐵高精度測量[7]等。

基于機器視覺的表面缺陷方法包括圖像處理的缺陷檢測方法[8]。王雪平等[9]對風(fēng)電機組葉片表面無損檢測方法，對風(fēng)電葉片風(fēng)沙侵蝕程度進行檢測，實現(xiàn)對葉片缺陷損傷區(qū)域的識別與特征參數(shù)的提取。陳建平等[10]針對在役風(fēng)力機葉片運行狀態(tài)監(jiān)測，提出一種基于機器視覺的動態(tài)位置偏差法，結(jié)合圖像處理技術(shù)，實現(xiàn)葉片運行狀態(tài)監(jiān)測的目的。仇梓峰[11]基于計算機視覺技術(shù)研究并開發(fā)了針對葉片損傷進行自動檢測算法和健康維護系統(tǒng)，應(yīng)用并達到實際風(fēng)電場的運維要求。李萬潤等[12]基于機器視覺技術(shù)進行圖像獲取并結(jié)合圖像處理技術(shù)，對風(fēng)電葉片表面的劃痕進行特征提取，能夠較好地自動識別葉片表面劃痕。Peng等[13]針對運動模糊進行圖像降噪、增強等預(yù)處理，使目標區(qū)域的裂縫等細節(jié)更加突出，同時提出一種基于灰度值的裂縫分析方法，降低了風(fēng)電機組維護成本。Chen等[14]提出了三點斜率偏差方法并通過校準、圖像拼接預(yù)處理和閾值分割算法來設(shè)計監(jiān)測風(fēng)電機組葉片運行狀態(tài)、識別率等預(yù)警系統(tǒng)。

綜上所述，針對風(fēng)力機葉片表面出現(xiàn)的磨損等早期損傷特征，考慮到現(xiàn)役風(fēng)力機葉片運行特點，通過實驗室搭建平臺完成圖像采集，通過圖像處理技術(shù)，包括顏色平面提取、濾波、閾值分割、數(shù)學(xué)形態(tài)學(xué)去噪等操作完成特征提取，并設(shè)計LabVIEW智能圖像識別系統(tǒng)，對損傷進行識別、標記、計數(shù)和測量，基于機器視覺和圖像處理技術(shù)對風(fēng)力機葉片的損傷檢測系統(tǒng)進行研究，完成葉片損傷檢測實驗并對結(jié)果進行分析，實現(xiàn)無損探傷，為兆瓦級風(fēng)力機葉片損傷檢測提供方法借鑒和技術(shù)支持。

1 損傷檢測系統(tǒng)工作原理

應(yīng)用于風(fēng)力機葉片的機器視覺檢測技術(shù)，通過相機代替人眼進行圖像采集并通過上位機的NI Vision選擇合適的圖像算法進行處理，提取圖像信息特征，將處理過的圖像通過設(shè)計的LabVIEW圖像識別系統(tǒng)來完成葉片損傷檢測和目標測量，主要用于風(fēng)力機葉片表面裂紋、表形輪廓損傷等檢測和裂紋實際長度的測量并實現(xiàn)數(shù)據(jù)保存。損傷檢測系統(tǒng)工作流程圖，如圖1所示。

圖1 損傷檢測系統(tǒng)工作流程Fig.1 Work flow of damage detection system

2 圖像處理

為了方便特征提取，提高識別的準確性，通過采用圖像處理技術(shù)，對拍攝圖像進行預(yù)處理，包括：顏色平面提取、濾波、閾值分割、形態(tài)學(xué)處理等操作。

2.1 顏色平面提取

在圖像領(lǐng)域中使用的HSV色彩空間由色調(diào)(hue,H)、飽和度(saturation,S)和亮度(value,V)3個分量構(gòu)成[15]，色彩空間模型呈倒立錐型結(jié)構(gòu)，基于圓柱三維坐標表示，視覺上更具直觀性。對拍攝的彩色風(fēng)力機葉片圖像在HSV色彩空間進行灰度處理，提取V面，得到灰度圖像，方便后續(xù)進行處理。

2.2 卷積型-高亮顯示濾波

無損傷風(fēng)力機葉片表面光滑，損傷葉片表面呈現(xiàn)裂紋或輪廓磨損等，運用Vision Assistant中Highlight Details濾波突出兩種類型葉片的細節(jié)差異，增強圖像中目標輪廓或邊緣等高頻信息，去除或削弱不必要信息，使圖像更銳化，對圖像邊緣信息保護較好，并突出圖像細節(jié)特點，處理后的圖像清晰，方便后續(xù)識別。

