针对不停机风力发电机改进的自动调焦系统

摘 "要： 风能是一种重要的可再生资源，因此对风力发电机组进行损伤检测具有重要意义。由于叶片图像的清晰度对损伤检测有很大影响，因此需要通过自动调焦步骤获得清晰的图像。不停机风力发电机叶片追踪图像中叶片的位置和尺寸改变，无法准确评估图像清晰度。因此，通过聚焦搜索策略无法实现自动聚焦步骤。文中提出一种基于改进的清晰度评价方法的自动调焦系统。通过基于面积补偿系数的方法补偿清晰度评价，并进行仿真实验和风力发电机模型实验。叶片目标变化对清晰度评价的影响从0.218降至0.030，叶片目标变化对清晰度的影响大大降低。在改进的清晰度评价方法的基础上，采用爬山法的搜索策略实现自动调焦步骤，同时，由于需要考虑算法程序对于不停机风力发电机的实时性，计算了自动调焦步骤的消耗时间，通过降低图像分辨率和调用NumPy库，将耗时从13.79 s减小到0.1 s以下。最后，实现了不停机风力发电机叶片追踪图像的自动调焦步骤，为提高自动调焦技术的性能提供了借鉴。

关键词： 风力发电机； 自动调焦； 叶片变化； 清晰度评价； 调焦搜索； 损伤检测

中图分类号： TN911⁃34 " " " " " " " " " " " " " 文献标识码： A " " " " " " " " " " " "文章编号： 1004⁃373X（2024）21⁃0139⁃10

Improved auto⁃focusing system for non⁃stop wind turbine blade

TIAN Hang， CHEN Guo， ZHAO Hui， TAO Wei， LÜ Na

（School of Sensing Science and Engineering， School of Electronic Information and Electrical Engineering， Shanghai Jiao Tong University， Shanghai 200240， China）

Abstract： Wind energy is an important renewable resource， so the damage detection of wind turbines is of great significance. Since the definition of the blade image has a great influence on damage detection， it is necessary to obtain clear images by the step of auto⁃focusing. The blade position and size of the blade in the blade tracking image of the non⁃stop wind turbine are changing， so it is difficult to evaluate the image definition accurately. As a result， the step of auto⁃focusing cannot be realized by focusing search strategy. In this paper， an auto⁃focusing system based on the improved definition evaluation method is proposed. The definition evaluation is compensated by the method based on the area compensation coefficient. The simulation experiments and wind turbine model experiments are carried out. The experimental results show that the influence of the change of blade （the object） on definition evaluation decreases from 0.218 to 0.030. It can be seen that the effect from change of blade （the object） on definition is reduced greatly. Then， based on the improved definition evaluation method， the search strategy of mountain climbing method is used to realize the step of auto⁃focusing. It is necessary to take into account the real⁃time performance of the algorithm program for the non⁃stop wind turbine， so the consuming time of the step of auto⁃focusing is calculated， and the consuming time is reduced from 13.79 s to less than 0.1 s by reducing the image resolution and calling NumPy library. Finally， the step of auto⁃focusing for the blade tracking image of the non⁃stop wind turbine is realized. To sum up， it provides a reference for improving the auto⁃focusing technology.

Keywords： wind turbine; auto⁃focusing; change of blade; definition evaluation; focus search; damage detecting

0 "引 "言

风能在许多国家的能源结构中占很大比例，风能产业是帮助世界找到摆脱当前能源危机的可行途径的关键资源。风机在使用过程中，不可避免地会发生损坏，包括叶片表面裂纹、雷击和腐蚀等。放置不顾叶片损伤将导致严重后果，因此有必要对叶片损伤进行早期检测和预警。现有的研究大多是在风力发电机停机状态下进行的。为了降低甚至消除停机状态下叶片损伤检测的成本，有必要实现风力发电机运行状态下的损伤检测。

在风力发电机运行状态下，通过叶片追踪可以获得叶片目标图像。但是，此时获得的图像可能不是最高清晰度的图像，因此无法准确识别叶片表面的损伤。为了准确识别叶片表面损伤，有必要对追踪叶片目标图像的清晰度进行评估，并利用焦点搜索方法实现自动调焦系统。

