海上風(fēng)力發(fā)電機葉片裂紋圖像分割方法研究

張越 張印輝 何自芬

摘 要：我國很多地區(qū)都是高風(fēng)能地區(qū)，非常適合發(fā)展風(fēng)力資源，尤其是海上風(fēng)能資源的開發(fā)。但海上風(fēng)能的開發(fā)受到設(shè)備的影響，在風(fēng)力集中的地方，環(huán)境也十分惡劣，設(shè)備的損壞率較高，對于海上風(fēng)力發(fā)電設(shè)備的運行會產(chǎn)生較大影響。本文首先分析了研究風(fēng)機葉片裂紋檢測的學(xué)者及其使用的檢測方法。其次，分析了圖像分割技術(shù)，主要包括對原有圖像分割算法的改進，結(jié)合相關(guān)交叉學(xué)科的新理論尋求新的圖像分割算法，以及對不同圖像分割算法匹配合適的圖像分割評價方法和評價準(zhǔn)則。分析了基于區(qū)域分割、邊緣檢測及其他圖像分割方法及其應(yīng)用效果。大多數(shù)研究人員在對檢測風(fēng)機葉片裂紋時都使用較新技術(shù)來提高識別率，再將不同的方法進行結(jié)合運用，同時也不斷嘗試發(fā)掘新的圖像分割算法以得到更好的效果。針對不同研究目標(biāo)使用不同算法得到的效果準(zhǔn)確度各有差異，因而針對不同模態(tài)的圖像要結(jié)合不同的理論選取合適的方法。不管是引入新的概念和理論，還是將優(yōu)勢互補的算法相結(jié)合，都以提高風(fēng)機葉片檢測的精確度為目標(biāo)。

關(guān)鍵詞：海上風(fēng)力發(fā)電機;葉片裂紋;區(qū)域分割;邊緣檢測

中圖分類號：TM315? ? ? ? ? ? 文獻標(biāo)識碼：A? ? ? ? ? ? 文章編號：1006—7973（2019）03-0074-05

隨著世界各國對能源安全、生態(tài)環(huán)境、氣候變化等問題日益重視，加快發(fā)展風(fēng)電已成為國際社會推動能源轉(zhuǎn)型發(fā)展、應(yīng)對全球氣候變化的普遍共識和一致行動。過去10年，在國家政策的大力推動下，我國風(fēng)電產(chǎn)業(yè)蓬勃發(fā)展。數(shù)據(jù)顯示，2017年全國（除港、澳、臺地區(qū)外）新增裝機容量1966萬千瓦，同比下降15.9%;累計裝機容量達到1.88億千瓦，同比增長11.7%，增速放緩。增速放緩的主要原因在于陸上風(fēng)電現(xiàn)有產(chǎn)能利用率低，導(dǎo)致2017年中國陸上風(fēng)電裝機容量下滑19%至18.5吉瓦。盡管增速放緩，但不管是風(fēng)電新增裝機容量還是累計裝機容量，中國均穩(wěn)居世界第一。與陸上風(fēng)電新增裝機容量下滑形成對比的是，我國海上風(fēng)電取得突破進展。數(shù)據(jù)顯示，2017年海上風(fēng)電新增裝機共319臺，新增裝機容量達到116萬千瓦，同比增長96.61%;累計裝機達到279萬千瓦。近年來，中國海上風(fēng)電容量增長加速，反映了海上風(fēng)電項目與陸上風(fēng)電項目相比成本更低、電價有所改善的現(xiàn)狀。而從中國海上風(fēng)電項目的建設(shè)速度來看，政府有望實現(xiàn)“2020年海上風(fēng)電容量增至5吉兆”的目標(biāo)。因此消除海上風(fēng)能獲取的風(fēng)力發(fā)電機設(shè)備的消極影響，可以有效提高海上風(fēng)電容量。