通過卷積運算使葉片圖像在空間域的圖像增強，卷積核(模板)設(shè)計為3×3的方形陣列并賦值，如式(1)所示，該卷積核類型設(shè)計增強目標邊或輪廓等高頻細節(jié)。

(1)

在計算時，將卷積核從圖像的左上角到右下角逐點平移滑動[16]，加權(quán)求和運算得到覆蓋圖像部分中心點的新像素值。經(jīng)Highlight Details卷積運算后的模板中心位置對應(yīng)的值為

P′5=-P1-P2-P3-P4+10P5-P6-P7-

P8-P9

(2)

式(2)中：P′5為卷積運算后模版中心位置值；Pi為像素灰度，i=1，2，…，9。

2.3 閾值分割

圖像分割是對圖形分析進行簡化處理并做出機器決策，根據(jù)圖像灰度、形狀等參數(shù)，將其劃分成不同的子區(qū)域，并使這些參數(shù)在同一區(qū)域內(nèi)呈現(xiàn)相似性，在不同區(qū)域之間呈現(xiàn)明顯的差異性[17]。自動閾值分割法基于圖像的灰度直方圖來確定灰度閾值，適用性強，對于機器視覺系統(tǒng)采集的圖像存在光照情況不同的問題，也能正常進行分割。經(jīng)過多次預(yù)調(diào)試，選用NI Vision(LabVIEW內(nèi)置的具有強大功能的視覺開發(fā)工具包[7])支持的自動閾值分割方法中最小均勻性度量法進行閾值分割處理，其思想是，假設(shè)圖像被分為目標A和背景B，同一個類別的像素值分布應(yīng)具有均勻性。類的均勻性可以采用法方差或灰度級到該類均值的絕對值來衡量。假定圖像表示為f(x,y),當使用方差衡量類的均勻性時，只需選擇閾值使A和B的混合均勻性最小，可表示為

(3)

兩個類的概率說明該類像素對圖像的影響程度，其計算公式為

(4)

式(4)中：NA、NB為類像素數(shù)量；N為圖像像素總數(shù)。

類中像素灰度的平均值可表示為

(5)

(6)

2.4 數(shù)學(xué)形態(tài)學(xué)去噪法處理

經(jīng)閾值化處理后的二值圖像通過數(shù)學(xué)形態(tài)學(xué)去噪法處理先腐蝕(Erosion)再膨脹(Dilation)，進行開運算，去除圖像中不必要的信息，如噪聲、相互重疊的區(qū)域等[18]，還可以做到不破壞圖像邊緣輪廓的細節(jié)，經(jīng)過形態(tài)學(xué)處理提高了算法的準確性[19]。灰度級形態(tài)學(xué)處理公式如下。

灰度級形態(tài)學(xué)腐蝕處理：

(7)

式(7)中：f為原圖像相關(guān)矩陣；Θ為腐蝕操作符號；min為取最小值操作符號；bN為結(jié)構(gòu)范圍元素；(s，t)為坐標元素。

灰度級形態(tài)學(xué)膨脹處理：

(8)

灰度級形態(tài)學(xué)的開操作處理：

f°b=(fΘb)⊕b

(9)

式(9)中：° 為開運算符號；⊕為膨脹操作符號；b為非平坦結(jié)構(gòu)元。

經(jīng)過算法處理后的圖像更適合于進行基于顆粒的定量分析、提取目標模型或進行目標識別。由于物體表面具有不同反光現(xiàn)象，背景可能因光照條件與目標像素灰度值差別不明顯而被誤判為目標像素，閾值分割后的二值圖像中會出現(xiàn)非目標物體的小區(qū)域。通過設(shè)定面積閾值，去除不符合要求區(qū)域，提取出符合要求區(qū)域特征，完成移除小物體操作。

3 LabVIEW圖像識別系統(tǒng)

風(fēng)力機葉片經(jīng)過算法處理完成之后，在LabVIEW 圖像識別系統(tǒng)里面運用識別函數(shù)進行詳細識別，設(shè)計基于LabVIEW的風(fēng)力機葉片損傷識別測量系統(tǒng)，系統(tǒng)主界面如圖2所示，系統(tǒng)包括：參數(shù)設(shè)定、損傷檢測識別、損傷檢測結(jié)果分析和目標裂紋長度計算測量。