自动调焦系统包含图像清晰度评价和调焦搜索方法两部分。

图像清晰度评价是视觉图像质量测量的核心，对视觉图像清晰度评价的研究是实现视觉检测的关键技术之一[1⁃3]。大多数清晰度评价方法[4]都是基于空间域的，基于空间域的清晰度方法主要是通过图像灰度和边缘信息对图像进行评价[5⁃6]。大多数基于频域的方法使用变换方法[7]，如傅里叶变换和小波变换，计算图像的频域特征来表示图像的清晰度评价[8]。基于学习的方法从机器学习发展到深度学习。此外，学者们还研究开发了几种方法相结合的方法[9]。为了提高自动调焦技术的性能，近年来人们研究了各种改进的图像清晰度评价函数。文献[10]在模糊滤波的基础上，计算了相邻像素在垂直和水平方向上的灰度差绝对值之和，并将两者的最大值作为图像清晰度评价指标，取得了较好的效果。文献[11]提出了基于四邻域多向两阶段梯度函数的自动调焦函数和基于感兴趣区域融合卷积神经网络智能窗口的瞳孔定位函数。文献[12]结合Brenner函数和Roberts函数，提高了微纳结构边缘取向分辨函数的稳定性和灵敏度。文献[13]采用Tenengrad梯度函数分两步搜索焦点位置，可有效提高三轴视觉测量系统的聚焦效率和精度。调焦搜索方法也很重要，常用的调焦搜索方法[14]包括函数逼近法、斐波那契法和爬山法，在实际应用中结合图像清晰度评价实现自动调焦。此外，通过结合Sobel算子图像清晰度评价的变步长两阶段快速搜索方法，最终实现了精度高、实时性好的自动调焦方法[15]。

对于运行中的风力发电机，通过叶片追踪方法可以获得风力发电机的局部叶片图像，但是，当前追踪图像和下一追踪图像中的叶片目标发生了变化，包括叶片目标位置和面积的变化。当叶片目标在图像序列中发生变化时，会对清晰度评价产生很大的影响，背景中白云的存在也会对清晰度评价产生干扰。现有方法的精度和鲁棒性都得到了很大的提高，但在目标物体变化时的清晰度评价方法存在一定的不足，清晰度评价的结果容易受到目标对象变化的影响，并且清晰度评价会随着目标对象的变化而变化，图像清晰度评价没有统一的标准。

本文提出了一种改进的清晰度评价方法，以减少同一目标运动引起目标变化时对图像清晰度的影响。然后采用调焦搜索法分析了自动调焦过程中所花费的时间。最后，实现了自动调焦步骤，得到了在目标变化时最清晰的叶片图像。

1 "清晰度评价方法与实验

1.1 "三种经典的清晰度评价方法

本文介绍了三种经典的清晰度评价方法，包括方差法、Brenner法和Laplace法。

1） 方差法

采用方差法实现图像清晰度的评价，方差法的计算公式如下：

[Fvariance=1m×nf（x，y）-u2] （1）

式中：[m]和[n]表示图像的尺寸；[f（x，y）]表示图像中点处的灰度值；[u]表示图像灰度的均值。[u]的计算公式如下：

[u=1m×nf（x，y）] （2）

当图像中的物体发生变化时，图像中对应位置的点或区域的像素灰度值也会发生变化。当整个图像的灰度均值和方差发生变化时，方差法计算的清晰度评价值也随之发生变化。

2） Brenner法

采用Brenner法计算图像清晰度评价的公式如下：

[FBrenner=1m×nf（x+2，y）-f（x，y）2] （3）

式中：[f（x，y）]和[f（x+2，y）]分别表示图像中点[（x，y）]和点[（x+2，y）]处的灰度值。Brenner方法通过计算[f（x，y）]相距2个像素位置处的差值，最终得到图像清晰度的评价值。

3） Laplace法

采用Laplace法计算图像清晰度评价的公式如下：

[FLaplace=1m×n4f（x，y）-f（x，y+1）-f（x，y-1）- " " " " " " " " " " f（x+1，y）-f（x-1，y）2 " " " " " " " " （4）]

