張?jiān)? 張印輝 何自芬

摘 要：我國(guó)很多地區(qū)都是高風(fēng)能地區(qū)，非常適合發(fā)展風(fēng)力資源，尤其是海上風(fēng)能資源的開(kāi)發(fā)。但海上風(fēng)能的開(kāi)發(fā)受到設(shè)備的影響，在風(fēng)力集中的地方，環(huán)境也十分惡劣，設(shè)備的損壞率較高，對(duì)于海上風(fēng)力發(fā)電設(shè)備的運(yùn)行會(huì)產(chǎn)生較大影響。本文首先分析了研究風(fēng)機(jī)葉片裂紋檢測(cè)的學(xué)者及其使用的檢測(cè)方法。其次，分析了圖像分割技術(shù)，主要包括對(duì)原有圖像分割算法的改進(jìn)，結(jié)合相關(guān)交叉學(xué)科的新理論尋求新的圖像分割算法，以及對(duì)不同圖像分割算法匹配合適的圖像分割評(píng)價(jià)方法和評(píng)價(jià)準(zhǔn)則。分析了基于區(qū)域分割、邊緣檢測(cè)及其他圖像分割方法及其應(yīng)用效果。大多數(shù)研究人員在對(duì)檢測(cè)風(fēng)機(jī)葉片裂紋時(shí)都使用較新技術(shù)來(lái)提高識(shí)別率，再將不同的方法進(jìn)行結(jié)合運(yùn)用，同時(shí)也不斷嘗試發(fā)掘新的圖像分割算法以得到更好的效果。針對(duì)不同研究目標(biāo)使用不同算法得到的效果準(zhǔn)確度各有差異，因而針對(duì)不同模態(tài)的圖像要結(jié)合不同的理論選取合適的方法。不管是引入新的概念和理論，還是將優(yōu)勢(shì)互補(bǔ)的算法相結(jié)合，都以提高風(fēng)機(jī)葉片檢測(cè)的精確度為目標(biāo)。

關(guān)鍵詞：海上風(fēng)力發(fā)電機(jī);葉片裂紋;區(qū)域分割;邊緣檢測(cè)

中圖分類號(hào)：TM315? ? ? ? ? ? 文獻(xiàn)標(biāo)識(shí)碼：A? ? ? ? ? ? 文章編號(hào)：1006—7973（2019）03-0074-05

隨著世界各國(guó)對(duì)能源安全、生態(tài)環(huán)境、氣候變化等問(wèn)題日益重視，加快發(fā)展風(fēng)電已成為國(guó)際社會(huì)推動(dòng)能源轉(zhuǎn)型發(fā)展、應(yīng)對(duì)全球氣候變化的普遍共識(shí)和一致行動(dòng)。過(guò)去10年，在國(guó)家政策的大力推動(dòng)下，我國(guó)風(fēng)電產(chǎn)業(yè)蓬勃發(fā)展。數(shù)據(jù)顯示，2017年全國(guó)（除港、澳、臺(tái)地區(qū)外）新增裝機(jī)容量1966萬(wàn)千瓦，同比下降15.9%;累計(jì)裝機(jī)容量達(dá)到1.88億千瓦，同比增長(zhǎng)11.7%，增速放緩。增速放緩的主要原因在于陸上風(fēng)電現(xiàn)有產(chǎn)能利用率低，導(dǎo)致2017年中國(guó)陸上風(fēng)電裝機(jī)容量下滑19%至18.5吉瓦。盡管增速放緩，但不管是風(fēng)電新增裝機(jī)容量還是累計(jì)裝機(jī)容量，中國(guó)均穩(wěn)居世界第一。與陸上風(fēng)電新增裝機(jī)容量下滑形成對(duì)比的是，我國(guó)海上風(fēng)電取得突破進(jìn)展。數(shù)據(jù)顯示，2017年海上風(fēng)電新增裝機(jī)共319臺(tái)，新增裝機(jī)容量達(dá)到116萬(wàn)千瓦，同比增長(zhǎng)96.61%;累計(jì)裝機(jī)達(dá)到279萬(wàn)千瓦。近年來(lái)，中國(guó)海上風(fēng)電容量增長(zhǎng)加速，反映了海上風(fēng)電項(xiàng)目與陸上風(fēng)電項(xiàng)目相比成本更低、電價(jià)有所改善的現(xiàn)狀。而從中國(guó)海上風(fēng)電項(xiàng)目的建設(shè)速度來(lái)看，政府有望實(shí)現(xiàn)“2020年海上風(fēng)電容量增至5吉兆”的目標(biāo)。因此消除海上風(fēng)能獲取的風(fēng)力發(fā)電機(jī)設(shè)備的消極影響，可以有效提高海上風(fēng)電容量。