風(fēng)能設(shè)備中的風(fēng)機葉片是整個發(fā)電設(shè)備的核心，風(fēng)機葉片的運作效率與工作環(huán)境的風(fēng)速、風(fēng)的持續(xù)性以及本身的葉片長度、寬度、離地面的距離都有非常大的關(guān)系，風(fēng)機葉片的合理使用使其運作狀態(tài)達到最佳是有很大困難的，不僅要結(jié)合當(dāng)?shù)丨h(huán)境和本身狀態(tài)，還與管理人員的合理使用有重要關(guān)系，因此需要對風(fēng)機葉片的使用進行規(guī)劃整理和評估?，F(xiàn)階段對風(fēng)機葉片進行狀態(tài)監(jiān)測和裂紋識別研究受到越來越多的學(xué)者關(guān)注，但研究重點依然集中在安裝前的實驗室階段，對風(fēng)機葉片的監(jiān)測則因其裂紋信息獲取難、無法及時反饋裂紋檢測等原因，仍然無法實現(xiàn)完全的裂紋監(jiān)測。本文主要分析總結(jié)當(dāng)前風(fēng)機葉片裂紋檢測的研究現(xiàn)狀、圖像分割方法。

1 海上風(fēng)力發(fā)電機葉片裂紋檢測研究現(xiàn)狀

1.1 國外研究現(xiàn)狀

國外在風(fēng)能開發(fā)的風(fēng)機葉片上投入了大量的資金，尤其對葉片的制作方面，對葉片質(zhì)量要求很高。A.Ghoshal[1]等利用碳素纖維檢測發(fā)電葉片在運作過程中的葉片損耗，發(fā)現(xiàn)碳素纖維能夠有效地對風(fēng)機葉片進行檢測。而德國的一些專家利用風(fēng)機葉片的震動頻率進行檢測，利用葉片異常頻率來推斷出風(fēng)機葉片出現(xiàn)異常損壞，利用常規(guī)數(shù)據(jù)與異常數(shù)據(jù)進行對比計算評估，來發(fā)現(xiàn)葉片損壞之處。P.A.Joosse和M.J.Blanch[2]利用音波測試法對風(fēng)機葉片進行檢測，通過聲音的反饋程度來判斷風(fēng)機發(fā)電設(shè)備是否出現(xiàn)損壞，對損壞部位進行準(zhǔn)確定位。M.J.Blanch和A.G.Dutton[3]應(yīng)用聲發(fā)射技術(shù)的工作原理對風(fēng)機葉片的振幅進行數(shù)據(jù)分析，來發(fā)現(xiàn)葉片的損壞部位，在檢測葉片損壞部位方面效果十分的顯著，但是這種方法比較耗費財力。L.Dolinski[4]等通過超音波設(shè)備對風(fēng)機葉片進行運行過程的監(jiān)測，對每個超音波監(jiān)測波段進行觀察整理數(shù)據(jù)，來推斷風(fēng)機葉片是否損壞以及損壞的部位，這種方法效果也比較好，但是比較耗費時間。

1.2 國內(nèi)研究現(xiàn)狀

國內(nèi)的研究起步較晚，主要集中在以下學(xué)者的研究。肖勁松[5]等將紅外線成像技術(shù)應(yīng)用于風(fēng)機葉片的無損檢測，提到利用微波紅外線折射原理對風(fēng)機葉片進行折射反饋檢測評估，檢測是否有損壞的部位，但是這種方法還處于研究探索階段，技術(shù)還沒有完全成熟，還無法大面積的投入使用。趙新光[6]等利用與國外同種技術(shù)的聲發(fā)射技術(shù)，對風(fēng)機葉片進行分段檢測，根據(jù)每段的聲發(fā)射反饋進行判斷，并在研究過程中加入一些先進技術(shù)從而能提高檢測效率。曲弋[7]等利用葉片運用聲發(fā)射技術(shù)對風(fēng)機葉片的狀態(tài)進行判斷，對風(fēng)機葉片是否發(fā)生裂痕以及發(fā)生裂痕的大小運用神經(jīng)網(wǎng)絡(luò)識別。徐玉秀[8]等利用ANSYS有限元軟件建立了風(fēng)機葉片的動力學(xué)模型，根據(jù)運作狀態(tài)檢測風(fēng)機葉片損壞程度，這種方法簡便且不耗費大量時間，但只能檢測風(fēng)機葉片是否正常工作，對于葉片損壞部位無法準(zhǔn)確判斷。李亞娟[9]等測試了含Ⅰ型分層缺陷的單向和多軸向的風(fēng)機葉片的力學(xué)性能，監(jiān)測了其聲發(fā)射全過程，并對葉片的損傷過程及聲發(fā)射特征做了研究。陸元明[10]等利用激光射線監(jiān)測技術(shù)，對風(fēng)機葉片進行整體掃描，達到實時監(jiān)測的效果，并通過激光掃描技術(shù)實現(xiàn)了風(fēng)機葉片損壞部位的準(zhǔn)確定位，對葉片的監(jiān)測修理都起到良好作用，但激光掃描技術(shù)還不太完善，無法大面積推廣，且成本較高，現(xiàn)階段還無法全面實施，但對今后的風(fēng)機葉片檢測方向提供了很好的方向。