式中[f（x，y）]表示图像中点[（x，y）]的灰度值。Laplace方法通过计算[f（x，y）]及其周围4个像素点的灰度值的差值，最终得到图像清晰度的评价值。

本文采用方差进行清晰度评价，在方差法的基础上进行补偿得到改进的清晰度评价方法。

1.2 "改进的清晰度评价方法

1.2.1 "清晰度评价方法的局限性

在叶片的清晰度评价过程中，图像中的背景会影响清晰度评价，图像中叶片目标的变化会导致叶片目标位置、叶片目标大小等的变化，位置和大小也影响清晰度的评价。

1） 风力发电机的叶片背景干扰

图1为包含叶片目标和背景的风电叶片图像。背景包括蓝天、白云等，白云与叶片目标灰度接近，使用图像灰度方法进行清晰度评价时，白云会对计算叶片目标清晰度的评价造成干扰。

2） 风力发电机叶片位置的影响

图2为风力发电机运行中叶片位于不同位置时的图像。叶片运行时，叶片目标在多次追踪的图像中位置不同，图像中叶片目标的位置改变对图像清晰度评价有影响。如图2所示，当叶片目标在图像中处于不同位置时，在叶片目标旋转后，叶片高度、水平等的变化会导致与检测装置的距离发生变化，造成叶片目标与检测装置在三维空间中的距离发生变化，从而影响图像清晰度评价。

3） 风力发电机叶片面积的影响

图3为风力发电机运行中不同面积大小叶片目标的图像。当风力发电机叶片运行时，在多次追踪的图像中，叶片目标面积是不同的，这对图像清晰度评价有影响。对于方差法，图像中叶片目标区域的变化导致目标区域灰度值的变化，从而造成图像的平均灰度值和对应区域的灰度值方差的变化，最后，影响方差法的清晰度评价结果。

1.2.2 "改进的清晰度评价方法

针对之前提出的图像清晰度评价的局限性，提出解决的方法。

1） 针对图像中背景的影响干扰

对于图像中的背景，采用差分和图像分割的方法获取叶片目标的区域。

将叶片目标图像与背景图像进行差分后，在差分图像中消除背景中白云的干扰，然后通过阈值分割得到目标连通域，即叶片目标的区域。

2） 针对叶片目标位置的影响

对于图像中叶片位置的变化影响清晰度评价，根据叶片目标位置计算位置补偿系数。

当叶片目标位于图像中不同位置时，清晰度评价值不同。利用叶片目标的位置补偿系数获得叶片目标在图像中心位置的清晰度评价值。

3） 针对叶片目标面积的影响

由于图像中叶片目标面积的变化影响清晰度评价，根据叶片目标面积计算面积补偿系数，实现对清晰度评价的补偿。

当叶片目标面积发生变化时，对方差法计算的清晰度评价有较大影响。通过对叶片目标面积的计算，实现基于目标面积的补偿系数对清晰度评价的补偿。

4） 方差法的清晰度评价值与叶片目标改变之间的关系

叶片目标的变化包括叶片目标位置和面积大小的变化等。对于叶片目标位置的变化，可以从叶片目标的不同位置计算位置补偿系数，最后补偿为叶片目标位于图像中心时的清晰度评价。本文主要采用方差法考虑叶片目标面积变化与清晰度评价之间的关系，从叶片目标面积计算面积补偿系数，得到补偿后的图像清晰度评价。

针对叶片目标面积改变与方差法计算图像清晰度评价的关系，分析如下。

图4为包括目标和背景的图像。其中，图像中目标的灰度均为[u1]，背景的灰度均为[u2]。背景部分占图像总面积的比例为[k1]，目标部分占图像总面积的比例为[k2]，并且[k1+k2=1]。

图像灰度均值的计算公式如下：

[u=k1u1+k2u2=（1-k2）u1+k2u2] （5）

图像灰度方差的公式如下：

[σ2=k1（u1-u）2+k2（u2-u）2] （6）

整理式（5）、式（6）之后的公式如下：

[σ2=（1-k2）k2C] （7）

式中，[C=（u1-u2）2]，是一个与目标灰度均值与背景灰度均值相关的常值。所以，表示方差[σ2]与目标面积的比例[k2]存在公式（7）的函数关系。

补偿叶片目标面积之后的清晰度评价公式如下：

[Fcompensated=Fvariance*kcompensated=1m×nf（x，y）-u2*kcompensated] （8）

式中[kcompensated=1k2（1-k2）]是面积补偿系数。通过补偿系数[kcompensated]来减小目标面积对图像清晰度评价的影响，最终得到补偿之后的清晰度评价结果。

