改進FA優化SVM的風機葉片裂紋檢測模型

湯占軍，孫棟欽，李英娜，陸 鵬

（1.昆明理工大學 信息工程與自動化學院，云南 昆明 650500；2.云南龍源風力發電有限公司，云南 曲靖655000）

0 引言

能源和環境引發的問題日益增多，世界各國紛紛出臺了相應的能源結構轉型戰略。風力發電得到了廣泛的應用，國內風電市場也保持著強勁的增勢。葉片是風機的重要組成部分，也是易受損的部件。風沙、雨水、雷擊、冰凍，以及在安裝過程中的不當操作都會造成風機葉片不同程度的損傷。裂紋類損傷形成后會隨著雨水、風沙侵蝕逐漸擴大。此類損傷的早期發現可以給工作人員更多的調整維修時間。裂紋超過一定程度，風力發電機將被迫停機，影響風電場整體的發電計劃。更為嚴重的是，因裂紋過大而導致葉片折斷，甚至撞擊塔筒。因此，定期檢測風機葉片發現早期裂紋是十分必要的。

傳統的裂紋人工檢測方法主要有3種：地面敲擊辨音檢測法、地面望遠鏡觀測法、吊車輔助近距離觀測法[1]。人工檢測方法效率低下，經濟、時間成本高。由于受到主觀影響，漏檢率也比較高。近年來也有人提出對風機葉片裂紋的聲發射信號進行模式識別，或是通過分析風機出口氣動信號的檢測裂紋方法[2]，[3]。但一些老款的風力機沒有在葉片上安裝相應的傳感器，不能采集相關的數據。得益于無人機的快速發展，可以利用無人機巡航拍攝風機葉片圖像，再將圖像傳回后臺進行人工分析，排查故障，在一定程度上減 輕了巡檢人員工作量。無人機巡檢機動靈活，且數據存儲與傳輸方便，有利于構建風力行業大數據。但面對無人機巡檢拍攝的海量圖像，后臺工作人員受主觀經驗影響，難免會出現漏檢或誤檢。借助合適的模型，利用算法對無人機拍攝圖像進行裂紋識別有助于克服上述弊端。現有文獻對無人機巡檢風機葉片圖像缺陷檢測的相關研究不多。文獻[4]通過在魯棒性主成分分析（RPCA）模型中增加F范數和Laplacian正則項，使模型對缺陷的檢測更具魯棒性。雖然此算法能在一定程度上抑制風機葉片光照不均的問題，但是該算法以超像素為檢測單元，對于微小裂紋的檢測效果欠佳。

為提高風機葉片微小裂紋的檢測效率和準確率，本文提出了利用無人機拍攝的葉片圖像結合機器學習的方法進行裂紋識別。利用局部二值模式（LBP）和灰度共生矩陣（GLCM）對圖像進行特征提取。用改進的螢火蟲算法優化支持向量機（SVM）對特征向量進行訓練。為提高算法的搜索能力，引入混沌理論取得更好的種群初始位置，采用自適應步長的螢火蟲算法優化SVM參數。

1 圖片集處理

為了后續提取圖像特征，需要對圖片進行預處理。首先將原始圖像灰度化，將圖像的紅、綠、藍3種顏色按一定的權重轉化至0～255的灰度范圍內，再進行雙邊濾波。考慮到像素的鄰近關系，也考慮到了亮度上的相似性[5]。裂紋反映在圖片上更像是邊緣信息。為了更好地保持裂紋信息，雙邊濾波在灰度值變化大的風機葉片裂紋區域像素范圍域權重變大。使用Sobel邊緣檢測算法是為了使微小的裂紋更加地清晰。圖1為圖像處理前后的對比圖。

圖1 圖像預處理的對比Fig.1 Comparison of image preprocessing

1.1 LBP特征的提取

LBP算子窗口的大小為3×3，以中心位置為灰 度 閾 值[6]。經 式（1），（2）運 算 得 到 中 心 位 置 的LBP值。將窗口以步長為1移動，待軌跡覆蓋整幅圖片就得到一幅由LBP值組成的新圖。將這幅LBP值圖劃分為n×n個區域，每個區域都得到一個統計直方圖，連接后就成特征向量。

式 中：（xc，yc）為 中 心 位 置 的 坐 標；P為 與 中 心 位置相鄰的像素個數；ip為p位置的像素值；ic為中心位置的像素值。

式（1）中 的S（x）為

1.2 GLCM紋理提取

GLCM用于分析局部圖像，能反映方向、間隔、變化等信息。GLCM是兩個像素聯合分布的統計概率矩陣，除以矩陣元素的總和，每個元素被歸一化為特定距離和角度中對應像素對的概率[7]。

