陳翔宇

山東濟南軌道交通集團運營有限公司

摘要：本研究針對傳統葉片檢測方法效率低、成本高、主觀性強等問題，構建基于YOLOv5的檢測系統。通過融合多尺度特征與注意力機制提升精度，以2612張訓練圖、327張驗證圖、326張測試圖訓練，實現油漆剝落90%、損壞88%、裂紋81%高正確率檢測，平均精度達73.9%，效果良好。

關鍵詞：風力發電；葉片故障；機器視覺；損傷識別；數字圖像處理

風能作為重要清潔能源，我國風能儲量達32.26億千瓦（可開發量2.53億千瓦）^[1]。風力發電機葉片作為核心部件易受惡劣環境影響，頻發裂紋、腐蝕等損傷。傳統人工檢測效率低、風險高，而機器視覺技術可實現實時精確的葉片損傷檢測。

Bridger Altice^[2]等構建6000張室內外葉片混合數據集，對比Xception、ResNet等模型性能。遷移學習優化的TL-Xception模型在CAI-SWTB測試集準確率達99.92%，公開數據集達100%，數據增強提升其復雜光照下魯棒性，但反射干擾與暗色裂紋仍影響檢測。本文基于YOLOv5構建的檢測系統顯著降低人工成本，實現葉片損傷快速識別。

1 系統總體設計

本文設計了一套基于機器視覺技術的風力發電機組葉片損傷檢測系統，以實現對葉片各類損傷的自動、高效、準確檢測。系統主要由圖像采集模塊、圖像處理模塊、損傷識別模塊組成，開發環境為 Python3.9 ，界面開發使用 Pyqt5。

系統工作流程如圖1所示具體工作步驟如下：

（1）圖像采集：使用高分辨率工業相機拍攝風機葉片，獲取清晰圖像。

（2）損傷標注：利用LabelImg工具^[3]對圖像中的損傷區域進行目標檢測標注。

（3）數據集劃分：將標注后的圖像劃分為訓練集、驗證集和測試集。

（4）圖像增強：應用CLAHE算法進行圖像處理，提升對比度以優化檢測效果。

（5）損傷識別：采用訓練好的YOLOv5模型識別定位損傷區域，并輸出損傷類型及置信度。

 

圖1  系統工作流程圖

Fig.1  System workflow diagram

2 系統硬件設計及設備部署方案

風力發電機組葉片作為關鍵部件，其健康狀況直接影響系統安全性和經濟性。復雜工作環境易導致葉片出現裂紋、磨損、銹蝕等損傷。檢測系統硬件需滿足：高分辨率成像、高速采集、低延遲傳輸、強環境適應性、高可靠性。

因此，本文圍繞感知層、計算層、傳輸層進行設計，硬件選型聚焦高分辨率、實時性、環境適應性三大指標，以匹配葉片檢測需求。

2.1 感知層設計

2.1.1核心設備選型：

（1）主選工業相機：JAI SP-5000M-PMCL

JAI SP-5000M-PMCL^[4]工業相機是一款面向工業檢測和多光譜分析的高端相機，專為復雜視覺任務設計。具體參數如表1所示。

表1  主選工業相機參數

Tab.1  Main selection of industrial camera parameters

 

傳感器	500 萬像素全局快門 CMOS
幀率   接口   環境適應性	137 fps   Camera Link   -45℃~70℃寬溫工作，IP67 防護

（2）備選相機：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傳感器內置半小時自動校準功能（ST），以500Hz采樣率、±24g量程監測葉片振動強度，遇異常振動即刻觸發相機曝光時間縮短至≤1ms。該機制使系統在強風中可清晰識別≥2mm裂紋，檢測精度較普通方法提升超40%，系統框圖見圖3。

 

圖2  Bosch BMI088 高性能 IMU

Fig.2  Bosch BMI088 High-performance IMU

 

圖3  Bosch BMI088 系統框圖

Fig.3  Bosch BMI088 System Block Diagram

2.1.2 部署方案

在機艙頂部安裝2臺主相機，對準葉片迎風面和背風面，覆蓋葉片全長。葉片根部、中部、尖部各加1臺備選相機，用于局部高分辨率補盲。將六軸IMU于葉片根部貼裝，監測振動，大于50Hz時自動縮短相機曝光時間。

2.2 計算層設計

2.2.1核心設備選型

（1）主選計算設備：NVIDIA Jetson AGX Xavier

NVIDIA Jetson AGX Xavier^[5] 是面向邊緣計算的高性能AI平臺，廣泛用于工業自動化及機器視覺。該平臺深度集成 CUDA^[6] 加速庫和 TensorRT^[7] 推理優化器，支持主流深度學習框架，可顯著提升模型運行效率。

（2）備選計算設備：AMD Ryzen 9 5900x、NVIDIA RTX 3090。

（3）主選存儲設備：西部數據 Black P10 1TB SSD

西部數據 Black P10 1TB SSD 專為高性能場景設計，采用優化NAND閃存架構與控制技術，可高效存儲葉片高分辨率圖像及檢測結果。其低功耗與抗震性滿足工業嚴苛需求，為邊緣節點提供持久可靠的存儲。采用分級存儲策略^[8]，如表2所示

表2  分級存儲

Tab.2  Tiered Storage

（4）備選儲存設備：三星 970 EVO Plus 1TB SSD、東芝 Q300 Pro 1TB SSD

2.2.2部署方案

該邊緣設備部署于風機機艙內的密封防護機柜，靠近輪轂中心以降低離心力干擾。對于需集中處理多機組數據的場景，可在塔筒底部部署高性能服務器，通過光纖互聯各機艙邊緣設備，實現數據聚合分析及遠程運維，形成?“邊緣-中心”協同架構。