1.3 "清晰度评价实验

本节介绍了图像清晰度评价实验，包括：采用方差法、Brenner法和Laplace法对同一叶片目标进行的清晰度评价实验；变换叶片目标图像清晰度评价改进的图像清晰度评价实验；改进了不同焦点下的图像清晰度评价实验。

实验包括仿真实验和风力发电机叶片模型实验。通过Matlab软件实现了仿真实验。在图5中，风力发电机模型实验使用风电叶片模型和检测装置。检测装置包括镜头、相机、云台等。检测装置与风力发电机叶片模型之间的长度为1 m。

相机为大恒水星系列，1 220万像素，帧率为9 f/s，在分辨率降低的情况下可以提高帧率，最大帧率为14 f/s，实验中，相机增益为24 dB，曝光时间为10 ms。镜头支持电动聚焦、变焦和可调光圈，焦距范围为10～200 mm，实验中，将光圈调节到最大，调整变焦和聚焦，得到风电模型的图像。

云台支持水平和垂直方向的旋转，实验中，可以改变检测装置的水平方向和垂直方向。转速检测时，转动机头使检测装置面向风电叶片模型，垂直角度分别调整为0°、30°和45°。

图6为上位机界面，包括参数部分和自动调焦部分。经过叶片追踪步骤，得到位于叶片目标中心附近的图像。为了获得具有最高清晰度评价的图像，自动调焦部分在启动调焦步骤后，调整控制镜头的焦距来实现自动调焦步骤。

实验部分包括仿真实验与风电模型实验两部分。仿真实验中，使用了Matlab软件，针对目标位置与目标面积改变两种情况，进行了实验并得到实验结果。风电模型实验中，采用检测装置采集风电模型的图像，并使用方差法和改进后的方差法进行清晰度评价，验证改进后清晰度评价方法的有效性。

1.3.1 "仿真实验

使用Matlab软件进行仿真实验。仿真实验中，分别得到如图7a）和图8a）所示的目标位置与目标面积改变的图像序列，并采用方差法的清晰度评价方法，得到相应的清晰度评价曲线分别如图7b）和图8b）所示。

图7a）和图8a）分别为目标位置与目标面积改变的图像序列，目标为灰色，背景为白色。图7a）中，目标的面积不变，目标位置改变，目标位于图像中9个不同的位置。图8a）中，目标位置基本不变，目标面积改变，每次目标面积增加整个图像的[116]。

图7b）和图8b）的图像清晰度曲线中，横坐标为第[n]张图像，纵坐标为归一化后的清晰度。图7b）中，归一化的清晰度评价的改变张度小于0.007，所以目标位置对图像清晰度评价的影响很小。图8b）中，归一化的清晰度评价的改变范围是0～1，所以目标面积对图像清晰度的影响很大。

由仿真实验结果得到，目标位置对图像清晰度评价影响很小，目标面积对图像清晰度的影响很大。

1.3.2 "改进方法前后的风电叶片模型实验

对于风电叶片模型，通过采集不同焦点下的图像得到图像序列。

表1中采集三组图像序列，三组图像序列中叶片目标的面积不同。在图像序列中，从第1张图像到第5张图像，叶片目标的清晰度评价升高；从第5张图像到第8张图像，叶片目标的清晰度评价降低。

对三组图像序列进行清晰度评价，得到如图9所示的清晰度评价曲线。其中，图9a）为补偿前的清晰度评价曲线，图9b）为补偿后的清晰度评价曲线。

在图9a）中，三组图像的清晰度评价曲线均显示第五组图像清晰度最高，但在同一焦点下，不同叶片目标区域的清晰度评价存在一定差异。计算相同焦点下不同目标清晰度评价的最大差值，最终差值的平均值为0.218。在图9b）补偿后的清晰度评价曲线中，不同叶片目标的清晰度差异小于补偿前，计算差值的平均值为0.030。虽然在第一组和第二组的清晰度评价曲线中，第六张图像的清晰度评价与第五张图像的清晰度评价接近，但通过计算不同叶片目标的图像清晰度评价的平均值，可以获得最高清晰度的图像。

风电叶片模型实验结果中，经过面积补偿后的改进的清晰度评价方法不同叶片目标的图像清晰度评价差距明显减小，所以通过补偿后的清晰度评价可以减小叶片目标变化对清晰度评价的影响。

