基于图像处理的风力发电叶片速度的检测

沈继忱，刘志杰，郭海山，郑圣鹏

(1.东北电力大学自动化工程学院，吉林吉林132012;2.福建省计量科学研究院，福建福州350000)

0 引言

国内风电市场需求逐渐扩大，风力机生产企业有了较快地发展，风电设备制造和配套部件的生产专业化正逐步形成［1－2］。在风力机运行过程中，叶片检测对风力机的安全运行有着重要作用。

图像识别在电力运行及生产中有着非常广泛的应用，基于图像的风力发电叶片速度检测在风力发电中是个重要的环节。目前，对风力发电叶片全过程进行检测在国内外都开展了一些研究。在图像识别方面国内外利用模板匹配的方法对特定的标志的识别进行了研究［3］。本文提到的叶片速度检测是利用远程视频监控系统对风车进行实时监控并实时利用图像处理技术，通过霍夫变换来确定叶片的转速，达到检测叶片速度的目的。

1 叶片的识别过程

1.1 叶片图像处理的过程

由于风力发电处在恶劣的环境中，需要实时的图像检测处理，如滤掉一些错误信息，苍蝇等小动物，以判断风车叶片是否处在异常状态。

首先要在监控范围内将目标从背景中提取出来，背景的去除在整个处理中占有很重要的地位。背景图是静止的，用实时图像与背景图像相减即可滤掉背景而只保留图像变化信息。由于光照情况时刻都在变化，背景图像也跟着变化，所以背景图像必须进行实时更新，以减少噪声影响。叶片图像处理的整体过程如图1所示。

图1 叶片图像处理的整体过程

1.2 图像的预处理

本文前面提取的图像为真彩格式，其数据量大，难以处理，在对目标进行颜色特征提取完毕后，为了后期其他特征量的提取方便快捷，需要对图像进行灰度化处理。

灰度图(Grayscale)是只含亮度信息，不含色彩信息的图像，就像我们平时看到亮度由暗到明的黑白照片，变化是连续的。因此，要表示灰度图，就需要把亮度值进行量化。通常划分成0到255共256个级别，0最暗(全黑)，255最亮(全白)。从彩色灰度化的过程通常分为四种方法:分量法、最大值法、平均值法、加权平均法。根据重要性及其他指标，将三个分量以不同的权值进行加权平均。由于人眼对绿色的敏感度最高，对蓝色的敏感度最低，因此，按(1)式对RGB三分量进行加权平均能得到较合理的灰度图像［4］。

为了消除孤立的噪声点和白噪声，而又保持图像的边缘，本文采取了非线性中值滤波法［5］。中值滤波就是用图象中某一点的N×N邻域中各点象素的中间值来代替此点的像素值，运用公式表达如下:

其中 y称为序列 X1，X2，…，Xn的中值。

1.3 图像的分割

图像分割的目的就是把图像中的物体与背景分开。把我们感兴趣的部分提取出来。为了更好的效果本文采用矩量保持分割。矩的定义为

其中mi是随机变量组的第i阶矩，Pj是指随机变量zj的概率，而z0……zn是一组随机变量。划分目标和背景的正确门限值也称最佳门限值，应当保持门限分割后的 m'i=mi(i=1，2，3)。

1.4 图像的形态学处理

1.4.1 图像的腐蚀

本文采用了形态学处理中的腐蚀处理，目的是为了消除二值图像与叶片上标记不相关的细节，为下面识别做准备。腐蚀具有收缩图像的作用，A被B腐蚀记为

这个公式表明，使用对进行腐蚀就是所有B中包含于A中的点z的集合用z平移。

1.4.2 图像的膨胀

膨胀是在二值图像中“加长”或“变粗”的操作。膨胀的运算符为⊕，A用B膨胀写作A⊕B，这里先将A和B看做所有取值为1了的像素点的集合。其定义为

上式表明用B膨胀A的过程，先对B做关于中心像素的映射，再将其映像平移z。

1.5 边缘检测

对于一副灰度二进制图像，如果图像像素值为1，则该像素的状态为ON，如果其像素值为0，则该像素的状态为OFF。在一副图像中，如果图像某个像素满足以下两个条件:

该像素状态为ON。

该像素邻域中有一个或多个像素状态为OFF。则认为该像素为边缘像素［5］。

1.6 图像取反

为了更能直观的识别到叶片的具体位置，需对图像进行取反命令。

2 Hough变换

由于其根据局部度量来计算全面描述参数，因而对于区域边界被噪声干扰或被其他目标遮盖而引起边界发生某些间断的情况，它具有很好的容错性和鲁棒性。所以采用Hough来提取并识别叶片的位置［6］，Hough的极坐标系下直线方程可以用参数表示为

其中ρ为从原点到直线的垂直距离，θ为从x轴算起的角度，这条直线在ρ－θ平面中为一点。如果在xy平面上有三个公线点，它们变换到ρ－θ平面上为有一个公共交点的三条曲线，交点的ρ－θ参数就是三点共线直线之参数。

运用直线拟合法读出叶片在一定的时间内转过的角度即可得到叶片的速度，采集程序界面如图2所示。

图2 采集识别界面

3 结束语

叶片图像检测能使风力发电在多种恶劣环境下稳定可靠运行，使其在故障时采取必要的安全保护措施，使风力发电机组处于保护状态，对电网的稳定性、电能的质量、频率等具有重要的意义。

［1］祁和生，沈德昌.我国大型风力发电产业发展现状［J］.电气时代，2010(2):29 －31.

［2］包耳.风力发电技术的发展现状［J］.可再生能源，2004(2):53－55.

［3］CORREA A F，CRUZ S A.Automatic calibration of analog and digital measuring instruments using computer vision［J］.IEEE Transactions on Instrumentation and Measurement，2000，49(1):94－99.

［4］刘刚.MATLAB数学图像处理［M］.北京:机械工业出版社，2010:110－115.

［5］王静.基于颜色特征的图像检索技术研究［M］.北京:首都经贸大学硕士论文，2006:15－16.

［6］岳国义，李宝树，赵书涛.智能型指针式仪表识别系统的研究［J］.仪器仪表学报，2003，24(z2):430 －431.