陳翔宇

山東濟(jì)南軌道交通集團(tuán)運(yùn)營(yíng)有限公司

摘要：本研究針對(duì)傳統(tǒng)葉片檢測(cè)方法效率低、成本高、主觀性強(qiáng)等問題，構(gòu)建基于YOLOv5的檢測(cè)系統(tǒng)。通過融合多尺度特征與注意力機(jī)制提升精度，以2612張訓(xùn)練圖、327張驗(yàn)證圖、326張測(cè)試圖訓(xùn)練，實(shí)現(xiàn)油漆剝落90%、損壞88%、裂紋81%高正確率檢測(cè)，平均精度達(dá)73.9%，效果良好。

關(guān)鍵詞：風(fēng)力發(fā)電；葉片故障；機(jī)器視覺；損傷識(shí)別；數(shù)字圖像處理

風(fēng)能作為重要清潔能源，我國(guó)風(fēng)能儲(chǔ)量達(dá)32.26億千瓦（可開發(fā)量2.53億千瓦）^[1]。風(fēng)力發(fā)電機(jī)葉片作為核心部件易受惡劣環(huán)境影響，頻發(fā)裂紋、腐蝕等損傷。傳統(tǒng)人工檢測(cè)效率低、風(fēng)險(xiǎn)高，而機(jī)器視覺技術(shù)可實(shí)現(xiàn)實(shí)時(shí)精確的葉片損傷檢測(cè)。

Bridger Altice^[2]等構(gòu)建6000張室內(nèi)外葉片混合數(shù)據(jù)集，對(duì)比Xception、ResNet等模型性能。遷移學(xué)習(xí)優(yōu)化的TL-Xception模型在CAI-SWTB測(cè)試集準(zhǔn)確率達(dá)99.92%，公開數(shù)據(jù)集達(dá)100%，數(shù)據(jù)增強(qiáng)提升其復(fù)雜光照下魯棒性，但反射干擾與暗色裂紋仍影響檢測(cè)。本文基于YOLOv5構(gòu)建的檢測(cè)系統(tǒng)顯著降低人工成本，實(shí)現(xiàn)葉片損傷快速識(shí)別。

1 系統(tǒng)總體設(shè)計(jì)

本文設(shè)計(jì)了一套基于機(jī)器視覺技術(shù)的風(fēng)力發(fā)電機(jī)組葉片損傷檢測(cè)系統(tǒng)，以實(shí)現(xiàn)對(duì)葉片各類損傷的自動(dòng)、高效、準(zhǔn)確檢測(cè)。系統(tǒng)主要由圖像采集模塊、圖像處理模塊、損傷識(shí)別模塊組成，開發(fā)環(huán)境為 Python3.9 ，界面開發(fā)使用 Pyqt5。

系統(tǒng)工作流程如圖1所示具體工作步驟如下：

（1）圖像采集：使用高分辨率工業(yè)相機(jī)拍攝風(fēng)機(jī)葉片，獲取清晰圖像。

（2）損傷標(biāo)注：利用LabelImg工具^[3]對(duì)圖像中的損傷區(qū)域進(jìn)行目標(biāo)檢測(cè)標(biāo)注。

（3）數(shù)據(jù)集劃分：將標(biāo)注后的圖像劃分為訓(xùn)練集、驗(yàn)證集和測(cè)試集。

（4）圖像增強(qiáng)：應(yīng)用CLAHE算法進(jìn)行圖像處理，提升對(duì)比度以優(yōu)化檢測(cè)效果。

（5）損傷識(shí)別：采用訓(xùn)練好的YOLOv5模型識(shí)別定位損傷區(qū)域，并輸出損傷類型及置信度。

 

圖1  系統(tǒng)工作流程圖

Fig.1  System workflow diagram

2 系統(tǒng)硬件設(shè)計(jì)及設(shè)備部署方案

風(fēng)力發(fā)電機(jī)組葉片作為關(guān)鍵部件，其健康狀況直接影響系統(tǒng)安全性和經(jīng)濟(jì)性。復(fù)雜工作環(huán)境易導(dǎo)致葉片出現(xiàn)裂紋、磨損、銹蝕等損傷。檢測(cè)系統(tǒng)硬件需滿足：高分辨率成像、高速采集、低延遲傳輸、強(qiáng)環(huán)境適應(yīng)性、高可靠性。

因此，本文圍繞感知層、計(jì)算層、傳輸層進(jìn)行設(shè)計(jì)，硬件選型聚焦高分辨率、實(shí)時(shí)性、環(huán)境適應(yīng)性三大指標(biāo)，以匹配葉片檢測(cè)需求。

2.1 感知層設(shè)計(jì)