2.3傳輸層設計

2.3.1有線傳輸方案設計

（1）主選設備：Moxa EDS-405A-2SFP

Moxa EDS-405A-2SFP^[9]是適合風電等嚴苛環境專用的工業級以太網交換機。集成5個以太網端口，支持光纖/銅纜混合組網，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	適用場景	最大距離	抗干擾措施
CAT6A 屏蔽雙絞線	機艙內相機到交換機	100m	金屬編織層+磁環濾波
OM4 多模光纖	塔筒到集控中心	550m	鎧裝保護套防鼠咬
Camera Link 光纖	高速相機直連計算設備	300m	工業級 LC 接口防塵

無線傳輸采用5G專網方案，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

安裝于風機塔筒底部或機艙內的防護機柜中，通過千兆光纖接口連接機艙頂部的工業相機與邊緣計算設備 NVIDIA Jetson AGX Xavier，同時以環形拓撲組網延伸至集控中心。

3 葉片損傷識別系統設計

3.1 Yolov5選用原因

YOLO(You Only Look Once)^[10]是一種單階段目標檢測算法，僅需一次前向傳播即可識別物體類別與位置。如圖4所示，COCO數據集測試表明，YOLOv5s具有最淺深度和最窄特征圖，速度最快，最適用于實時檢測。因此，本系統選用YOLOv5s算法^[11]。

 

圖 4  算法于 COCO 測試集測試結果

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

3.2 損傷識別系統模型訓練

3.2.1數據準備與預處理

基于網絡公開的風力發電機葉片損傷圖像數據集，經篩選淘汰模糊和過曝光圖像后，對合格圖像采用CLAHE算法增強對比度；再利用Labelimg工具完成損傷目標邊框及類別標注，最終構建包含3265張圖像的數據集，并劃分為訓練集（2612張）、驗證集（327張）和測試集（326張）。

3.2.2模型訓練步驟

（1）在項目目錄創建 datasets 文件夾，存放訓練集、驗證集和測試集圖像數據。

（2）創建 data.yaml 配置文件，存儲數據集路徑及損傷類別信息，如圖5所示。

 

圖5  data.yaml 具體內容

Fig.5  data.yaml specifics

（3）執行 train.py 啟動訓練

代碼如圖6所示：

 

圖6  模型訓練代碼

Fig.6  Model training code

3.2.3訓練結果

模型訓練后于runs/train/weights生成最佳權重文件best.pt，記錄模型峰值參數；推理階段可調用該文件對新數據進行目標檢測與預測，識別代碼如圖7所示，實現訓練成果部署。

 

圖7  圖片識別代碼

Fig.7  Image recognition code

3.2.4訓練結果評估

本次模型訓練結果的PR曲線如圖8所示。mAP（平均精度均值）通過計算 Precision-Recall 曲線下面積衡量模型性能， 本文模型取得了[email protected]=0.739的成績，展現了良好的目標檢測能力。

 

 

圖8  PR曲線

Fig.8  PR curves

F1分數^[12]是機器學習中衡量分類模型性能的重要指標，F1分數曲線如圖9所示，置信度閾值設為0.449時模型平均F1分數達0.73，反映模型對關鍵損傷類型如裂紋識別效果優異，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]是機器學習中的核心評估工具，本設計的混淆矩陣如圖10所示,可以看出Peeling Paint的正確預測率為 90%,Damage的正確預測率為88%,Crack的正確預測率為81%，具有較高的正確預測率。

 

圖10  混淆矩陣

Fig.10  Confusion matrix

在YOLOv5系列模型對比實驗中，通過分析正確預測率與檢測精度（mAP），如表4所示：YOLOv5s模型在檢測精度與速度上均優于其他同系列模型，兼顧精度與效率。

表4  不同模型檢測結果對比

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 葉片損傷在線檢測分析

4.1系統調試

采用仿真技術構建葉片損傷檢測系統，經多場景工況驗證：系統在復雜環境中運行穩定，損傷識別準確率及可靠性均達預期，多數典型工況下保持高精度監測能力，證實具備工程應用潛力。

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。  

（2）可檢測圖片、視頻、攝像頭輸入，并支持圖片批量處理。  

（3）實時顯示損傷區域、類別、置信度、用時、目標數。

4.2.2 效果演示

（1）圖片檢測演示

如圖11所示：

 

圖11  圖片檢測效果

Fig.11  Image detection effect

（2）視頻檢測演示

點擊打開視頻，選擇需要檢測的視頻，會在主頁面中自動播放視頻，并且實時對視頻中存在的損傷進行檢測，檢測效果如圖12所示。

 

圖12  視頻檢測效果

Fig.12  Video Detection Effect

（3）攝像頭檢測演示

點擊打開攝像頭，可以通過電腦攝像頭進行實時監測，檢測效果如圖13所示。

 

圖13  攝像頭檢測效果

Fig.13  The camera detects the effect

5 結論

在全球能源結構朝著清潔化方向加速轉型的大背景下，風力發電身為可再生 能源的關鍵支撐部分，其設備的運維效率以及安全性已然成為了整個行業所重點 關注的內容，此項研究主要圍繞風力發電機組葉片損傷檢測這個核心主題展開， 構建了一套借助機器視覺的 YOLOv5算法的智能化檢測系統，經過技術方面的創新以及工程化的實踐，達成了葉片損傷的高效且精準的識別，為風電運維的數字化轉型給出了切實可行的解決辦法，具備推廣和應用價值。