海上风力发电机叶片裂纹图像分割方法研究

    张越 张印辉 何自芬

    摘 要：我国很多地区都是高风能地区，非常适合发展风力资源，尤其是海上风能资源的开发。但海上风能的开发受到设备的影响，在风力集中的地方，环境也十分恶劣，设备的损坏率较高，对于海上风力发电设备的运行会产生较大影响。本文首先分析了研究风机叶片裂纹检测的学者及其使用的检测方法。其次，分析了图像分割技术，主要包括对原有图像分割算法的改进，结合相关交叉学科的新理论寻求新的图像分割算法，以及对不同图像分割算法匹配合适的图像分割评价方法和评价准则。分析了基于区域分割、边缘检测及其他图像分割方法及其应用效果。大多数研究人员在对检测风机叶片裂纹时都使用较新技术来提高识别率，再将不同的方法进行结合运用，同时也不断尝试发掘新的图像分割算法以得到更好的效果。针对不同研究目标使用不同算法得到的效果准确度各有差异，因而针对不同模态的图像要结合不同的理论选取合适的方法。不管是引入新的概念和理论，还是将优势互补的算法相结合，都以提高风机叶片检测的精确度为目标。

    关键词：海上风力发电机;叶片裂纹;区域分割;边缘检测

    中图分类号：TM315? ? ? ? ? ? 文献标识码：A? ? ? ? ? ? 文章编号：1006—7973（2019）03-0074-05

    随着世界各国对能源安全、生态环境、气候变化等问题日益重视，加快发展风电已成为国际社会推动能源转型发展、应对全球气候变化的普遍共识和一致行动。过去10年，在国家政策的大力推动下，我国风电产业蓬勃发展。数据显示，2017年全国（除港、澳、台地区外）新增装机容量1966万千瓦，同比下降15.9%;累计装机容量达到1.88亿千瓦，同比增长11.7%，增速放缓。增速放缓的主要原因在于陆上风电现有产能利用率低，导致2017年中国陆上风电装机容量下滑19%至18.5吉瓦。尽管增速放缓，但不管是风电新增装机容量还是累计装机容量，中国均稳居世界第一。与陆上风电新增装机容量下滑形成对比的是，我国海上风电取得突破进展。数据显示，2017年海上風电新增装机共319台，新增装机容量达到116万千瓦，同比增长96.61%;累计装机达到279万千瓦。近年来，中国海上风电容量增长加速，反映了海上风电项目与陆上风电项目相比成本更低、电价有所改善的现状。而从中国海上风电项目的建设速度来看，政府有望实现“2020年海上风电容量增至5吉兆”的目标。因此消除海上风能获取的风力发电机设备的消极影响，可以有效提高海上风电容量。

    风能设备中的风机叶片是整个发电设备的核心，风机叶片的运作效率与工作环境的风速、风的持续性以及本身的叶片长度、宽度、离地面的距离都有非常大的关系，风机叶片的合理使用使其运作状态达到最佳是有很大困难的，不仅要结合当地环境和本身状态，还与管理人员的合理使用有重要关系，因此需要对风机叶片的使用进行规划整理和评估。现阶段对风机叶片进行状态监测和裂纹识别研究受到越来越多的学者关注，但研究重点依然集中在安装前的实验室阶段，对风机叶片的监测则因其裂纹信息获取难、无法及时反馈裂纹检测等原因，仍然无法实现完全的裂纹监测。本文主要分析总结当前风机叶片裂纹检测的研究现状、图像分割方法。