綜上所述，國內(nèi)外的研究主要運用聲發(fā)射技術(shù)對風(fēng)機葉片的裂紋進行檢測，現(xiàn)階段聲發(fā)射技術(shù)的成熟運用能夠在實驗階段有效的檢測葉片內(nèi)部結(jié)構(gòu)的損傷，但在檢測效率上因聲發(fā)射信號的分析難度較大，降低了檢測的反饋效率，使得在風(fēng)機葉片實際運行時無法利用聲發(fā)射技術(shù)進行有效的檢測。對風(fēng)機葉片運用圖像分割技術(shù)處理的研究較少，圖像分割處理也即可見光成像處理。運用該技術(shù)對風(fēng)機葉片檢測重點在于對裂紋區(qū)域的準(zhǔn)確分割。本文重點對該方法進行分析研究。

2 圖像分割方法研究

對海上風(fēng)機葉片的裂紋檢測，首先需要采集海上環(huán)境影響下的風(fēng)機葉片圖片再對圖片圖像進行分割?，F(xiàn)有對圖像分割技術(shù)的研究主要包括對原有圖像分割算法的改進，結(jié)合相關(guān)交叉學(xué)科的新理論尋求新的圖像分割算法，以及對不同圖像分割算法匹配合適的圖像分割評價方法和評價準(zhǔn)則。迄今為止，典型而傳統(tǒng)的圖像分割算法分別為基于區(qū)域和邊緣的分割方法。根據(jù)算法的不同，可分為區(qū)域分割、邊緣分割和其他分割等三種方法。如圖1所示，海上風(fēng)機葉片從完好、輕度損傷、中度損傷、重度損傷的示意圖。

2.1 基于區(qū)域的圖像分割法

區(qū)域分割算法是圖像分割算法中較為常用的部分，根據(jù)處理方式的不同，區(qū)域分割法可分為閾值分割、水域分割、區(qū)域生長法、分裂合并法和聚類法，下面對各方法的原理及其優(yōu)缺點進行分析。

2.1.1 閾值分割法

基于區(qū)域的圖像分割方法中最經(jīng)典的是閾值法，其基本思想是根據(jù)一個既定的標(biāo)準(zhǔn)自動求得最優(yōu)的閾值，閾值分割法的優(yōu)點是計算簡便，只考慮圖像灰度而不考慮其它信息所以運算效率也高，但其面對復(fù)雜圖像的分割時分割效果不好，因而實際應(yīng)用中多與其它方法結(jié)合使用以改善分割效果。根據(jù)使用閾值的個數(shù)，又可以將閾值分割法分為單閾值圖像分割法、雙閾值圖像分割法以及多閾值圖像分割法，如圖2所示。

當(dāng)圖像分為簡單的背景區(qū)和目標(biāo)區(qū)時，只需要一個閾值來區(qū)分目標(biāo)和背景，如圖2（a）所示：當(dāng)灰度范圍變大時，則選擇兩個或多個閾值進行分割。

