杜金 張欣鈺 楊雅君 王錚 馬亞杰 宋美

摘要：風(fēng)機葉片的故障是影響風(fēng)力發(fā)電持續(xù)健康發(fā)展的主要問題，也隱藏著巨大的安全隱患與環(huán)境問題。為了對風(fēng)機葉片進行故障檢測，文章提出了一種基于YOLOv5s算法的風(fēng)機葉片故障識別與檢測的模型。使用無人機對某風(fēng)場靜止的故障風(fēng)機葉片進行圖像采集，在經(jīng)過人工標注故障區(qū)域后，將訓(xùn)練集帶入YOLOv5s進行訓(xùn)練。結(jié)果顯示，YOLOv5s對比YOLOv4在風(fēng)機葉片的故障檢測效果上有較大提升，精度為90.2%，召回率達到93.4%， mAP值提升了3%，達到65.3%，在實現(xiàn)快速檢測的同時兼顧了較高的準確率。

關(guān)鍵詞：風(fēng)機葉片；YOLOv5s；故障識別；目標檢測；交并比

中圖分類號：TP277? ? ? ? 文獻標識碼：A

文章編號：1009-3044（2023）06-0076-03

開放科學(xué)（資源服務(wù)）標識碼（OSID）

0 引言

風(fēng)力發(fā)電作為發(fā)展最為成熟、最具有開發(fā)規(guī)模的可再生、清潔的綠色能源，擁有廣闊的發(fā)展前景。風(fēng)機葉片作為風(fēng)力發(fā)電的重要承載部件，其是否安全運行直接影響著風(fēng)力發(fā)電機組對風(fēng)能的獲取效率，同時對設(shè)備的使用壽命以及周圍的環(huán)境安全有著巨大的影響。根據(jù)我國風(fēng)能資源的分布，風(fēng)力設(shè)備多分布在濕度高、氣溫低的沿海與高海拔地區(qū)。由于風(fēng)機葉片制造中的鑄造氣孔、鑄造砂眼以及葉片與上冠、下環(huán)肩的過渡角設(shè)計的缺陷[1]，當葉片長期在惡劣的環(huán)境下運行時，容易發(fā)生葉片腐蝕、損壞、蒙皮剝離、葉片結(jié)冰、折斷等故障。因此，對風(fēng)機葉片故障檢測進行研究對于減小經(jīng)濟損失和安全隱患具有重要的意義。

受技術(shù)的限制，目前我國對風(fēng)機葉片的故障檢測多使用人工檢測或望遠鏡觀測等傳統(tǒng)檢測方法。人工檢測是高空作業(yè)，檢測效率低、危險系數(shù)高，且適應(yīng)復(fù)雜地勢的能力差，不易滿足風(fēng)機長期檢修的要求；而望遠鏡觀測對設(shè)備的要求較高，且觀測誤差與主觀性較大。無人機的快速發(fā)展與廣泛使用為葉片故障檢測提供了一種新的方法。無人機檢測操作簡單、檢測成本較低、維修方便。將無人機裝配高像素云臺設(shè)備，利用紅外、紫外成像傳感器模塊等定期拍攝風(fēng)機葉片的照片，記錄葉片的變化，可用于對風(fēng)機葉片的長期檢測[2]。

對于風(fēng)機葉片照片中缺陷故障的目標確定、特征精確識別并提取、特征分類、消除冗余確定最佳目標范圍是進行目標檢測的核心步驟。神經(jīng)網(wǎng)絡(luò)對于時序特征的提取能力強、泛化能力相對較好，且能對特征的提取進行無監(jiān)督的自主學(xué)習(xí)，在計算機視覺領(lǐng)域得到了快速的發(fā)展，成為了目前圖像識別的主流技術(shù)。