    1 海上风力发电机叶片裂纹检测研究现状

    1.1 国外研究现状

    国外在风能开发的风机叶片上投入了大量的资金，尤其对叶片的制作方面，对叶片质量要求很高。A.Ghoshal[1]等利用碳素纤维检测发电叶片在运作过程中的叶片损耗，发现碳素纤维能够有效地对风机叶片进行检测。而德国的一些专家利用风机叶片的震动频率进行检测，利用叶片异常频率来推断出风机叶片出现异常损坏，利用常规数据与异常数据进行对比计算评估，来发现叶片损坏之处。P.A.Joosse和M.J.Blanch[2]利用音波测试法对风机叶片进行检测，通过声音的反馈程度来判断风机发电设备是否出现损坏，对损坏部位进行准确定位。M.J.Blanch和A.G.Dutton[3]应用声发射技术的工作原理对风机叶片的振幅进行数据分析，来发现叶片的损坏部位，在检测叶片损坏部位方面效果十分的显著，但是这种方法比较耗费财力。L.Dolinski[4]等通过超音波设备对风机叶片进行运行过程的监测，对每个超音波监测波段进行观察整理数据，来推断风机叶片是否损坏以及损坏的部位，这种方法效果也比较好，但是比较耗费时间。

    1.2 国内研究现状

    国内的研究起步较晚，主要集中在以下学者的研究。肖劲松[5]等将红外线成像技术应用于风机叶片的无损检测，提到利用微波红外线折射原理对风机叶片进行折射反馈检测评估，检测是否有损坏的部位，但是这种方法还处于研究探索阶段，技术还没有完全成熟，还无法大面积的投入使用。赵新光[6]等利用与国外同种技术的声发射技术，对风机叶片进行分段检测，根据每段的声发射反馈进行判断，并在研究过程中加入一些先进技术从而能提高检测效率。曲弋[7]等利用叶片运用声发射技术对风机叶片的状态进行判断，对风机叶片是否发生裂痕以及发生裂痕的大小运用神经网络识别。徐玉秀[8]等利用ANSYS有限元软件建立了风机叶片的动力学模型，根据运作状态检测风机叶片损坏程度，这种方法简便且不耗费大量时间，但只能检测风机叶片是否正常工作，对于叶片损坏部位无法准确判断。李亚娟[9]等测试了含Ⅰ型分层缺陷的单向和多轴向的风机叶片的力学性能，监测了其声发射全过程，并对叶片的损伤过程及声发射特征做了研究。陆元明[10]等利用激光射线监测技术，对风机叶片进行整体扫描，达到实时监测的效果，并通过激光扫描技术实现了风机叶片损坏部位的准确定位，对叶片的监测修理都起到良好作用，但激光扫描技术还不太完善，无法大面积推广，且成本较高，现阶段还无法全面实施，但对今后的风机叶片检测方向提供了很好的方向。

    综上所述，国内外的研究主要运用声发射技术对风机叶片的裂纹进行检测，现阶段声发射技术的成熟运用能够在实验阶段有效的检测叶片内部结构的损伤，但在检测效率上因声发射信号的分析难度较大，降低了检测的反馈效率，使得在风机叶片实际运行时无法利用声发射技术进行有效的检测。对风机叶片运用图像分割技术处理的研究较少，图像分割处理也即可见光成像处理。运用该技术对风机叶片检测重点在于对裂纹区域的准确分割。本文重点对该方法进行分析研究。

    2 图像分割方法研究

    对海上风机叶片的裂纹检测，首先需要采集海上环境影响下的风机叶片图片再对图片图像进行分割。现有对图像分割技术的研究主要包括对原有图像分割算法的改进，结合相关交叉学科的新理论寻求新的图像分割算法，以及对不同图像分割算法匹配合适的图像分割评价方法和评价准则。迄今为止，典型而传统的图像分割算法分别为基于区域和边缘的分割方法。根据算法的不同，可分为区域分割、边缘分割和其他分割等三种方法。如图1所示，海上风机叶片从完好、轻度损伤、中度损伤、重度损伤的示意图。

    2.1 基于区域的图像分割法

    区域分割算法是图像分割算法中较为常用的部分，根据处理方式的不同，区域分割法可分为阈值分割、水域分割、区域生长法、分裂合并法和聚类法，下面对各方法的原理及其优缺点进行分析。

