基于YOLO 算法的風機葉片損傷檢測研究

陳 堃

（華電福新能源發展有限公司江蘇分公司，江蘇連云港 222227）

0 引言

隨著煤炭價格的再創新高和發電成本不斷攀升，電量出現供需不平現象。為保證民生和企業生產，我國開始大力發展風力發電，利用風能資源來滿足電力需求。而作為風機核心部件的葉片，易受風速、風力等級、葉片位置、葉片材料等影響，導致葉片在風機運行過程中出現故障，進而影響風機發電的效率，因此，如何智能檢測風機葉片的運行狀態并及時預警，成為亟待解決的難題。

目前，已經有較多的葉片故障檢測方式，文獻[1]中提出了基于改進的Canny 算法的風機葉片結冰檢測，通過將改進Canny 算法與顯著物識別算法結合，識別圖像邊緣像素并計算每一個點的像素梯度，最后利用灰度值分割法確定最優閾值，實現葉片結冰圖像識別；文獻[2]提出了一種基于全卷積神經網絡的風機葉片表面損傷檢測，通過全卷積神經網絡進行語義分割，然后通過對裂紋像素點提取計算出損傷區域和損傷級別，進而進行風機葉片表面損傷識別；文獻[3]提出了基于Mask R-CNN 的風機葉片缺陷分類及定位，以ResNet101 為骨干網絡，先在Coco 數據集上對模型進行預訓練，后通過遷移學習對模型進行微調，將模型應用在風機葉片的缺陷分類、缺陷區域矩形框回歸和缺陷區域MASK 生成等，形成最終的風機葉片缺陷識別模型。

本文提出了一種基于YOLO 模型的風機葉片損傷檢測研究，利用公開數據集進行模型預訓練，保存模型的網絡結構和參數，通過遷移學習對模型進行微調，結合風機葉片數據，提取出葉片損傷的圖像特征，并進行葉片損傷判別和葉片損傷定位，為風電現場運維人員提供更為全面的輔助決策信息。

1 方法設計

通過項目研究，風機葉片的數據來源是在機艙頂部安裝攝像機平臺進行視頻采集，考慮到風機不同狀態下的視頻具有一定規律性、易出現冗余圖片，因此需要對視頻進行預處理。本文的具體方法設計見圖1。

圖1 方法設計

1.1 數據預處理

風機葉片存在兩種狀態，靜止或旋轉，在葉片靜止狀態下，視頻畫面處于靜止，只需間隔取圖，減少服務器的計算壓力，在葉片旋轉狀態下，視頻畫面處于閃爍，需過濾不存在風機葉片或葉片不完整的幀。

（1）視頻切圖。攝像頭云臺的幀率是50 fps，即每秒鐘顯示50 個畫面，對視頻進行切圖處理，選取一段時間的風機葉片旋轉數據，并在此視頻中選取1000 張有效圖片進行模型訓練。

（2）圖片預處理。在計算機視覺中，為了擴大數據集、抑制過擬合，提升模型的泛化能力，需要進行數據增廣，隨機改變訓練樣本以降低模型對某些屬性的依賴，常見的圖像增廣方式有隨機改變亮暗、對比度和顏色，隨機填充，隨機裁剪，隨機縮放，隨機翻轉，隨機打亂真實框排列順序等。

1.2 YOLO 模型設計

YOLO 模型是將物體檢測作為一個回歸問題進行求解，傳統的目標檢測是分為兩步：①通過策略提取候選框確定候選區域；②對候選框進行兩個任務，一是對候選區域內容進行圖像分類，二是對候選區域和真實框位置進行框回歸。YOLO 模型只需要一步：輸入圖像經過一次網絡，便能得到圖像中所有物體的位置和其所屬類別及相應的置信概率[4]。

YOLO 模型也經過多次迭代，YOLO v1 和YOLO v2 因為模型設計方面存在著小目標檢測效果不好，因此選用YOLO v3 作為風機葉片損傷模型的基本算法模型。

1.2.1 網絡結構

YOLO v3 的骨干網絡選用Darknet53，該結構由52 個卷積層構成，沒有全連接層和池化層，保留卷積和殘差模塊為圖像特征提取的基本網絡結構[5]。以圖片尺寸256×256 為例，Darknet53的結構如圖2 所示。