2.1.1核心設(shè)備選型：

（1）主選工業(yè)相機(jī)：JAI SP-5000M-PMCL

JAI SP-5000M-PMCL^[4]工業(yè)相機(jī)是一款面向工業(yè)檢測(cè)和多光譜分析的高端相機(jī)，專為復(fù)雜視覺任務(wù)設(shè)計(jì)。具體參數(shù)如表1所示。

表1  主選工業(yè)相機(jī)參數(shù)

Tab.1  Main selection of industrial camera parameters

 

傳感器	500 萬(wàn)像素全局快門 CMOS
幀率   接口   環(huán)境適應(yīng)性	137 fps   Camera Link   -45℃~70℃寬溫工作，IP67 防護(hù)

（2）備選相機(jī)：Basler ace 2 acA2440-75um、Teledyne DALSA Genie Nano-10GigE C19240 。

（3）六軸IMU傳感器：Bosch BMI088

如圖2所示，六軸IMU傳感器內(nèi)置半小時(shí)自動(dòng)校準(zhǔn)功能（ST），以500Hz采樣率、±24g量程監(jiān)測(cè)葉片振動(dòng)強(qiáng)度，遇異常振動(dòng)即刻觸發(fā)相機(jī)曝光時(shí)間縮短至≤1ms。該機(jī)制使系統(tǒng)在強(qiáng)風(fēng)中可清晰識(shí)別≥2mm裂紋，檢測(cè)精度較普通方法提升超40%，系統(tǒng)框圖見圖3。

 

圖2  Bosch BMI088 高性能 IMU

Fig.2  Bosch BMI088 High-performance IMU

 

圖3  Bosch BMI088 系統(tǒng)框圖

Fig.3  Bosch BMI088 System Block Diagram

2.1.2 部署方案

在機(jī)艙頂部安裝2臺(tái)主相機(jī)，對(duì)準(zhǔn)葉片迎風(fēng)面和背風(fēng)面，覆蓋葉片全長(zhǎng)。葉片根部、中部、尖部各加1臺(tái)備選相機(jī)，用于局部高分辨率補(bǔ)盲。將六軸IMU于葉片根部貼裝，監(jiān)測(cè)振動(dòng)，大于50Hz時(shí)自動(dòng)縮短相機(jī)曝光時(shí)間。

2.2 計(jì)算層設(shè)計(jì)

2.2.1核心設(shè)備選型

（1）主選計(jì)算設(shè)備：NVIDIA Jetson AGX Xavier

NVIDIA Jetson AGX Xavier^[5] 是面向邊緣計(jì)算的高性能AI平臺(tái)，廣泛用于工業(yè)自動(dòng)化及機(jī)器視覺。該平臺(tái)深度集成 CUDA^[6] 加速庫(kù)和 TensorRT^[7] 推理優(yōu)化器，支持主流深度學(xué)習(xí)框架，可顯著提升模型運(yùn)行效率。

（2）備選計(jì)算設(shè)備：AMD Ryzen 9 5900x、NVIDIA RTX 3090。

（3）主選存儲(chǔ)設(shè)備：西部數(shù)據(jù) Black P10 1TB SSD

西部數(shù)據(jù) Black P10 1TB SSD 專為高性能場(chǎng)景設(shè)計(jì)，采用優(yōu)化NAND閃存架構(gòu)與控制技術(shù)，可高效存儲(chǔ)葉片高分辨率圖像及檢測(cè)結(jié)果。其低功耗與抗震性滿足工業(yè)嚴(yán)苛需求，為邊緣節(jié)點(diǎn)提供持久可靠的存儲(chǔ)。采用分級(jí)存儲(chǔ)策略^[8]，如表2所示

表2  分級(jí)存儲(chǔ)

Tab.2  Tiered Storage

（4）備選儲(chǔ)存設(shè)備：三星 970 EVO Plus 1TB SSD、東芝 Q300 Pro 1TB SSD

2.2.2部署方案

該邊緣設(shè)備部署于風(fēng)機(jī)機(jī)艙內(nèi)的密封防護(hù)機(jī)柜，靠近輪轂中心以降低離心力干擾。對(duì)于需集中處理多機(jī)組數(shù)據(jù)的場(chǎng)景，可在塔筒底部部署高性能服務(wù)器，通過光纖互聯(lián)各機(jī)艙邊緣設(shè)備，實(shí)現(xiàn)數(shù)據(jù)聚合分析及遠(yuǎn)程運(yùn)維，形成?“邊緣-中心”協(xié)同架構(gòu)。

2.3傳輸層設(shè)計(jì)

2.3.1有線傳輸方案設(shè)計(jì)