    2.1.1 阈值分割法

    基于区域的图像分割方法中最经典的是阈值法，其基本思想是根据一个既定的标准自动求得最优的阈值，阈值分割法的优点是计算简便，只考虑图像灰度而不考虑其它信息所以运算效率也高，但其面对复杂图像的分割时分割效果不好，因而实际应用中多与其它方法结合使用以改善分割效果。根据使用阈值的个数，又可以将阈值分割法分为单阈值图像分割法、双阈值图像分割法以及多阈值图像分割法，如图2所示。

    

    当图像分为简单的背景区和目标区时，只需要一个阈值来区分目标和背景，如图2（a）所示：当灰度范围变大时，则选择两个或多个阈值进行分割。

    2.1.2 水域分割法

    水域分割算法，又称Watershed變换，借鉴形态学理论，利用图像区域特性、局部极值和积水盆等进行分割，其结合区域生长法，可以获得图像的轮廓。水域分割算法中又分为自下而上的模拟浸水水域分割算法以及自上而下的模拟降水水域分割算法两种，分别如图3（a）与图3（b）所示。

    

    该算法具有计算速度快、对弱边缘区域敏感、轮廓定位准确、分割准确率高等优点。但美中不足的是对噪声点敏感，极易出现过分割现象，并容易丢失对比度低的图像的关键轮廓。

    2.1.3 区域生长法

    区域生长法把图像中具有相似性质的像素集合起来，进而形成区域，由于其含有像素的邻域信息，对噪声点的抗干扰性较强因而分割精度较高。区域生长法首先确定某个种子点像素作为初始生长点，如图4（a）所示，之后其邻域空间中与它含有同样特性的像素点被收纳到该种子建立的区域内，该过程如图4（b）所示。

    该方法的重点在于如何选择一组能典型表示所需划分区域的初始种子点以及能在生长进程中将符合条件的像素点收纳进来的相似性准则，并建立足够帮助结束生长进程的限制条件或停止准则。

    2.1.4 分裂合并法

    分裂合并算法的思想起始步骤是着眼于整幅图像，通过持续不断地将图像分裂进而得到多个区域。通常来说，可以先把图像分为任意尺寸的不层叠交叉区域，然后根据相似性准则不断将这些区域实施分裂或者合并操作直到满足停止准则。图5给出了分裂合并法的步骤，黑色部分为图像，第一步先对图像进行初步分裂，得到四个区域，其中左边为空白，再第二次分裂的时候就不需要;第二步对剩下3个区域分裂，采用同样的方法，最终得到图5（d）的结果。

    与区域生长法相比，该方法不需要选择种子点和生长顺序。但图像的分割准则很重要，其对图像分割质量有决定性作用，若选择不合适，会产生“方块效应”。

    2.1.5 聚类法

    聚类算法是从图像分割、医学图像分析、网络处理和数学规划等大量问题中总结出来并应用于数据挖掘和机器学习的算法。在应用到图像分割中时，聚类算法是根据已提取的图像特征，分类样本集，在映射到原图像中，从而得到分割结果。

    通常来说，算法可分为层次聚类和划分聚类，前者是根据相似性准则，通过对类的合并和拆分完成数据的一系列嵌套划分;后者则通过优化聚类标准进行分类，从运算准确性和复杂性方面考虑，划分聚类比层次聚类更受欢迎。因为划分聚类的优点是在涉及大量数据集时，或在计算非嵌套模式的分组时有一个可视的环境，常用的聚类方法有K均值聚类分割算法（K-means）、模糊C均值聚类分割算法（Fuccy C-means， FCM）、最大期望值分割算法（Expectation Maximization， EM）等。最著名的划分聚类方法当属K均值聚类算法，该算法计算简单，在处理大量线性复杂度的数据时效率很高。其把数据集分为k类，目标函数是基于欧式距离的最小化类内距离和最大化类间距离。尽管K均值算法简单好用但也存在许多缺点，如其聚类效果经受选取的起始聚类中心的影响较大，起始聚类中心的设定难以做出最优选择，此外也存在一些盲区问题，即容易陷入局部最优值以及收敛速度低等困难，其目标函数也不是凸函数。