基于SCADA系統(tǒng)、回歸算法和深度學(xué)習(xí)等針對風(fēng)機葉片的研究，已有眾多論文發(fā)表。文獻[3]基于 SCADA數(shù)據(jù)的故障預(yù)測技術(shù)，建立了多元數(shù)據(jù)融合的風(fēng)機葉片結(jié)冰故障預(yù)測模型。文獻[4]基于邏輯回歸算法構(gòu)造不平衡分類器，以根據(jù)SCADA 數(shù)據(jù)實現(xiàn)風(fēng)機葉片結(jié)冰監(jiān)測。文獻[5]是運用棧式自編碼網(wǎng)絡(luò)建立葉片結(jié)冰早期預(yù)測模型實現(xiàn)了故障特征的自適應(yīng)提取和狀態(tài)分類，有效簡化了傳統(tǒng)預(yù)測模型的復(fù)雜度。文獻[6]對風(fēng)機葉片的原理進行分析，提出了振動方法研究葉片狀態(tài)的建議。文獻[7]基于三軸加速度傳感器模型數(shù)據(jù)融合設(shè)計了數(shù)字信號處理技術(shù)振動監(jiān)控系統(tǒng)，實現(xiàn)了葉片故障發(fā)生率75%的提前預(yù)測。文獻[8]直接通過無人機獲取葉片表面圖像，對風(fēng)機葉片表面的故障進行區(qū)域劃分和缺陷問題分類。文獻[9]介紹了一種基于深度學(xué)習(xí)的動車掃石器丟失故障圖像識別方法，提高了檢測效率和準確性。文獻[10]利用無人機對電網(wǎng)進行巡檢，將巡檢的圖像進行自動判讀，基于深度學(xué)習(xí)對小樣本的多目標缺陷檢測與識別問題，提供了一種新的解決方法。

在考慮了風(fēng)機運行的環(huán)境特征、技術(shù)限制和經(jīng)濟因素，仔細分析了無人機的主要構(gòu)造以及飛行控制原理之后，制定出一套高效的風(fēng)機葉片故障圖像采集方案。本文針對現(xiàn)有算法參數(shù)量大、檢測效率低的問題，基于YOLOv5s算法構(gòu)建了實時監(jiān)測風(fēng)機狀態(tài)模型，可大大提升故障檢測準確率及效率。

1 風(fēng)機葉片常見故障及數(shù)據(jù)預(yù)處理

由于地形和氣候的影響，風(fēng)機葉片會遇到不同的故障問題。通過無人機對風(fēng)機葉片定期進行照片、視頻的采集和記錄，對原始圖像進行處理之后，對數(shù)據(jù)進行預(yù)處理。

1.1 風(fēng)機葉片常見故障

根據(jù)風(fēng)機葉片受損原因和程度不同，將故障主要分為以下五大類：葉片受損、葉片結(jié)冰、表皮油污、折斷。由于風(fēng)機多在極端的天氣下運行，葉片遭受著風(fēng)沙、雨雪、暴曬、冰雹等腐蝕，容易出現(xiàn)表面裂痕和邊沿開裂等葉片受損，如圖1所示。因為風(fēng)機多建立潮濕、低溫的沿海和山區(qū)，葉片在此種環(huán)境中容易表皮覆冰，如圖2所示。當風(fēng)機運行出現(xiàn)故障時，其表面可能出現(xiàn)黑色油污，如圖3所示。如果葉片受損之后沒有得到及時檢修，會加速葉片的老化，最終造成葉片折斷，如圖4所示。

1.2 數(shù)據(jù)預(yù)處理

與合作單位制定數(shù)據(jù)采集計劃，使用無人機對某風(fēng)場靜止的故障風(fēng)機葉片進行近距離安全區(qū)域多角度圖像采集，獲取約3000張足夠清晰的圖片及10段左右視頻。對于采集到的原始圖像進行人工篩選，劃分為有故障圖像集和無故障圖像集，并對有故障圖像集利用標記軟件標注出故障具體位置與類別。將故障圖像集按照7：2：1劃分為訓(xùn)練集、驗證集和測試集。