3.1 損傷檢測

通過葉片裂紋和輪廓損傷等部分識別顏色各不相同，運用LabVIEW識別函數(shù)(Classification)進行識別分析，由于識別函數(shù)在LabVIEW的NI Vision中，生成vi后無法進行參數(shù)修改和標定，可直接選擇系統(tǒng)調(diào)用程序，選擇圖像中感興趣部分(region of interest)進行識別，損傷檢測系統(tǒng)主要針對風(fēng)力機葉片的裂紋和輪廓損傷處進行識別。

由LabVIEW系統(tǒng)主界面圖中損傷檢測系統(tǒng)可以看出，選擇需要識別的損傷葉片進行識別，損傷檢測識別系統(tǒng)將檢測到的裂紋處進行矩形框標記并將裂紋數(shù)目統(tǒng)計在系統(tǒng)界面右側(cè)的結(jié)果分析。將檢測到的輪廓損傷通過紅色標記線沿損傷輪廓進行標記，通過預(yù)實驗，當閾值參數(shù)設(shè)定為4像素時，輪廓損傷識別效果最好，當損傷葉片識別參數(shù)超過設(shè)定閾值，進行報錯，系統(tǒng)顯示紅燈，提示葉片存在輪廓損傷，當識別參數(shù)未超過設(shè)定閾值，系統(tǒng)顯示綠燈，葉片不存在輪廓損傷，輪廓參數(shù)分析圖和輪廓損傷提示燈在結(jié)果分析中實時顯示。系統(tǒng)主界面能清楚觀察葉片損傷位置、類型和損傷數(shù)目等。

3.2 目標測量

經(jīng)過類型識別模塊處理后，還需要對裂紋損傷長度進行測量估計[20]。為此，運用LabVIEW視覺功能中的線條輪廓(line profile)函數(shù)，選擇測量部分，標定一條直線[17]。通過比例尺參數(shù)標定，進行實際長度轉(zhuǎn)換，實現(xiàn)葉片裂紋目標實際長度的測量并記錄，由LabVIEW系統(tǒng)主界面圖中測量計算系統(tǒng)可以看出函數(shù)值和裂紋記錄面板，能清楚觀察面板得到每條裂紋的實際長度值，并通過保存按鈕進行數(shù)據(jù)保存?zhèn)浞荨?/p>

4 實驗與分析

實驗室建立風(fēng)力機葉片的機器視覺損傷檢測系統(tǒng)實驗平臺，如圖3所示。學(xué)習(xí)適合損傷風(fēng)力機葉片圖像處理算法，設(shè)計LabVIEW圖像識別系統(tǒng)，完成損傷風(fēng)力機葉片的采集、處理、識別和測量，并對結(jié)果進行分析。

圖3 圖像采集實驗平臺Fig.3 Image acquisition experimental platform

4.1 圖像采集

實驗平臺搭建完成，選用EOS 800D數(shù)碼相機(2 400萬像素6 000×4 000)進行圖像獲取。采集的風(fēng)力機葉片損傷處呈裂紋或輪廓磨損狀等，部分局部損傷葉片缺陷圖如圖4所示。

比例尺：1∶8圖4 部分局部損傷葉片缺陷圖Fig.4 Defect diagram of partial damaged blade

4.2 圖像處理

為了方便損傷葉片特征提取，對采集的損傷風(fēng)力機葉片圖像使用合適的處理算法進行圖像處理，包括：顏色平面提取、濾波、閾值分割、形態(tài)學(xué)處理等操作。任意選取兩個采集的損傷葉片a、b，基于適合風(fēng)力機葉片的圖像處理算法處理完成后得到的處理效果圖，分別如圖5、圖6所示，損傷葉片裂紋和輪廓磨損清晰可見。

比例尺：1∶12圖5 損傷葉片aFig.5 Damaged blade a

比例尺1∶12圖6 損傷葉片bFig.6 Damaged blade b

實驗結(jié)果表明，可實現(xiàn)對風(fēng)力機葉片裂紋、輪廓損傷處的圖像處理。

4.3 圖像識別效果和分析

通過LabVIEW智能損傷檢測系統(tǒng)對損傷類型識別和裂紋損傷長度的測量。損傷葉片a、b檢測識別效果圖分別如圖7、圖8所示。

圖7 損傷葉片a檢測識別分析效果Fig.7 Effect of damaged blade a detection, identification and analysis