（1）主選設(shè)備：Moxa EDS-405A-2SFP

Moxa EDS-405A-2SFP^[9]是適合風(fēng)電等嚴(yán)苛環(huán)境專用的工業(yè)級(jí)以太網(wǎng)交換機(jī)。集成5個(gè)以太網(wǎng)端口，支持光纖/銅纜混合組網(wǎng)，滿足塔間550米抗干擾可靠傳輸需求，布線選型見表3。

表3  線纜選型及布線

Tab.3  Cable selection and layout

傳輸介質(zhì)	適用場(chǎng)景	最大距離	抗干擾措施
CAT6A 屏蔽雙絞線	機(jī)艙內(nèi)相機(jī)到交換機(jī)	100m	金屬編織層+磁環(huán)濾波
OM4 多模光纖	塔筒到集控中心	550m	鎧裝保護(hù)套防鼠咬
Camera Link 光纖	高速相機(jī)直連計(jì)算設(shè)備	300m	工業(yè)級(jí) LC 接口防塵

無(wú)線傳輸采用5G專網(wǎng)方案，CPE終端選用華為 MH5000-31模塊。該模塊支持3.5GHz頻段，上行峰值速率≥300Mbps，并配備雙SIM卡槽。

2.3.2 部署位置

安裝于風(fēng)機(jī)塔筒底部或機(jī)艙內(nèi)的防護(hù)機(jī)柜中，通過千兆光纖接口連接機(jī)艙頂部的工業(yè)相機(jī)與邊緣計(jì)算設(shè)備 NVIDIA Jetson AGX Xavier，同時(shí)以環(huán)形拓?fù)浣M網(wǎng)延伸至集控中心。

3 葉片損傷識(shí)別系統(tǒng)設(shè)計(jì)

3.1 Yolov5選用原因

YOLO(You Only Look Once)^[10]是一種單階段目標(biāo)檢測(cè)算法，僅需一次前向傳播即可識(shí)別物體類別與位置。如圖4所示，COCO數(shù)據(jù)集測(cè)試表明，YOLOv5s具有最淺深度和最窄特征圖，速度最快，最適用于實(shí)時(shí)檢測(cè)。因此，本系統(tǒng)選用YOLOv5s算法^[11]。

 

圖 4  算法于 COCO 測(cè)試集測(cè)試結(jié)果

Fig.4  The algorithm is tested in the COCO test set

3.2 損傷識(shí)別系統(tǒng)模型訓(xùn)練

3.2.1數(shù)據(jù)準(zhǔn)備與預(yù)處理

基于網(wǎng)絡(luò)公開的風(fēng)力發(fā)電機(jī)葉片損傷圖像數(shù)據(jù)集，經(jīng)篩選淘汰模糊和過曝光圖像后，對(duì)合格圖像采用CLAHE算法增強(qiáng)對(duì)比度；再利用Labelimg工具完成損傷目標(biāo)邊框及類別標(biāo)注，最終構(gòu)建包含3265張圖像的數(shù)據(jù)集，并劃分為訓(xùn)練集（2612張）、驗(yàn)證集（327張）和測(cè)試集（326張）。

3.2.2模型訓(xùn)練步驟

（1）在項(xiàng)目目錄創(chuàng)建 datasets 文件夾，存放訓(xùn)練集、驗(yàn)證集和測(cè)試集圖像數(shù)據(jù)。

（2）創(chuàng)建 data.yaml 配置文件，存儲(chǔ)數(shù)據(jù)集路徑及損傷類別信息，如圖5所示。

 

圖5  data.yaml 具體內(nèi)容

Fig.5  data.yaml specifics

（3）執(zhí)行 train.py 啟動(dòng)訓(xùn)練

代碼如圖6所示：

 

圖6  模型訓(xùn)練代碼

Fig.6  Model training code

3.2.3訓(xùn)練結(jié)果

模型訓(xùn)練后于runs/train/weights生成最佳權(quán)重文件best.pt，記錄模型峰值參數(shù)；推理階段可調(diào)用該文件對(duì)新數(shù)據(jù)進(jìn)行目標(biāo)檢測(cè)與預(yù)測(cè)，識(shí)別代碼如圖7所示，實(shí)現(xiàn)訓(xùn)練成果部署。

 

圖7  圖片識(shí)別代碼

Fig.7  Image recognition code

3.2.4訓(xùn)練結(jié)果評(píng)估

本次模型訓(xùn)練結(jié)果的PR曲線如圖8所示。mAP（平均精度均值）通過計(jì)算 Precision-Recall 曲線下面積衡量模型性能， 本文模型取得了mAP@0.5=0.739的成績(jī)，展現(xiàn)了良好的目標(biāo)檢測(cè)能力。

 

 