風(fēng)能設(shè)備中的風(fēng)機(jī)葉片是整個(gè)發(fā)電設(shè)備的核心，風(fēng)機(jī)葉片的運(yùn)作效率與工作環(huán)境的風(fēng)速、風(fēng)的持續(xù)性以及本身的葉片長(zhǎng)度、寬度、離地面的距離都有非常大的關(guān)系，風(fēng)機(jī)葉片的合理使用使其運(yùn)作狀態(tài)達(dá)到最佳是有很大困難的，不僅要結(jié)合當(dāng)?shù)丨h(huán)境和本身狀態(tài)，還與管理人員的合理使用有重要關(guān)系，因此需要對(duì)風(fēng)機(jī)葉片的使用進(jìn)行規(guī)劃整理和評(píng)估?，F(xiàn)階段對(duì)風(fēng)機(jī)葉片進(jìn)行狀態(tài)監(jiān)測(cè)和裂紋識(shí)別研究受到越來(lái)越多的學(xué)者關(guān)注，但研究重點(diǎn)依然集中在安裝前的實(shí)驗(yàn)室階段，對(duì)風(fēng)機(jī)葉片的監(jiān)測(cè)則因其裂紋信息獲取難、無(wú)法及時(shí)反饋裂紋檢測(cè)等原因，仍然無(wú)法實(shí)現(xiàn)完全的裂紋監(jiān)測(cè)。本文主要分析總結(jié)當(dāng)前風(fēng)機(jī)葉片裂紋檢測(cè)的研究現(xiàn)狀、圖像分割方法。

1 海上風(fēng)力發(fā)電機(jī)葉片裂紋檢測(cè)研究現(xiàn)狀

1.1 國(guó)外研究現(xiàn)狀

國(guó)外在風(fēng)能開(kāi)發(fā)的風(fēng)機(jī)葉片上投入了大量的資金，尤其對(duì)葉片的制作方面，對(duì)葉片質(zhì)量要求很高。A.Ghoshal[1]等利用碳素纖維檢測(cè)發(fā)電葉片在運(yùn)作過(guò)程中的葉片損耗，發(fā)現(xiàn)碳素纖維能夠有效地對(duì)風(fēng)機(jī)葉片進(jìn)行檢測(cè)。而德國(guó)的一些專家利用風(fēng)機(jī)葉片的震動(dòng)頻率進(jìn)行檢測(cè)，利用葉片異常頻率來(lái)推斷出風(fēng)機(jī)葉片出現(xiàn)異常損壞，利用常規(guī)數(shù)據(jù)與異常數(shù)據(jù)進(jìn)行對(duì)比計(jì)算評(píng)估，來(lái)發(fā)現(xiàn)葉片損壞之處。P.A.Joosse和M.J.Blanch[2]利用音波測(cè)試法對(duì)風(fēng)機(jī)葉片進(jìn)行檢測(cè)，通過(guò)聲音的反饋程度來(lái)判斷風(fēng)機(jī)發(fā)電設(shè)備是否出現(xiàn)損壞，對(duì)損壞部位進(jìn)行準(zhǔn)確定位。M.J.Blanch和A.G.Dutton[3]應(yīng)用聲發(fā)射技術(shù)的工作原理對(duì)風(fēng)機(jī)葉片的振幅進(jìn)行數(shù)據(jù)分析，來(lái)發(fā)現(xiàn)葉片的損壞部位，在檢測(cè)葉片損壞部位方面效果十分的顯著，但是這種方法比較耗費(fèi)財(cái)力。L.Dolinski[4]等通過(guò)超音波設(shè)備對(duì)風(fēng)機(jī)葉片進(jìn)行運(yùn)行過(guò)程的監(jiān)測(cè)，對(duì)每個(gè)超音波監(jiān)測(cè)波段進(jìn)行觀察整理數(shù)據(jù)，來(lái)推斷風(fēng)機(jī)葉片是否損壞以及損壞的部位，這種方法效果也比較好，但是比較耗費(fèi)時(shí)間。