1.4 "不同焦点图像中的叶片损伤

风力发电机在使用过程中叶片表面会产生很多损伤，包括叶片表面裂纹、磨损、雷电焦痕等。因此，在风力发电机模型中设计了不同宽度的线段标记作为损伤。较窄的线段代表不同宽度的裂纹损伤，最宽的线段代表磨损或雷击焦痕等损伤。在获得不同焦点下的叶片损伤图像后，计算改进方法的清晰度评价，在此基础上，建立清晰度评价与叶片损伤之间的关系。

图10显示不同宽度的线段标志。线段宽度是1磅、2磅、4磅、8磅、16磅。因此，线宽的比例为1∶2∶4∶8∶16。最宽的线段标志表示叶片磨损损伤，其他较窄的线段标志表示叶片裂纹损伤。

图11为风力发电机模型叶片损伤情况。由于叶片磨损主要存在于叶尖，因此在同一叶片上添加标志，且线标最宽的位置在叶尖。将较窄的线段作为叶片的裂纹损伤，线段分布在叶片根部和叶片中部之间。

在不同焦点下得到不同清晰度评价的图像，图像中存在不同的损伤。

图12为不同焦点下叶片损伤图像。在图12a）～图12f）中，损伤数分别为5、4、3、2、2、0。同时，叶片损伤区域和边缘变得模糊。如图12所示，叶片目标位置尺寸发生了变化。此时，采用改进的清晰度评价方法，图12a）～图12f）的清晰度评价分别为412.5、254.5、229.7、144.2、76.3、63.8，清晰度评价不断降低。

因此，采用改进的清晰度评价方法，当清晰度评价值最高时，叶片损伤最清晰、数量最多。

采用改进的清晰度评价方法，对不同焦点下的图像进行相应的清晰度评价。结果表明，不同清晰度评价的图像对应的叶片损伤程度不同。当清晰度评价值最高时，可以识别出最多的损伤。所以，通过风力发电机模型实验，当获得清晰度评价最高的叶片目标图像时，有利于后续的叶片损伤识别。

2 "调焦搜索方法与实验

2.1 "调焦搜索方法

搜索策略是基于图像处理的自动调焦过程中的一项关键技术。调焦搜索策略应当合理，尽量避免重复搜索或搜索失败，目前常见的几种方法包括：函数逼近法、斐波那契搜索法以及爬山法。

1） 函数逼近法

采集不同位置的评价函数值，由二阶或三阶函数进行曲线拟合实现逼近评价曲线。自动调焦过程中，通过求取拟合曲线的极值点实现自动调焦。

函数逼近法的特点：曲线局部波动影响极值的搜索，可能出现增加调焦时间以及误调焦的现象；当某个或某部分数据出现较大误差时，会导致曲线拟合的结果产生较大误差，极大地影响调焦结果，可靠性不强。

2） 斐波那契搜索法

搜索区间为[[a0，b0]]，由斐波那契数减小区间长度，最终得到评价曲线极值对应的区间，从而实现自动调焦。

该方法的优点是：不确定区间可预测，采样的实验点是有限的且收敛性比较好；不足之处：当评价曲线出现大量局部极大值时，容易无法跳脱局部极大值的区域导致误调焦。

3） 爬山法

通过评价曲线的走势，在最佳聚焦位置到达峰值，远离时评价函数减小。

爬山法的特点：由实际需要调整搜索步长，通常第一次进行大范围搜索确定目标范围，第二次搜索时，范围较小以便目标定位。

函数逼近法与斐波那契搜索法易受局部极大值的影响，爬山法可以采用调整搜索步长的方式减小局部极大值的影响，本文采用的调焦搜索策略为爬山法。

2.2 "自动调焦实验

自动调焦包括清晰度评价方法与调焦搜索策略两部分。完成叶片追踪步骤后，获取图像中叶片目标发生的改变，本文通过基于面积补偿系数的方法实现图像清晰度评价，减小了目标改变对清晰度评价的影响，之后，基于改进的清晰度评价方法使用爬山法实现调焦搜索，并实现自动调焦。

在检测过程中，叶片旋转周期为1.5 s，经过叶片追踪步骤后，获取了自动调焦过程的视频结果，并且检测过程中一直在执行叶片追踪步骤，自动调焦步骤在完成调焦后结束。其中，图13为自动调焦在视频中第4 s时的结果，图14为自动调焦在视频中第12 s时的结果。