式中：P為像素點；下標d為兩像素點的距離；下標θ為方向角；i，j為轉換后圖像的灰度級。

取以下4個量來組成特征向量。

熵ENT反映風機葉片表面裂紋分布的不均勻性或復雜程度，熵值越大，葉片上的裂紋越多越復雜。對比度CON反映紋理清晰程度。裂紋越深像素灰度值差別越大；裂紋越淺灰度值差別越小，對比度越小。IDM為逆方差，風機葉片紋理越清晰、越有規律性、越容易描述，IDM的值越大。相關性COR越大表示在特定方向上灰度值的相關程度越高。圖2為提取圖片特征向量的基本流程。

圖2 提取特征基本流程Fig.2 The basic process of extracting features

2 SVM分類模型的構建

2.1 SVM介紹

在機器學習中，SVM是與學習算法相關的監督模型，用于分類和回歸分析[8]。在樣本數量較少且特征向量存在非線性、多維數的情況下，也能有良 好 的 泛 化 能 力。例 如，合 集D=（xi，yi），i=1，2，3…n，xi為 樣 本 的 特 征 向 量，yi為 類 別 是+或-，SVM能找到一個將不同類別劃分開來的超平面（圖3）。

圖3 SVM分類基本原理圖Fig.3 Basic schematic diagram of SVM classification

由于訓練樣本的局限性，測試樣本可能更加接近劃分面。為了讓模型有更好的魯棒性，劃分面與兩類別的間隔應最大化。在實際應用中常常出現難以確定一個超平面將樣本全部分開的情況，當然這樣的樣本應盡可能少。為此引入懲罰因子c，允許一些樣本不滿足約束。c越小，受到的約束就越小。現實問題中常常會出現不存在一個超平面能將不同樣本分開的情況。為解決此問題，可借助核函數將原始樣本空間映射到高緯度特征空間，在高緯度特征空間尋找超平面將樣本分類，核函數參數g定義了數據在高維空間的作用范圍。

2.2 基本螢火蟲算法優化SVM

SVM的分類效果會受到c和g的影響，可以利用優化算法搜索最優解。本文采用改進的螢火蟲算法優化SVM的c和g。

采用螢火蟲算法尋優c和g，可以看作螢火蟲分布在二維平面中，其橫坐標x對應c，縱坐標y對應g。在搜索過程中，螢火蟲靠光吸引感知范圍內的其他個體，同時也受到感知范圍內其他螢火蟲的吸引，種群向最亮的個體聚集。熒光素值越大，螢火蟲發出的光就越亮。初始情況下螢火蟲個體的熒光素li和感知半徑都相同。搜索過程中熒光素的大小跟螢火蟲個體當前所在的位置有關，找到的c，g越適合檢測模型，熒光素的值就越大。熒光素的更新公式為

式 中：t為 當 前 的 代 數；ρ（0＜ρ＜1）為 熒 光 素 的 揮發速率參 數；γ為更 新速 率；Ji（t+1）為t+1代 螢火蟲個體對檢測模型的適應值。

感知范圍隨周圍個體數量改變。周圍個體密度大，感知范圍就小，周圍個體密度小，感知范圍就變大。感知范圍更新公式為

在基本螢火蟲算法中，一般采用固定步長尋優，或者采用隨著迭代次數增加步長減小的動態步 長d。

式中：t為當前螢火蟲代數；alpha為步長，其初始值 為1。

將螢火蟲搜索得到的最優解用作SVM的參數，螢火蟲優化SVM的流程如圖4所示。

圖4 螢火蟲優化SVM的流程Fig.4 Flow chart of firefly optimization SVM

2.3 改進螢火蟲算法

使用混沌映射隨機生成種群初始位置有利于提高初始解的質量。本文引入了logistic映射策略。

式中：μ為混沌系數。

圖5為logistic映射圖。

由圖5可知，在 μ為4時陷入完全混沌。混沌是確定性非線性系統中存在的一種貌似無規則、隨機的運動，具有遍歷性、隨機性和內在規律性[9]。利用混沌的這幾個特性，可以在一定程度上防止算法陷入局部最優，提高算法的全局搜索能力，達 到 優 化 的 目 的。根 據 式（13）～（15）生 成 螢 火蟲個體的初始位置。

圖5 logistic映射圖Fig.5 Logistic map

式中：ub，lb分別為xij的上限和下限。

在基本螢火蟲算法中，一般采用固定步長尋優。如果步長選擇太小會導致算法運行前期個體不能迅速向鄰域內亮度高的螢火蟲靠近。反之，步長選擇太大會導致螢火蟲個體無法向最亮的個體進一步靠近。使算法的收斂性不穩定，影響求解精度。針對這種情況，本文采用了文獻[10]的自適應步長，引入了熒光因子的概念。