1.2 國(guó)內(nèi)研究現(xiàn)狀

國(guó)內(nèi)的研究起步較晚，主要集中在以下學(xué)者的研究。肖勁松[5]等將紅外線成像技術(shù)應(yīng)用于風(fēng)機(jī)葉片的無(wú)損檢測(cè)，提到利用微波紅外線折射原理對(duì)風(fēng)機(jī)葉片進(jìn)行折射反饋檢測(cè)評(píng)估，檢測(cè)是否有損壞的部位，但是這種方法還處于研究探索階段，技術(shù)還沒(méi)有完全成熟，還無(wú)法大面積的投入使用。趙新光[6]等利用與國(guó)外同種技術(shù)的聲發(fā)射技術(shù)，對(duì)風(fēng)機(jī)葉片進(jìn)行分段檢測(cè)，根據(jù)每段的聲發(fā)射反饋進(jìn)行判斷，并在研究過(guò)程中加入一些先進(jìn)技術(shù)從而能提高檢測(cè)效率。曲弋[7]等利用葉片運(yùn)用聲發(fā)射技術(shù)對(duì)風(fēng)機(jī)葉片的狀態(tài)進(jìn)行判斷，對(duì)風(fēng)機(jī)葉片是否發(fā)生裂痕以及發(fā)生裂痕的大小運(yùn)用神經(jīng)網(wǎng)絡(luò)識(shí)別。徐玉秀[8]等利用ANSYS有限元軟件建立了風(fēng)機(jī)葉片的動(dòng)力學(xué)模型，根據(jù)運(yùn)作狀態(tài)檢測(cè)風(fēng)機(jī)葉片損壞程度，這種方法簡(jiǎn)便且不耗費(fèi)大量時(shí)間，但只能檢測(cè)風(fēng)機(jī)葉片是否正常工作，對(duì)于葉片損壞部位無(wú)法準(zhǔn)確判斷。李亞娟[9]等測(cè)試了含Ⅰ型分層缺陷的單向和多軸向的風(fēng)機(jī)葉片的力學(xué)性能，監(jiān)測(cè)了其聲發(fā)射全過(guò)程，并對(duì)葉片的損傷過(guò)程及聲發(fā)射特征做了研究。陸元明[10]等利用激光射線監(jiān)測(cè)技術(shù)，對(duì)風(fēng)機(jī)葉片進(jìn)行整體掃描，達(dá)到實(shí)時(shí)監(jiān)測(cè)的效果，并通過(guò)激光掃描技術(shù)實(shí)現(xiàn)了風(fēng)機(jī)葉片損壞部位的準(zhǔn)確定位，對(duì)葉片的監(jiān)測(cè)修理都起到良好作用，但激光掃描技術(shù)還不太完善，無(wú)法大面積推廣，且成本較高，現(xiàn)階段還無(wú)法全面實(shí)施，但對(duì)今后的風(fēng)機(jī)葉片檢測(cè)方向提供了很好的方向。