图13与图14中的叶片图像存在差别：叶片目标面积与位置发生改变；叶片图像的清晰度发生改变，图14中叶片图像清晰度更高。

图15为自动调焦过程中的清晰度评价曲线，记录第4 s、第7 s、第10 s、第12 s和第13.5 s时的清晰度评价结果，绘制清晰度评价曲线。从第4 s～第12 s，清晰度评价逐渐升高；第12 s～第13.5 s，清晰度评价降低；第12 s时清晰度评价最高，此时的图像也最清晰。

自动调焦实验结果中，叶片目标发生改变，通过改进的清晰度评价方法与爬山法搜索策略，最终获取到清晰度评价最高的叶片图像，此时图像也最清晰，实现了自动调焦。

3 "自动调焦系统的耗时

3.1 "计算耗时的原因与降低耗时的方法

本文建立一套不停机的风力发电机叶片损伤检测系统，需要考虑采集图像与处理的实时性。在风力发电机运行过程中，叶片追踪步骤持续被调用来进行叶片目标追踪，自动调焦步骤则需要对每次追踪到的叶片图像进行清晰度评价与调焦搜索控制，自动调焦步骤需要在两次叶片追踪到的图像之间完成，因此考虑自动调焦部分的耗时是一个重要的步骤。

使用笔记本电脑计算耗时，系统为Windows 10，CPU为R7⁃5800H，显卡为RTX3050，Python版本为3.10。当图像分辨率为3 000×2 200时，使用累加方法计算清晰度评价，经过灰度化与方差法后程序耗时为13.79 s，耗时太长不能应用在实际的自动调焦过程中。

因此寻找降低调焦部分耗时的方法。采用降低图像分辨率和调用Python的科学计算库——NumPy（Numerical Python）来降低程序耗时。

1） 降低图像分辨率。通过降低图像分辨率来降低程序运行耗时。但是，降低分辨率后是否会影响图像清晰度评价，降低分辨率对图像均值与方差等影响较小，对于图像细节影响也较小。不同分辨率下，对不同焦点下的图像进行清晰度评价实验。

图16为不同分辨率下的图像序列。将分辨率为3 000×2 200的图像序列降低分辨率，得到分辨率为300×220的图像序列。从图像序列中可以看出，分辨率对清晰度评价较小。采用方差法进行清晰度评价。

图17为不同分辨率下的清晰度评价曲线。清晰度评价曲线中，在分辨率分别为300×220与3 000×2 200下均得到第5张图像清晰度评价最高，不同分辨率下清晰度评价的变化趋势一致。所以，不同分辨率的图像对清晰度评价的影响较小。

2） 调用Python的科学计算库——NumPy。NumPy是一个开源的Python库，是用于科学计算的基础库之一，提供了高性能的多维数组对象和处理数组的函数。

3.2 "耗时结果

分辨率分别为3 000×2 200与300×220时，计算单张图像的清晰度评价耗时。表2为分辨率为3 000×2 200时的清晰度评价耗时，由表中数据可知，调用NumPy库后单张图像耗时明显减小。

表3为分辨率为300×220的耗时结果。与分辨率为3 000×2 200类似，在调用NumPy库之后，耗时明显减小。

当分辨率由3 000×2 200到300×220变化时，单张图像的耗时明显减小，同时在调用NumPy库后也降低了程序耗时。

本节计算了图像清晰度评价时的耗时，同时采用降低图像分辨率与调用NumPy库的方法实现了降低程序耗时的目的。调焦搜索策略的耗时主要在控制镜头电机中，额外耗时包括通过设置的电机运行时间控制镜头焦点移动步距的耗时等，额外耗时影响较小。

4 "结 "论

对于运行中的风力发电机，通过叶片追踪方法可以获得风力发电机局部叶片的图像，但叶片目标在当前追踪图像和下一次追踪图像之间发生变化，包括叶片目标位置和尺寸等的变化。当叶片目标在图像中发生变化时，会对清晰度评价产生很大的影响。