2 YOLOv5算法原理

YOLO系列作為一種新的目標檢測算法，它能夠在實現(xiàn)快速檢測的同時兼顧較高的準確率。YOLO將目標區(qū)域和目標類別的預(yù)測整合到單個神經(jīng)網(wǎng)絡(luò)模型中，利用整張圖片作為網(wǎng)絡(luò)的輸入，直接在輸出層回歸目標的類別和位置信息。YOLOv5為了解決目標識別中效果較差的問題，對比于YOVOv4，主干網(wǎng)絡(luò)依舊使用CSPDarkNet，但在基準網(wǎng)絡(luò)中新增Focus結(jié)構(gòu)，將多個slice結(jié)果Concat起來，然后將其送入CBL模塊中。對比于YOLOv3，輸出端采用Mosaic數(shù)據(jù)增強方式，將原始數(shù)據(jù)按照隨機縮放、隨機剪裁和隨機排布的方式進行拼接而成，在豐富數(shù)據(jù)集的同時，大大提升了數(shù)據(jù)的訓(xùn)練速度，增強了魯棒性。以YOLOv5s為例，其目標檢測網(wǎng)絡(luò)架構(gòu)可分為四個部分：輸入端、基準網(wǎng)絡(luò)、Neck網(wǎng)絡(luò)和Head輸出端。其網(wǎng)絡(luò)架構(gòu)如圖5所示，其中CBL、Res unit、SCP1-X、SCP2-X、FOCUS模塊操作如圖5所示。

YOLOv5s的輸入端表示要輸入的圖片。該網(wǎng)絡(luò)輸入大小為608×608的圖像后，對其進行歸一化等操作。在網(wǎng)絡(luò)訓(xùn)練階段時，YOLOv5s使用Mosaic數(shù)據(jù)增強操作來提升模型訓(xùn)練速度和網(wǎng)絡(luò)精度，并通過自適應(yīng)錨框計算和自使用圖片縮放進一步提升算法的訓(xùn)練速度。

YOLOv5s在CSPDarknet結(jié)構(gòu)基礎(chǔ)上，新增Focus結(jié)構(gòu)作為基準網(wǎng)絡(luò)，通過slice操作來對輸入圖片進行裁剪，進一步提取一些通用的特征表示。

YOLOv5s在Neck網(wǎng)絡(luò)中依舊使用FPN+PAN結(jié)構(gòu)，相較于YOLOv4在Neck結(jié)構(gòu)里普通的卷積操作，YOLOv5s采用借鑒CSPnet設(shè)計的CSP2結(jié)構(gòu)，利用CSP2結(jié)構(gòu)代替部分CBL模塊，從而加強了網(wǎng)絡(luò)特征的融合能力。

YOLOv5s的Head輸出端用于完成目標檢測結(jié)果的輸出，利用GIOU_Loss來代替Smooth L1 Loss作為Bounding box的損失函數(shù)，從而進一步提升算法的檢測精度。

3 實驗結(jié)果與分析

3.1 實驗訓(xùn)練環(huán)境與訓(xùn)練方法

本次實驗的運行環(huán)境如下：CPU為Intel i7-9750H，GPU為NVIDIA TITAN Xp，內(nèi)存為32 GB，操作系統(tǒng)為Windows10，安裝CUDA11.1、cuDNN 8.0.5與tensorrt7.2.2.3庫文件，開發(fā)語言為Python3.8，Pytorch1.8.0框架。

在模型訓(xùn)練過程中，由于數(shù)據(jù)大小適中，為避免過大的Bach-size降低訓(xùn)練的隨機性，導(dǎo)致模型陷入局部最優(yōu)的情況。所以將Bach-size調(diào)整為5來增強模型的泛化性。設(shè)網(wǎng)絡(luò)訓(xùn)練的初始學(xué)習(xí)率為0.01，權(quán)重衰減設(shè)置為0.0005，迭代次數(shù)為400。采用隨機梯度下降優(yōu)化器設(shè)定動量因子為0.937，其余參數(shù)根據(jù)YOLOv5團隊開發(fā)的超參數(shù)文件hyp.scratch.yaml默認。

3.2 模型評價指標

選擇的目標檢測模型的參數(shù)評估指標主要有mAp值，精度（Precision）和召回率（Recall）。一般訓(xùn)練結(jié)果主要觀察Precision、Recal波動情況，然后觀察mAP@0.5：0.95 評價訓(xùn)練結(jié)果。

1）Precision：精確率，指正確預(yù)測的結(jié)果數(shù)占所有預(yù)測為正樣本的比率， [11]其公式如下：

[precision=TPTP+FP]

其中TP指將正類預(yù)測為正類數(shù)目[11] 。FP指將負類預(yù)測為正類數(shù)目[11] 。

2）Recall：召回率，指預(yù)測正確的結(jié)果數(shù)占真實結(jié)果總數(shù)的比例[11]，其公式如下：

[recall=TPTP+FN]