圖8 損傷葉片b檢測識別效果Fig.8 Effect of damaged blade b detection and identification

由圖7可知，損傷葉片a經(jīng)損傷檢測系統(tǒng)識別，檢測到兩處裂痕并進行外矩型框標記記錄，系統(tǒng)結(jié)果分析處記錄裂痕數(shù)目，輪廓出現(xiàn)損傷并紅色標記“FAIL”提醒。

由圖8所示，損傷葉片b經(jīng)損傷檢測系統(tǒng)識別，檢測到4處裂痕并進行外矩型框標記記錄，系統(tǒng)結(jié)果分析處記錄裂痕數(shù)目，輪廓無損傷并綠色標記“Pass”通過。

風(fēng)力機葉片a裂紋損傷目標測量效果，如圖9所示。由圖9可知，損傷葉片a經(jīng)系統(tǒng)測量計算，通過對每條裂痕標記測量得出裂痕長度并記錄在面板。實驗結(jié)果表明，該系統(tǒng)能實現(xiàn)風(fēng)力機葉片裂紋處和輪廓損傷處正確識別標記，實現(xiàn)裂痕損傷數(shù)統(tǒng)計和輪廓損傷的提醒，實現(xiàn)裂紋實際長度的測量記錄，實現(xiàn)數(shù)據(jù)保存。

為了測試系統(tǒng)識別精準度，在實驗室搭建實驗平臺，選取了存在裂紋或輪廓損傷等風(fēng)力機葉片圖像并進行損傷檢測。經(jīng)過實驗，通過系統(tǒng)對損傷檢測識別出的損傷數(shù)量與采集圖像中實際損傷數(shù)量的比值可得識別準確率為92.3%，通過游標卡尺測量實際裂紋長度的直線距離值和系統(tǒng)目標測量值的最大絕對誤差為3 mm。識別準確率Ra和絕對誤差A(yù)error的計算公式分別為

(10)

Aerror=x-y

(11)

式中：m為系統(tǒng)識別損傷數(shù)量；n為實際損傷數(shù)量；x為系統(tǒng)目標測量值；y為游標卡尺測量實際長度。

損傷檢測參數(shù)標定如表1所示。

本次設(shè)計的風(fēng)力機葉片損傷檢測系統(tǒng)在存在污垢干擾的情況下，在范圍內(nèi)可以較好地檢測辨別葉片存在的裂紋和輪廓損傷，基于機器視覺識別分析和圖像處理進行風(fēng)力機葉片損傷檢測的方法可行。

圖9 葉片a目標測量效果Fig.9 Target measurement effect

表1 損傷檢測參數(shù)標定

5 結(jié)論

設(shè)計了一套基于機器視覺的風(fēng)力機葉片損傷檢測和目標測量系統(tǒng)，選擇了適合損傷風(fēng)力機葉片圖像處理算法進行圖像處理，通過NI Vision完成圖像預(yù)處理操作，設(shè)計了基于LabVIEW的風(fēng)力機葉片智能圖像識別系統(tǒng)，使用圖像識別函數(shù)對處理圖像進行識別，通過對損傷的識別效果調(diào)試，完成性能測試，可實現(xiàn)高效率、低成本、直觀形象地自動化識別風(fēng)力機葉片表面裂紋和輪廓等損傷檢測、標記計數(shù)并進行裂紋目標實際長度測量和輪廓損傷評價估計。得出如下結(jié)論。

(1)實驗結(jié)果證明，該算法和識別系統(tǒng)，滿足風(fēng)力機葉片損傷檢測的基本要求，為兆瓦級風(fēng)力機葉片損傷檢測提供合適的圖像算法處理和系統(tǒng)設(shè)計參考。

(2)本實驗在污垢干擾的情況下仍能實現(xiàn)較高的識別準確率，今后考慮引入其他編程語言，發(fā)揮LabVIEW兼顧其他高級編程語言的開發(fā)特點，充分進行測量分析與處理，豐富功能模塊，提高算法的準確性和適應(yīng)性。