    2.2 基于边缘检测的图像分割法

    基于边缘检测的图像分割法也是图像分割方法的重要组成，边缘是将相邻像素值急剧改变的那些像素点聚集起来，用以勾勒出目标对象区域。众多研究者经实验验证了许多有效的边缘检测方法，如基于小波变换、边界曲线拟合、局部图像函数的方法等，常用的边缘检测算子有Prewitt算子、log（Laplacian-Gauss）算子、Roberts算子和Canny算子等，图6为纵向边缘图像利用梯度算子的原理示意图。

    边缘检测方法的优点是图像处理速度快、搜索时间短、边缘定位准确，对像素点过渡明显的图像分割结果较好，然而对像素点过渡不明显、噪声像素多、边缘复杂的图片分割效果较差，所以很多改进的多尺度边缘检测算法被提出以兼顾检测精度及抗噪性。

    2.3 其他图像分割法

    随着交叉学科的兴起和发展，研究人员在将优缺点不同的方法进行结合的同时，也在不断尝试发掘新的图像分割算法以得到更有效的分割结果。如基于活动轮廓模型、马尔科夫随机场模型的办法;基于支持向量机、神经网络的方法;基于遗传算法、群体智能理论的办法;基于小波变换理论、分形理论或者基于知识的方法等。这些方法的提出，极大地丰富了图像处理手段的多样性。

    基于活动轮廓（Snake）模型的方法是利用一根类似蛇形的能量曲线不断逼近待检验的目标对象的四周，形成不间断的圆滑轮廓，直至完全包住目标对象边界。基于马尔科夫随机场的分割方法是将马尔科夫随机场作为先验模型嵌入到某些算法中，将图像分割问题转化成图像标记问题。基于支持向量机（Support Vector Machine， SVM）法提取图像的灰度、纹理等局部统计特征，通过归一化处理对特征进行选择，再把选择出的特征送入SVM实行训练建模，最终根据得到的分类器完成数据分类。基于神经网络的分割方法中，先提取训练样本数组，再将提取的特征值和样本值送入多层感知机中，对激活函数进行训练，再用训练好的激活函数分类图像的灰度值。基于遗传算法分割法是用非遍历寻优搜索策略，模拟自然选择机制的遗传过程，从初始变量群开始逐代寻优直到获得最佳分割阈值算法收敛。基于小波变换的思想在于利用小波变换把图像的直方图信息转化为相应的系数，接着根据尺度控制理论，结合小波系数和设立的分割标准逐渐锁定阈值完成分割。基于分形理论的思想是根据分形维数和待处理图像中纹理特征的粗糙水平之间的契合程度检测出目标对象边缘。基于知识的分割方法是根据己知学科中的先验知识建立知识库并在知识库的基础上提高图像分割精度。

    图像分割的方法各有优劣，在具体应用的时候需要结合实际的需要来进行选择。

    2.4 图像分割在风机叶片裂纹检测中的应用

    图像分割技术适用性较广，从各大数据库中都能搜索到较多的研究。但对风机叶片的裂纹检测的研究中，声发射、超声波、X射线、光纤传感器等是主流的检测方法，这些方法的研究较广也较深入。采用图像分割技术来检测风机叶片裂纹的应用较少。温立民[11]采用阈值分割的自适应图像处理算法，实现了风机叶片裂纹的自动检测。徐灵鑫[12]利用图像分割、形态学图像处理等一系列数字图像处理的方法对风机叶片的表面缺陷进行了识别。李冰[13]运用K-means聚类的方法实現对了对风机叶片的分割，再运用数学形态学识别了叶片的故障点。翟永杰[14]等通过检测显著性区域，提取了叶片的裂纹，其本质上基于区域分割算法。