綜上所述，國(guó)內(nèi)外的研究主要運(yùn)用聲發(fā)射技術(shù)對(duì)風(fēng)機(jī)葉片的裂紋進(jìn)行檢測(cè)，現(xiàn)階段聲發(fā)射技術(shù)的成熟運(yùn)用能夠在實(shí)驗(yàn)階段有效的檢測(cè)葉片內(nèi)部結(jié)構(gòu)的損傷，但在檢測(cè)效率上因聲發(fā)射信號(hào)的分析難度較大，降低了檢測(cè)的反饋效率，使得在風(fēng)機(jī)葉片實(shí)際運(yùn)行時(shí)無(wú)法利用聲發(fā)射技術(shù)進(jìn)行有效的檢測(cè)。對(duì)風(fēng)機(jī)葉片運(yùn)用圖像分割技術(shù)處理的研究較少，圖像分割處理也即可見(jiàn)光成像處理。運(yùn)用該技術(shù)對(duì)風(fēng)機(jī)葉片檢測(cè)重點(diǎn)在于對(duì)裂紋區(qū)域的準(zhǔn)確分割。本文重點(diǎn)對(duì)該方法進(jìn)行分析研究。

2 圖像分割方法研究

對(duì)海上風(fēng)機(jī)葉片的裂紋檢測(cè)，首先需要采集海上環(huán)境影響下的風(fēng)機(jī)葉片圖片再對(duì)圖片圖像進(jìn)行分割。現(xiàn)有對(duì)圖像分割技術(shù)的研究主要包括對(duì)原有圖像分割算法的改進(jìn)，結(jié)合相關(guān)交叉學(xué)科的新理論尋求新的圖像分割算法，以及對(duì)不同圖像分割算法匹配合適的圖像分割評(píng)價(jià)方法和評(píng)價(jià)準(zhǔn)則。迄今為止，典型而傳統(tǒng)的圖像分割算法分別為基于區(qū)域和邊緣的分割方法。根據(jù)算法的不同，可分為區(qū)域分割、邊緣分割和其他分割等三種方法。如圖1所示，海上風(fēng)機(jī)葉片從完好、輕度損傷、中度損傷、重度損傷的示意圖。

2.1 基于區(qū)域的圖像分割法

區(qū)域分割算法是圖像分割算法中較為常用的部分，根據(jù)處理方式的不同，區(qū)域分割法可分為閾值分割、水域分割、區(qū)域生長(zhǎng)法、分裂合并法和聚類法，下面對(duì)各方法的原理及其優(yōu)缺點(diǎn)進(jìn)行分析。

2.1.1 閾值分割法

基于區(qū)域的圖像分割方法中最經(jīng)典的是閾值法，其基本思想是根據(jù)一個(gè)既定的標(biāo)準(zhǔn)自動(dòng)求得最優(yōu)的閾值，閾值分割法的優(yōu)點(diǎn)是計(jì)算簡(jiǎn)便，只考慮圖像灰度而不考慮其它信息所以運(yùn)算效率也高，但其面對(duì)復(fù)雜圖像的分割時(shí)分割效果不好，因而實(shí)際應(yīng)用中多與其它方法結(jié)合使用以改善分割效果。根據(jù)使用閾值的個(gè)數(shù)，又可以將閾值分割法分為單閾值圖像分割法、雙閾值圖像分割法以及多閾值圖像分割法，如圖2所示。

當(dāng)圖像分為簡(jiǎn)單的背景區(qū)和目標(biāo)區(qū)時(shí)，只需要一個(gè)閾值來(lái)區(qū)分目標(biāo)和背景，如圖2（a）所示：當(dāng)灰度范圍變大時(shí)，則選擇兩個(gè)或多個(gè)閾值進(jìn)行分割。

2.1.2 水域分割法

水域分割算法，又稱Watershed變換，借鑒形態(tài)學(xué)理論，利用圖像區(qū)域特性、局部極值和積水盆等進(jìn)行分割，其結(jié)合區(qū)域生長(zhǎng)法，可以獲得圖像的輪廓。水域分割算法中又分為自下而上的模擬浸水水域分割算法以及自上而下的模擬降水水域分割算法兩種，分別如圖3（a）與圖3（b）所示。

該算法具有計(jì)算速度快、對(duì)弱邊緣區(qū)域敏感、輪廓定位準(zhǔn)確、分割準(zhǔn)確率高等優(yōu)點(diǎn)。但美中不足的是對(duì)噪聲點(diǎn)敏感，極易出現(xiàn)過(guò)分割現(xiàn)象，并容易丟失對(duì)比度低的圖像的關(guān)鍵輪廓。