式中：xi為第i只螢火蟲的位置；xm為螢火蟲中最優位置；dmax為xm到其他螢火蟲的最遠距離。

按照Hi進行步長的更新。

式中：si為步長；smin，smax分別為設定的步長最小值和最大值。

根 據 式（16），（17），隨 著 算 法 運 行，螢 火 蟲 群中個體的亮度差異減小，移動步長也會相應減小，不至于因步長太大而跳過最優解。

2.4 算法描述

IFA優化分為以下步驟。

①利 用 混 沌 映 射 式（13），（14），（15）生 成 種 群初始位置，設定算法的一系列初始參數，搜索二維空間。

②采用驗證集均方根誤差作為適應度值。根據式（8）決定熒光素大小，使螢火蟲個體在式（9）計算的感知范圍內向亮度最大的個體移動，根據式（16），（17）計 算 移 動 步 長。

③每更新一代就重新計算適應度，同時更新熒光素、感知范圍和步長，直到最大迭代次數或者達到適應度要求。

④將得到的最優解代入SVM分類器中。

3 實驗及結果分析

3.1 風機葉片圖片集及處理

本文所使用的圖片集來自于云南某風電場的無人機拍攝的風機葉片。86張圖片中的葉片帶有微小裂紋，282張圖片葉片上無裂紋。由于原數據集樣本數量不多，容易造成過擬合現象。帶有微小裂紋的圖像較少，特征向量中可能存在某些部分與無裂紋圖像重疊，使得分類器對裂紋的識別度下降。

在無法獲得更多新數據的情況下，為減少過擬合的可能，同時解決樣本分布不均勻所帶來的問題。通過裁剪的方式將大小為400×300像素的原始圖像裁剪為300×300像素大小。為保證樣本多樣性，每一張原圖像都經過裁剪，將無裂紋樣本擴充到400張，帶有微小裂紋的圖像經過裁剪后，增 加 旋 轉（90°，180°）的 方 式 擴 充，同 樣 達 到400張。

將無裂紋、有裂紋兩類葉片圖片分別記為1和0。隨機選取其中480張圖片用于模型的訓練，160張組成驗證集，160張圖片用于測試模型的準確度。測試樣本的圖片不出現在訓練集圖片庫中。

對訓練集、驗證集和測試集圖片預處理，提取圖片LBP和GLCM特征并將二者串聯，構成每一張圖片的特征向量。用改進的螢火蟲算法尋優c，g參數后建立SVM風力發電機葉片裂紋檢測模型。

3.2 實驗結果與對比

改進的螢火蟲算法參數設置為n=20，max gen=100，ρ=0.5，l0=5，γ=0.6，r0=10，s0=0.25，smin=0.001，smax=1，β=0.08，nt=5。PSO和GA同 樣 設置為n=20，max gen=100。圖6為模型的適應度曲線。

由圖6可知，IFA收斂曲線下降比GA，PSO，FA都快得多，GA和PSO容易陷入局部最優。由于優化了螢火蟲的初始位置，在第一代IFA的求解精度就比FA高。采用了自適應的步長，能夠讓IFA獲得比FA更好的搜索能力，并得到更高的求解精度。

圖6 適應度曲線Fig.6 Fitness curve

為檢驗模型性能，分別用遺傳算法優化支持向量機 （GA-SVM）、粒子群優化支持向量機（PSO-SVM）、螢火蟲算法優化支持向量機（FASVM）和IFA-SVM檢測。用所有圖片集做實驗后，再用600張背景復雜的圖像（風機建造在山頂，葉片背景中常常出現樹木和云層）分訓練集、驗證集和測試集進行30次獨立實驗。記錄結果進行比較，主 要 衡 量 指 標 是 準 確 率（Accuracy，A），查 準 率（Precision，P）和 查 全 率（Recall，R）：

表1，2分別為各種檢測模型的性能比較和復雜背景下各種檢測模型的性能比較結果。

表1 各種檢測模型的性能比較Table1Performance comparison of various algorithms %

表2 各種檢測模型的性能比較（復雜背景）Table2Performance comparison of various algorithms（complex background）%

由表1，2可知，背景越復雜識別效果就越差。本文算法在兩種情況下比GA-SVM，PSO-SVM，FA-SVM都表現出更好的性能。由于將有裂紋的葉片誤查成無裂紋的葉片可能引起嚴重的后果，查準率顯得尤為重要。在查準率上本文算法對比其他算法均有不同程度的提高，說明了本文方法的有效性。

4 結論

為提高風機葉片微小裂紋的檢測效率和準確率，本文提出一種利用無人機拍攝的葉片圖像結合機器學習進行裂紋檢測的模型。提取圖像紋理特征，用改進的螢火蟲算法優化的SVM模型進行識別，得到以下結論。

①通過對圖像進行預處理能有效地減少模糊，提高提取的紋理特征質量。

②改進的螢火蟲算法優化的SVM模型與GA-SVM，PSO-SVM和FA-SVM進行對比，SVM模型獲得了更高的準確率、查準率和查全率。