本文提出了一种自动调焦方法，包括改进的清晰度评价方法和爬山搜索方法两部分。针对图像中目标发生变化时，本文提出一种改进的清晰度评价方法。首先，在方差法计算清晰度评价的基础上，加入叶片目标区域面积补偿系数，得到补偿后的清晰度评价；然后，进行了仿真实验和风力发电机叶片模型实验，结果表明，目标变化时对清晰度评价的影响很大，为0.218，改进后的方法对清晰度评价的影响明显减小，为0.030。本文在改进的清晰度评价方法的基础上，采用爬山搜索方法实现自动调焦步骤。本文分析了自动调焦步骤的耗时，针对不停机风电机组需要考虑检测系统的实时性，因此分析了自动调焦步骤的耗时，并考虑了降低耗时的方法，结果中耗时明显降低，控制在0.1 s以内。最后，在图像中叶片目标发生改变时，得到了清晰度评价最高的叶片图像，同时也是最清晰的叶片图像，实现了自动调焦。

当外界光照发生变化，图像整体亮度发生变化时，也会对清晰度评价产生很大的影响，可利用现有图像目标的亮度标定方法对其进行改进。同时，可结合多种方法对改进后的图像清晰度进行评价。在清晰度评价方法的基础上，找到合适的搜索策略，快速准确地找到评价最高的图像。

注：本文通讯作者为赵辉、吕娜。

参考文献

[1] KE F， LIU H， ZHAO D， et al. A high precision image registration method for measurement based on the stereo camera system [J]. Optik， 2020， 204： 164186.

[2] LIU T J， LIU H H， PEI S C， et al. A high⁃definition diversity⁃scene database for image quality assessment [J]. IEEE access， 2018， 6： 45427⁃45438.

[3] VARGA D. No⁃reference image quality assessment with convolutional neural networks and decision fusion [J]. Applied sciences， 2022， 12（1）： 101.

[4] ZHAI G， MIN X. Perceptual image quality assessment： A survey [J]. Science China information sciences， 2020， 63（11）： 1⁃52.

[5] MITTAL A， MOORTHY A K， BOVIK A C. No⁃reference image quality assessment in the spatial domain [J]. IEEE transactions on image processing， 2012， 21（12）： 4695⁃4708.

[6] LI Q H， LIN W S， FANG Y M. No⁃reference quality assessment for multiply⁃distorted images in gradient domain [J]. IEEE signal processing letters， 2016， 23（4）： 541⁃545.

[7] BOVIK A C， LIU S Z. DCT⁃domain blind measurement of blocking artifacts in DCT⁃coded images [C]// 2001 IEEE International Conference on Acoustics， Speech， and Signal Processing. New York： IEEE， 2001： 1725⁃1728.

[8] HOU W L， GAO X B， TAO D C， et al. Blind image quality assessment via deep learning [J]. IEEE transactions on neural networks and learning systems， 2015， 26（6）： 1275⁃1286.

[9] ZHU M Q， YU L J， WANG Z B， et al. Review： A survey on objective evaluation of image sharpness [J]. Applied sciences， 2023， 13（4）： 2652.

[10] BAHY R M. Autofocus microscope system based on blur measurement approach [J]. Journal of physics： Conference series， 2021， 1721（1）： 012058.

[11] 汪路涵，巩岩，张艳微，等.人眼自动对焦及瞳孔中心自动对准系统[J].光学学报，2023，43（5）：118⁃126.

[12] 熊锐，顾乃庭，徐洪艳.一种适应多方向灰度梯度变化的自动对焦评价函数[J].激光与光电子学进展，2022，59（4）：373⁃380.

[13] 周鹏，胡成海，毕超，等.三轴视觉测量系统自动对焦技术[J].红外与激光工程，2021，50（12）：443⁃450.

[14] 尤玉虎，刘通，刘佳文.基于图像处理的自动对焦技术综述[J].激光与红外，2013，43（2）：132⁃136.

[15] 潘宏亮，孙金霞，韩希珍.图像清晰度评价与变步长融合调焦方法[J].红外与激光工程，2023，52（1）：248⁃253.

作者简介：田 "航（1999—），男，河北保定人，硕士研究生，主要从事视觉检测、图像处理方面的研究。

陈 "果（2000—），男，江西抚州人，硕士研究生，主要从事焊缝检测等方面的研究。

赵 "辉（1965—），男，黑龙江哈尔滨人，博士研究生，教授，主要从事新型传感器、光电与视觉检测等方面的研究。

陶 "卫（1975—），女，辽宁大连人，博士研究生，教授，主要从事光电视觉检测、生物信息传感等方面的研究。

吕 "娜（1983—），女，陕西西安人，博士研究生，副研究员，硕士生导师，主要从事视觉检测、多信息传感技术等方面的研究。