2.1.3 區(qū)域生長(zhǎng)法

區(qū)域生長(zhǎng)法把圖像中具有相似性質(zhì)的像素集合起來(lái)，進(jìn)而形成區(qū)域，由于其含有像素的鄰域信息，對(duì)噪聲點(diǎn)的抗干擾性較強(qiáng)因而分割精度較高。區(qū)域生長(zhǎng)法首先確定某個(gè)種子點(diǎn)像素作為初始生長(zhǎng)點(diǎn)，如圖4（a）所示，之后其鄰域空間中與它含有同樣特性的像素點(diǎn)被收納到該種子建立的區(qū)域內(nèi)，該過(guò)程如圖4（b）所示。

該方法的重點(diǎn)在于如何選擇一組能典型表示所需劃分區(qū)域的初始種子點(diǎn)以及能在生長(zhǎng)進(jìn)程中將符合條件的像素點(diǎn)收納進(jìn)來(lái)的相似性準(zhǔn)則，并建立足夠幫助結(jié)束生長(zhǎng)進(jìn)程的限制條件或停止準(zhǔn)則。

2.1.4 分裂合并法

分裂合并算法的思想起始步驟是著眼于整幅圖像，通過(guò)持續(xù)不斷地將圖像分裂進(jìn)而得到多個(gè)區(qū)域。通常來(lái)說(shuō)，可以先把圖像分為任意尺寸的不層疊交叉區(qū)域，然后根據(jù)相似性準(zhǔn)則不斷將這些區(qū)域?qū)嵤┓至鸦蛘吆喜⒉僮髦钡綕M足停止準(zhǔn)則。圖5給出了分裂合并法的步驟，黑色部分為圖像，第一步先對(duì)圖像進(jìn)行初步分裂，得到四個(gè)區(qū)域，其中左邊為空白，再第二次分裂的時(shí)候就不需要;第二步對(duì)剩下3個(gè)區(qū)域分裂，采用同樣的方法，最終得到圖5（d）的結(jié)果。

與區(qū)域生長(zhǎng)法相比，該方法不需要選擇種子點(diǎn)和生長(zhǎng)順序。但圖像的分割準(zhǔn)則很重要，其對(duì)圖像分割質(zhì)量有決定性作用，若選擇不合適，會(huì)產(chǎn)生“方塊效應(yīng)”。

2.1.5 聚類法

聚類算法是從圖像分割、醫(yī)學(xué)圖像分析、網(wǎng)絡(luò)處理和數(shù)學(xué)規(guī)劃等大量問(wèn)題中總結(jié)出來(lái)并應(yīng)用于數(shù)據(jù)挖掘和機(jī)器學(xué)習(xí)的算法。在應(yīng)用到圖像分割中時(shí)，聚類算法是根據(jù)已提取的圖像特征，分類樣本集，在映射到原圖像中，從而得到分割結(jié)果。

通常來(lái)說(shuō)，算法可分為層次聚類和劃分聚類，前者是根據(jù)相似性準(zhǔn)則，通過(guò)對(duì)類的合并和拆分完成數(shù)據(jù)的一系列嵌套劃分;后者則通過(guò)優(yōu)化聚類標(biāo)準(zhǔn)進(jìn)行分類，從運(yùn)算準(zhǔn)確性和復(fù)雜性方面考慮，劃分聚類比層次聚類更受歡迎。因?yàn)閯澐志垲惖膬?yōu)點(diǎn)是在涉及大量數(shù)據(jù)集時(shí)，或在計(jì)算非嵌套模式的分組時(shí)有一個(gè)可視的環(huán)境，常用的聚類方法有K均值聚類分割算法（K-means）、模糊C均值聚類分割算法（Fuccy C-means， FCM）、最大期望值分割算法（Expectation Maximization， EM）等。最著名的劃分聚類方法當(dāng)屬K均值聚類算法，該算法計(jì)算簡(jiǎn)單，在處理大量線性復(fù)雜度的數(shù)據(jù)時(shí)效率很高。其把數(shù)據(jù)集分為k類，目標(biāo)函數(shù)是基于歐式距離的最小化類內(nèi)距離和最大化類間距離。盡管K均值算法簡(jiǎn)單好用但也存在許多缺點(diǎn)，如其聚類效果經(jīng)受選取的起始聚類中心的影響較大，起始聚類中心的設(shè)定難以做出最優(yōu)選擇，此外也存在一些盲區(qū)問(wèn)題，即容易陷入局部最優(yōu)值以及收斂速度低等困難，其目標(biāo)函數(shù)也不是凸函數(shù)。