圖2 DarkNet53 結構

在確定了Darknet53 之后，再添加檢測相關的網絡模塊（圖3）。此外，模型還進行了多尺度檢測，建立不同錨框尺寸的多層級特征圖：錨框尺寸越大，能捕捉大尺寸目標的信息；錨框尺寸越小，能捕捉小尺寸目標的信息。

圖3 檢測網絡模塊結構

1.2.2 損失函數

YOLO v3 是建立3 種類型的損失函數：①目標性損失Lobj，表征是否包含目標物體的損失函數；②框位置損失Lloc，表征物體位置的損失函數；③分類損失Lcls，表征物體類別的損失函數。

然后將3 種類型的損失函數相加，形成總損失函數Loss總=Lobj+Lloc+Lcls。

在多尺度檢測中，不同層級的損失函數也是通過累加計算，形成最終得損失函數。其中，i 是設置的層級數，默認i=3。

1.2.3 激活函數

激活函數是在深度學習模型中加入非線性因素，使得避免在優化過程中出現梯度消失和梯度爆炸。在YOLO v3 模型中，激活函數是用的Leaky Relu，雖然Relu 函數在一定程度上解決了梯度消失的問題，但是在梯度為負值時直接將值修正為0，導致在神經網絡中出現無效神經元。為解決這一問題，Leaky Relu給負值給予一個較小的線性分量來調整負值的零梯度：

其中，x 是YOLO v3 模型里邊的梯度值，a 是線性分量、默認值為0.01[6]。

1.2.4 非最大抑制

YOLO 是將圖片分割成S×S 個格子，經過骨干網絡之后，預測每個格是否存在目標、目標的邊界框、目標的類別，并用非最大抑制篩選出最好的邊界框。其基本原則是，如果有多個預測框都對應同一個物體，則只選出得分最高的預測框。

1.3 識別葉片異常

（1）模型評估。作為目標檢測衡量檢測精度的指標，mAP（Mean Average Precision，均值平均精度）是對多個驗證集個體求平均AP（Average Precision，平均精確度）值。以召回率和準確率為行縱坐標，得到二維曲線（即PR 曲線），將曲線下的面積當作衡量尺度，得到AP 值其中，QR是驗證集的個數，AP 是每個驗證集PR 曲線下的面積。PR（Precision Recall）曲線是指用橫軸表示召回率、縱軸表示精確率，將數據繪制成圖表的形式所得到的曲線。

（2）模型優化。在進行損失函數優化時，Adam 優化器能利用梯度一階矩估計和二階矩估計動態調整每個參數的學習率。

2 實驗與結果分析

本文選用某風場10 臺風機的視頻數據進行預處理，并以YOLO v3 算法為檢測算法，進行風機葉片損傷識別。

通過Colabeler 進行圖像標注，生成包含圖片路徑、圖片大小、真實框位置、葉片損傷類別等關鍵性信息的xml 文件，記錄模型訓練需要的各項信息。

2.1 模型配置

神經網絡模型需要用超參數來初始化模型，YOLO v3 模型的超參數設置見表1。

表1 超參數配置

2.2 訓練

首先固定好在Coco 數據集上訓練好的模型參數，只微調最后一層，用新的YOLO 預測函數替換預先訓練好的預測函數，并將風機葉片數據集按照6、2、2 劃分訓練集、驗證集和測試集，最后加入到模型中訓練。

2.3 預測結果分析

為表現出YOLO v3 算法模型的優勢，特意選用YOLO v1，YOLO v2，YOLO v3 三個版本的模型形成對照組，則模型在數據集上的表現如圖4 所示。

圖4 3 種模型的mAP 曲線

從圖4 可以看出，YOLO v3 的迭代40 次時mAP 的表現性最優，因此，選用YOLO v3 為最終的風機葉片損傷判別模型[7]。

3 結束語

本文通過視頻采集風機葉片有效圖片并對圖片進行增強處理，隨機進行旋轉、裁剪、縮放、翻轉等，然后固定YOLO 在Coco數據集中的網絡參數，微調最后一層，對風機葉片進行損傷判別。另外還選取YOLO 模型的3 種變體進行綜合訓練分析，將結果最好的模型作為最終的風機葉片損傷判別模型。

模型訓練結束后，將模型部署并進行實時葉片圖像識別，能及時發現風機葉片在運行過程中的異常，并上傳工單及時告警，替代傳統的人工檢測方式，從而減少運維成本和經濟損失[8]。