2.1.2 水域分割法

水域分割算法，又稱Watershed變換，借鑒形態(tài)學(xué)理論，利用圖像區(qū)域特性、局部極值和積水盆等進行分割，其結(jié)合區(qū)域生長法，可以獲得圖像的輪廓。水域分割算法中又分為自下而上的模擬浸水水域分割算法以及自上而下的模擬降水水域分割算法兩種，分別如圖3（a）與圖3（b）所示。

該算法具有計算速度快、對弱邊緣區(qū)域敏感、輪廓定位準(zhǔn)確、分割準(zhǔn)確率高等優(yōu)點。但美中不足的是對噪聲點敏感，極易出現(xiàn)過分割現(xiàn)象，并容易丟失對比度低的圖像的關(guān)鍵輪廓。

2.1.3 區(qū)域生長法

區(qū)域生長法把圖像中具有相似性質(zhì)的像素集合起來，進而形成區(qū)域，由于其含有像素的鄰域信息，對噪聲點的抗干擾性較強因而分割精度較高。區(qū)域生長法首先確定某個種子點像素作為初始生長點，如圖4（a）所示，之后其鄰域空間中與它含有同樣特性的像素點被收納到該種子建立的區(qū)域內(nèi)，該過程如圖4（b）所示。

該方法的重點在于如何選擇一組能典型表示所需劃分區(qū)域的初始種子點以及能在生長進程中將符合條件的像素點收納進來的相似性準(zhǔn)則，并建立足夠幫助結(jié)束生長進程的限制條件或停止準(zhǔn)則。

2.1.4 分裂合并法

分裂合并算法的思想起始步驟是著眼于整幅圖像，通過持續(xù)不斷地將圖像分裂進而得到多個區(qū)域。通常來說，可以先把圖像分為任意尺寸的不層疊交叉區(qū)域，然后根據(jù)相似性準(zhǔn)則不斷將這些區(qū)域?qū)嵤┓至鸦蛘吆喜⒉僮髦钡綕M足停止準(zhǔn)則。圖5給出了分裂合并法的步驟，黑色部分為圖像，第一步先對圖像進行初步分裂，得到四個區(qū)域，其中左邊為空白，再第二次分裂的時候就不需要;第二步對剩下3個區(qū)域分裂，采用同樣的方法，最終得到圖5（d）的結(jié)果。

與區(qū)域生長法相比，該方法不需要選擇種子點和生長順序。但圖像的分割準(zhǔn)則很重要，其對圖像分割質(zhì)量有決定性作用，若選擇不合適，會產(chǎn)生“方塊效應(yīng)”。

2.1.5 聚類法

聚類算法是從圖像分割、醫(yī)學(xué)圖像分析、網(wǎng)絡(luò)處理和數(shù)學(xué)規(guī)劃等大量問題中總結(jié)出來并應(yīng)用于數(shù)據(jù)挖掘和機器學(xué)習(xí)的算法。在應(yīng)用到圖像分割中時，聚類算法是根據(jù)已提取的圖像特征，分類樣本集，在映射到原圖像中，從而得到分割結(jié)果。

通常來說，算法可分為層次聚類和劃分聚類，前者是根據(jù)相似性準(zhǔn)則，通過對類的合并和拆分完成數(shù)據(jù)的一系列嵌套劃分;后者則通過優(yōu)化聚類標(biāo)準(zhǔn)進行分類，從運算準(zhǔn)確性和復(fù)雜性方面考慮，劃分聚類比層次聚類更受歡迎。因為劃分聚類的優(yōu)點是在涉及大量數(shù)據(jù)集時，或在計算非嵌套模式的分組時有一個可視的環(huán)境，常用的聚類方法有K均值聚類分割算法（K-means）、模糊C均值聚類分割算法（Fuccy C-means， FCM）、最大期望值分割算法（Expectation Maximization， EM）等。最著名的劃分聚類方法當(dāng)屬K均值聚類算法，該算法計算簡單，在處理大量線性復(fù)雜度的數(shù)據(jù)時效率很高。其把數(shù)據(jù)集分為k類，目標(biāo)函數(shù)是基于歐式距離的最小化類內(nèi)距離和最大化類間距離。盡管K均值算法簡單好用但也存在許多缺點，如其聚類效果經(jīng)受選取的起始聚類中心的影響較大，起始聚類中心的設(shè)定難以做出最優(yōu)選擇，此外也存在一些盲區(qū)問題，即容易陷入局部最優(yōu)值以及收斂速度低等困難，其目標(biāo)函數(shù)也不是凸函數(shù)。