2.2 基于邊緣檢測(cè)的圖像分割法

基于邊緣檢測(cè)的圖像分割法也是圖像分割方法的重要組成，邊緣是將相鄰像素值急劇改變的那些像素點(diǎn)聚集起來(lái)，用以勾勒出目標(biāo)對(duì)象區(qū)域。眾多研究者經(jīng)實(shí)驗(yàn)驗(yàn)證了許多有效的邊緣檢測(cè)方法，如基于小波變換、邊界曲線擬合、局部圖像函數(shù)的方法等，常用的邊緣檢測(cè)算子有Prewitt算子、log（Laplacian-Gauss）算子、Roberts算子和Canny算子等，圖6為縱向邊緣圖像利用梯度算子的原理示意圖。

邊緣檢測(cè)方法的優(yōu)點(diǎn)是圖像處理速度快、搜索時(shí)間短、邊緣定位準(zhǔn)確，對(duì)像素點(diǎn)過(guò)渡明顯的圖像分割結(jié)果較好，然而對(duì)像素點(diǎn)過(guò)渡不明顯、噪聲像素多、邊緣復(fù)雜的圖片分割效果較差，所以很多改進(jìn)的多尺度邊緣檢測(cè)算法被提出以兼顧檢測(cè)精度及抗噪性。

2.3 其他圖像分割法

隨著交叉學(xué)科的興起和發(fā)展，研究人員在將優(yōu)缺點(diǎn)不同的方法進(jìn)行結(jié)合的同時(shí)，也在不斷嘗試發(fā)掘新的圖像分割算法以得到更有效的分割結(jié)果。如基于活動(dòng)輪廓模型、馬爾科夫隨機(jī)場(chǎng)模型的辦法;基于支持向量機(jī)、神經(jīng)網(wǎng)絡(luò)的方法;基于遺傳算法、群體智能理論的辦法;基于小波變換理論、分形理論或者基于知識(shí)的方法等。這些方法的提出，極大地豐富了圖像處理手段的多樣性。

基于活動(dòng)輪廓（Snake）模型的方法是利用一根類似蛇形的能量曲線不斷逼近待檢驗(yàn)的目標(biāo)對(duì)象的四周，形成不間斷的圓滑輪廓，直至完全包住目標(biāo)對(duì)象邊界。基于馬爾科夫隨機(jī)場(chǎng)的分割方法是將馬爾科夫隨機(jī)場(chǎng)作為先驗(yàn)?zāi)Ｐ颓度氲侥承┧惴ㄖ?，將圖像分割問(wèn)題轉(zhuǎn)化成圖像標(biāo)記問(wèn)題?；谥С窒蛄繖C(jī)（Support Vector Machine， SVM）法提取圖像的灰度、紋理等局部統(tǒng)計(jì)特征，通過(guò)歸一化處理對(duì)特征進(jìn)行選擇，再把選擇出的特征送入SVM實(shí)行訓(xùn)練建模，最終根據(jù)得到的分類器完成數(shù)據(jù)分類。基于神經(jīng)網(wǎng)絡(luò)的分割方法中，先提取訓(xùn)練樣本數(shù)組，再將提取的特征值和樣本值送入多層感知機(jī)中，對(duì)激活函數(shù)進(jìn)行訓(xùn)練，再用訓(xùn)練好的激活函數(shù)分類圖像的灰度值。基于遺傳算法分割法是用非遍歷尋優(yōu)搜索策略，模擬自然選擇機(jī)制的遺傳過(guò)程，從初始變量群開(kāi)始逐代尋優(yōu)直到獲得最佳分割閾值算法收斂?；谛〔ㄗ儞Q的思想在于利用小波變換把圖像的直方圖信息轉(zhuǎn)化為相應(yīng)的系數(shù)，接著根據(jù)尺度控制理論，結(jié)合小波系數(shù)和設(shè)立的分割標(biāo)準(zhǔn)逐漸鎖定閾值完成分割?；诜中卫碚摰乃枷胧歉鶕?jù)分形維數(shù)和待處理圖像中紋理特征的粗糙水平之間的契合程度檢測(cè)出目標(biāo)對(duì)象邊緣?；谥R(shí)的分割方法是根據(jù)己知學(xué)科中的先驗(yàn)知識(shí)建立知識(shí)庫(kù)并在知識(shí)庫(kù)的基礎(chǔ)上提高圖像分割精度。