其中FN指將正類預(yù)測為負類數(shù)目[11] 。

3）mAP：所有數(shù)據(jù)的所有種類的平均精度的平均值[11]。其計算公式如下：

[mAP=i=1CAPiC]

其中，AP指單類別精度均值，而mAP@0.5：0.95表示在不同IoU閾值（從0.5到0.95，步長0.05）上的平均mAP。

4）IoU：交并比，指的是ground truth bbox與predict bbox的交集面積占兩者總面積的一個比值，IoU越大，說明檢測框的效果越好，通常認為IoU>0.75，檢測效果良好。

3.3 算法性能分析

為了量化本文基于YOLOv5s算法的實時監(jiān)測風(fēng)機狀態(tài)模型的性能表現(xiàn)，本文將YOLOv5s、Yolov4檢測算法在實時監(jiān)測風(fēng)機狀態(tài)任務(wù)上的性能進行比較，2個算法在同一個風(fēng)機葉片數(shù)據(jù)集中的檢測性能比較結(jié)果見表1。

由表1可以看出，在同一個風(fēng)機葉片數(shù)據(jù)集上進行訓(xùn)練和測試，本文使用的YOLOv5s的精度為90.2%、召回率為93.4%、Map@0.5：0.95為65.3%，3個指標均高于YOLOv4檢測算法。

3.4 結(jié)果展示

針對基于YOLOv5s算法的實時監(jiān)測風(fēng)機狀態(tài)模型訓(xùn)練結(jié)果如6所示。在葉片折斷、葉片表面受損兩種情況下，交并比（IoU）均在0.80以上，檢測效果良好，滿足未來實際應(yīng)用需求。

4 結(jié)束語

本文基于YOLOv5s提出了對風(fēng)機葉片的實時監(jiān)測模型，對目標檢測網(wǎng)絡(luò)架構(gòu)中的基準網(wǎng)絡(luò)、Neck網(wǎng)絡(luò)進行改進，提高了目標識別的有效性，同時提高了數(shù)據(jù)的訓(xùn)練速度以及魯棒性，在實現(xiàn)對風(fēng)機葉片快速檢測的同時，兼顧了較高的準確率，對于風(fēng)機葉片的實時監(jiān)測具有重要的現(xiàn)實意義。

參考文獻：

[1] 劉曉波，林家國，王依.基于小波包分析的風(fēng)機葉片裂紋故障識別研究[J].機床與液壓，2007，35（9）：241-243，245.

[2] 賀斌，賈建華，趙峰，等.無人機在風(fēng)機葉片檢測中的應(yīng)用[J].電工技術(shù)，2019（13）：64-65.

[3] 池昊，彭成，賀婧，等.基于SCADA數(shù)據(jù)的風(fēng)機葉片結(jié)冰短期預(yù)測方法[J].信息與電腦（理論版），2019（4）：61-65.

[4] 李寧波，閆濤，李乃鵬，等.基于SCADA數(shù)據(jù)的風(fēng)機葉片結(jié)冰檢測方法[J].發(fā)電技術(shù)，2018，39（1）：58-62.

[5] 劉娟，黃細霞，劉曉麗.基于棧式自編碼網(wǎng)絡(luò)的風(fēng)機葉片結(jié)冰預(yù)測[J].計算機應(yīng)用，2019，39（5）：1547-1550.

[6] 趙立明.風(fēng)機葉片故障預(yù)測的振動方法研究[J].內(nèi)蒙古科技與經(jīng)濟，2018（2）：99.

[7] 張保欽，雷保珍，趙林惠，等.風(fēng)機葉片故障預(yù)測的振動方法研究[J].電子測量與儀器學(xué)報，2014，28（3）：285-291.

[8] 彭麟.基于無人機獲取圖像的風(fēng)機葉片表面故障的檢測與分析[D].上海：上海電機學(xué)院，2019.

[9] 于婷.一種基于深度學(xué)習(xí)的動車掃石器丟失故障圖像識別方法：CN112183323A[P].2021-01-05.

[10] 顧曉東，唐丹宏，黃曉華.基于深度學(xué)習(xí)的電網(wǎng)巡檢圖像缺陷檢測與識別[J].電力系統(tǒng)保護與控制，2021，49（5）：91-97.

【通聯(lián)編輯：唐一東】