    综上所述，图像分割技术应用到风机叶片裂纹检测的研究较少，但从实践来看，这些技术都能成功的应用到叶片的裂纹检测中，也为叶片裂纹的检测提供了新的方法。

    3 结论

    在海上风机叶片裂纹的检测发展进程中，研究人员采用各种先进的技术对海上风力发电叶片进行检测评估观察，虽然研究人员在检测风机叶片裂纹的所采用的方法不同，但是大多数都是采用物理成像计算评估方法来确定海上风机叶片的损坏情况，学者根据不同的情况采用各种与之相适应的技术，在各个环境下对风机叶片工作状态进行检测评估，通过成像数据分析来分段检测风机叶片的状态，这项技术很多方面还不完善，在成像方面还存在较大缺陷，无法与实地效果相对应，且该项技术所需要的人力物力还较大，与效果不能形成正比，在很多方面都需要完善，尽量让海上风机叶片效率达到最高。通过图像分割技术实现对海上风机叶片裂纹检测的方法，可以最大范围地进行检测，提高效率，降低风险，以及最大程度地减少损失，促进中国风力发电事业的整体发展，为我国清洁能源地开发做出贡献，造福社会。

    参考文献：

    [1] Ghoshal A， Sundaresan M. J.，Schulz M. J Structural health monitoring techniques for wind turbine blades[J].Journal of Wind Engineering and Industrial Aerodynamics， 2000， 85（3）： 309-324.

    [2] Joosse P. A.，Blanch M. J.，Dutton A. G..Acoustic emission monitoring of small wind turbine blades[J]. Journal of Solar Energy， 2002， 12（9）： 1-13.

    [3] Blanch M. J.，Dutton A. G..Acoustic emission monitoring of field tests of an operating wind turbine[J]. Key Engineering Materia1s， 2003， 27（18）： 475-482.

    [4] 李芒芒.风力机叶片机械损伤动态监测方法与技术研究[D].长沙：长沙理工大学，2012.

    [5] 肖劲松，严天鹏.风力机叶片的红外热成像无损检测的数值研究[J].北京工业大学学报，2006，1（32）： 48-52.

    [6] 赵新光.基于声发射和小波分析的大型风力机叶片材料损伤识别研究[D].沈阳：沈阳工业大学，2009.

    [7] 曲弋，陈长征，周昊等.基于声发射和神经网络的风机叶片裂纹识别研究[J].机械设计与制造，2012，（3）：152-154.

    [8] 徐玉秀，王强，梅元颖.叶片振动响应的长度分形故障特征提取与诊断[J].振动、测试与诊断，2011，4（31）：190-192.

    [9] 李亚娟，周伟，刘然，等.风机叶片复合材料层间开裂声发射监测[J]. 河北大学学报（自然科学版），2014，34（2）：219-224.

    [10] 陆元明，张乃正.风力机叶片裂纹在线监测系统[J].电工技术，2017（4）：83-84.

    [11] 刘笃喜，温立民，朱名铨.面向叶片裂纹检测的自适应图像处理算法研究[J].航空精密制造技术，2007（03）：25-28.

    [12] 徐灵鑫.海上风力发电机叶片表面缺陷检测的研究[D]. 杭州：中国计量学院， 2015.

    [13] 李冰. 基于数字图像的风机桨叶故障检测方法研究[D]. 北京：华北电力大学，2016.

    [14] 翟永杰， 张木柳， 乔弘等. 基于显著性检测的风机叶片裂纹提取研究[J]. 南方能源建设， 2016， 3（2）：136-140.

    

    基金项目：

    [1]国家自然科学基金地区基金：基于不动点方程解析求解的高动态场景多尺度分割（No. 61461022） ， 2015.01-2018.12

    [2] 国家自然科学基金地区基金：复杂动态场景空时稀疏尺度广义目标分割方法研究（No.61761024） 2018.01-2021.12