圖像分割的方法各有優(yōu)劣，在具體應(yīng)用的時(shí)候需要結(jié)合實(shí)際的需要來(lái)進(jìn)行選擇。

2.4 圖像分割在風(fēng)機(jī)葉片裂紋檢測(cè)中的應(yīng)用

圖像分割技術(shù)適用性較廣，從各大數(shù)據(jù)庫(kù)中都能搜索到較多的研究。但對(duì)風(fēng)機(jī)葉片的裂紋檢測(cè)的研究中，聲發(fā)射、超聲波、X射線、光纖傳感器等是主流的檢測(cè)方法，這些方法的研究較廣也較深入。采用圖像分割技術(shù)來(lái)檢測(cè)風(fēng)機(jī)葉片裂紋的應(yīng)用較少。溫立民[11]采用閾值分割的自適應(yīng)圖像處理算法，實(shí)現(xiàn)了風(fēng)機(jī)葉片裂紋的自動(dòng)檢測(cè)。徐靈鑫[12]利用圖像分割、形態(tài)學(xué)圖像處理等一系列數(shù)字圖像處理的方法對(duì)風(fēng)機(jī)葉片的表面缺陷進(jìn)行了識(shí)別。李冰[13]運(yùn)用K-means聚類的方法實(shí)現(xiàn)對(duì)了對(duì)風(fēng)機(jī)葉片的分割，再運(yùn)用數(shù)學(xué)形態(tài)學(xué)識(shí)別了葉片的故障點(diǎn)。翟永杰[14]等通過(guò)檢測(cè)顯著性區(qū)域，提取了葉片的裂紋，其本質(zhì)上基于區(qū)域分割算法。

綜上所述，圖像分割技術(shù)應(yīng)用到風(fēng)機(jī)葉片裂紋檢測(cè)的研究較少，但從實(shí)踐來(lái)看，這些技術(shù)都能成功的應(yīng)用到葉片的裂紋檢測(cè)中，也為葉片裂紋的檢測(cè)提供了新的方法。

3 結(jié)論

在海上風(fēng)機(jī)葉片裂紋的檢測(cè)發(fā)展進(jìn)程中，研究人員采用各種先進(jìn)的技術(shù)對(duì)海上風(fēng)力發(fā)電葉片進(jìn)行檢測(cè)評(píng)估觀察，雖然研究人員在檢測(cè)風(fēng)機(jī)葉片裂紋的所采用的方法不同，但是大多數(shù)都是采用物理成像計(jì)算評(píng)估方法來(lái)確定海上風(fēng)機(jī)葉片的損壞情況，學(xué)者根據(jù)不同的情況采用各種與之相適應(yīng)的技術(shù)，在各個(gè)環(huán)境下對(duì)風(fēng)機(jī)葉片工作狀態(tài)進(jìn)行檢測(cè)評(píng)估，通過(guò)成像數(shù)據(jù)分析來(lái)分段檢測(cè)風(fēng)機(jī)葉片的狀態(tài)，這項(xiàng)技術(shù)很多方面還不完善，在成像方面還存在較大缺陷，無(wú)法與實(shí)地效果相對(duì)應(yīng)，且該項(xiàng)技術(shù)所需要的人力物力還較大，與效果不能形成正比，在很多方面都需要完善，盡量讓海上風(fēng)機(jī)葉片效率達(dá)到最高。通過(guò)圖像分割技術(shù)實(shí)現(xiàn)對(duì)海上風(fēng)機(jī)葉片裂紋檢測(cè)的方法，可以最大范圍地進(jìn)行檢測(cè)，提高效率，降低風(fēng)險(xiǎn)，以及最大程度地減少損失，促進(jìn)中國(guó)風(fēng)力發(fā)電事業(yè)的整體發(fā)展，為我國(guó)清潔能源地開(kāi)發(fā)做出貢獻(xiàn)，造福社會(huì)。