圖8  PR曲線

Fig.8  PR curves

F1分?jǐn)?shù)^[12]是機(jī)器學(xué)習(xí)中衡量分類模型性能的重要指標(biāo)，F(xiàn)1分?jǐn)?shù)曲線如圖9所示，置信度閾值設(shè)為0.449時(shí)模型平均F1分?jǐn)?shù)達(dá)0.73，反映模型對(duì)關(guān)鍵損傷類型如裂紋識(shí)別效果優(yōu)異，但污垢因視覺相似性易混淆。

 

圖9   F1 曲線

Fig.9  F1 curves

混淆矩陣^[13]是機(jī)器學(xué)習(xí)中的核心評(píng)估工具，本設(shè)計(jì)的混淆矩陣如圖10所示,可以看出Peeling Paint的正確預(yù)測(cè)率為 90%,Damage的正確預(yù)測(cè)率為88%,Crack的正確預(yù)測(cè)率為81%，具有較高的正確預(yù)測(cè)率。

 

圖10  混淆矩陣

Fig.10  Confusion matrix

在YOLOv5系列模型對(duì)比實(shí)驗(yàn)中，通過分析正確預(yù)測(cè)率與檢測(cè)精度（mAP），如表4所示：YOLOv5s模型在檢測(cè)精度與速度上均優(yōu)于其他同系列模型，兼顧精度與效率。

表4  不同模型檢測(cè)結(jié)果對(duì)比

Tab.4  Comparison of detection results of different models

算法	crack	damage	Peeling Paint	mAP
Yolov5s	81%	88%	90%	0.739
Yolov5l	75%	85%	81%	0.715
Yolov5m	75%	86%	87%	0.737
Yolov5n	77%	85%	84%	0.727

4 葉片損傷在線檢測(cè)分析

4.1系統(tǒng)調(diào)試

采用仿真技術(shù)構(gòu)建葉片損傷檢測(cè)系統(tǒng)，經(jīng)多場(chǎng)景工況驗(yàn)證：系統(tǒng)在復(fù)雜環(huán)境中運(yùn)行穩(wěn)定，損傷識(shí)別準(zhǔn)確率及可靠性均達(dá)預(yù)期，多數(shù)典型工況下保持高精度監(jiān)測(cè)能力，證實(shí)具備工程應(yīng)用潛力。

4.2軟件主要功能介紹及效果演示

4.2.1 軟件功能介紹

（1）支持裂縫、損壞、污垢、油漆剝落四類損傷檢測(cè)。  

（2）可檢測(cè)圖片、視頻、攝像頭輸入，并支持圖片批量處理。  

（3）實(shí)時(shí)顯示損傷區(qū)域、類別、置信度、用時(shí)、目標(biāo)數(shù)。

4.2.2 效果演示

（1）圖片檢測(cè)演示

如圖11所示：

 

圖11  圖片檢測(cè)效果

Fig.11  Image detection effect

（2）視頻檢測(cè)演示

點(diǎn)擊打開視頻，選擇需要檢測(cè)的視頻，會(huì)在主頁(yè)面中自動(dòng)播放視頻，并且實(shí)時(shí)對(duì)視頻中存在的損傷進(jìn)行檢測(cè)，檢測(cè)效果如圖12所示。

 

圖12  視頻檢測(cè)效果

Fig.12  Video Detection Effect

（3）攝像頭檢測(cè)演示

點(diǎn)擊打開攝像頭，可以通過電腦攝像頭進(jìn)行實(shí)時(shí)監(jiān)測(cè)，檢測(cè)效果如圖13所示。

 

圖13  攝像頭檢測(cè)效果

Fig.13  The camera detects the effect

5 結(jié)論

在全球能源結(jié)構(gòu)朝著清潔化方向加速轉(zhuǎn)型的大背景下，風(fēng)力發(fā)電身為可再生 能源的關(guān)鍵支撐部分，其設(shè)備的運(yùn)維效率以及安全性已然成為了整個(gè)行業(yè)所重點(diǎn) 關(guān)注的內(nèi)容，此項(xiàng)研究主要圍繞風(fēng)力發(fā)電機(jī)組葉片損傷檢測(cè)這個(gè)核心主題展開， 構(gòu)建了一套借助機(jī)器視覺的 YOLOv5算法的智能化檢測(cè)系統(tǒng)，經(jīng)過技術(shù)方面的創(chuàng)新以及工程化的實(shí)踐，達(dá)成了葉片損傷的高效且精準(zhǔn)的識(shí)別，為風(fēng)電運(yùn)維的數(shù)字化轉(zhuǎn)型給出了切實(shí)可行的解決辦法，具備推廣和應(yīng)用價(jià)值。