參考文獻(xiàn)：

[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.風(fēng)力機(jī)葉片機(jī)械損傷動(dòng)態(tài)監(jiān)測(cè)方法與技術(shù)研究[D].長(zhǎng)沙：長(zhǎng)沙理工大學(xué)，2012.

[5] 肖勁松，嚴(yán)天鵬.風(fēng)力機(jī)葉片的紅外熱成像無(wú)損檢測(cè)的數(shù)值研究[J].北京工業(yè)大學(xué)學(xué)報(bào)，2006，1（32）： 48-52.

[6] 趙新光.基于聲發(fā)射和小波分析的大型風(fēng)力機(jī)葉片材料損傷識(shí)別研究[D].沈陽(yáng)：沈陽(yáng)工業(yè)大學(xué)，2009.

[7] 曲弋，陳長(zhǎng)征，周昊等.基于聲發(fā)射和神經(jīng)網(wǎng)絡(luò)的風(fēng)機(jī)葉片裂紋識(shí)別研究[J].機(jī)械設(shè)計(jì)與制造，2012，（3）：152-154.

[8] 徐玉秀，王強(qiáng)，梅元穎.葉片振動(dòng)響應(yīng)的長(zhǎng)度分形故障特征提取與診斷[J].振動(dòng)、測(cè)試與診斷，2011，4（31）：190-192.

[9] 李亞娟，周偉，劉然，等.風(fēng)機(jī)葉片復(fù)合材料層間開(kāi)裂聲發(fā)射監(jiān)測(cè)[J]. 河北大學(xué)學(xué)報(bào)（自然科學(xué)版），2014，34（2）：219-224.

[10] 陸元明，張乃正.風(fēng)力機(jī)葉片裂紋在線監(jiān)測(cè)系統(tǒng)[J].電工技術(shù)，2017（4）：83-84.

[11] 劉篤喜，溫立民，朱名銓.面向葉片裂紋檢測(cè)的自適應(yīng)圖像處理算法研究[J].航空精密制造技術(shù)，2007（03）：25-28.

[12] 徐靈鑫.海上風(fēng)力發(fā)電機(jī)葉片表面缺陷檢測(cè)的研究[D]. 杭州：中國(guó)計(jì)量學(xué)院， 2015.

[13] 李冰. 基于數(shù)字圖像的風(fēng)機(jī)槳葉故障檢測(cè)方法研究[D]. 北京：華北電力大學(xué)，2016.

[14] 翟永杰， 張木柳， 喬弘等. 基于顯著性檢測(cè)的風(fēng)機(jī)葉片裂紋提取研究[J]. 南方能源建設(shè)， 2016， 3（2）：136-140.

基金項(xiàng)目：

[1]國(guó)家自然科學(xué)基金地區(qū)基金：基于不動(dòng)點(diǎn)方程解析求解的高動(dòng)態(tài)場(chǎng)景多尺度分割（No. 61461022） ， 2015.01-2018.12

[2] 國(guó)家自然科學(xué)基金地區(qū)基金：復(fù)雜動(dòng)態(tài)場(chǎng)景空時(shí)稀疏尺度廣義目標(biāo)分割方法研究（No.61761024） 2018.01-2021.12