2.2 基于邊緣檢測的圖像分割法

基于邊緣檢測的圖像分割法也是圖像分割方法的重要組成，邊緣是將相鄰像素值急劇改變的那些像素點聚集起來，用以勾勒出目標(biāo)對象區(qū)域。眾多研究者經(jīng)實驗驗證了許多有效的邊緣檢測方法，如基于小波變換、邊界曲線擬合、局部圖像函數(shù)的方法等，常用的邊緣檢測算子有Prewitt算子、log（Laplacian-Gauss）算子、Roberts算子和Canny算子等，圖6為縱向邊緣圖像利用梯度算子的原理示意圖。

邊緣檢測方法的優(yōu)點是圖像處理速度快、搜索時間短、邊緣定位準(zhǔn)確，對像素點過渡明顯的圖像分割結(jié)果較好，然而對像素點過渡不明顯、噪聲像素多、邊緣復(fù)雜的圖片分割效果較差，所以很多改進的多尺度邊緣檢測算法被提出以兼顧檢測精度及抗噪性。

2.3 其他圖像分割法

隨著交叉學(xué)科的興起和發(fā)展，研究人員在將優(yōu)缺點不同的方法進行結(jié)合的同時，也在不斷嘗試發(fā)掘新的圖像分割算法以得到更有效的分割結(jié)果。如基于活動輪廓模型、馬爾科夫隨機場模型的辦法;基于支持向量機、神經(jīng)網(wǎng)絡(luò)的方法;基于遺傳算法、群體智能理論的辦法;基于小波變換理論、分形理論或者基于知識的方法等。這些方法的提出，極大地豐富了圖像處理手段的多樣性。

基于活動輪廓（Snake）模型的方法是利用一根類似蛇形的能量曲線不斷逼近待檢驗的目標(biāo)對象的四周，形成不間斷的圓滑輪廓，直至完全包住目標(biāo)對象邊界。基于馬爾科夫隨機場的分割方法是將馬爾科夫隨機場作為先驗?zāi)Ｐ颓度氲侥承┧惴ㄖ?，將圖像分割問題轉(zhuǎn)化成圖像標(biāo)記問題?；谥С窒蛄繖C（Support Vector Machine， SVM）法提取圖像的灰度、紋理等局部統(tǒng)計特征，通過歸一化處理對特征進行選擇，再把選擇出的特征送入SVM實行訓(xùn)練建模，最終根據(jù)得到的分類器完成數(shù)據(jù)分類?；谏窠?jīng)網(wǎng)絡(luò)的分割方法中，先提取訓(xùn)練樣本數(shù)組，再將提取的特征值和樣本值送入多層感知機中，對激活函數(shù)進行訓(xùn)練，再用訓(xùn)練好的激活函數(shù)分類圖像的灰度值?；谶z傳算法分割法是用非遍歷尋優(yōu)搜索策略，模擬自然選擇機制的遺傳過程，從初始變量群開始逐代尋優(yōu)直到獲得最佳分割閾值算法收斂?；谛〔ㄗ儞Q的思想在于利用小波變換把圖像的直方圖信息轉(zhuǎn)化為相應(yīng)的系數(shù)，接著根據(jù)尺度控制理論，結(jié)合小波系數(shù)和設(shè)立的分割標(biāo)準(zhǔn)逐漸鎖定閾值完成分割?；诜中卫碚摰乃枷胧歉鶕?jù)分形維數(shù)和待處理圖像中紋理特征的粗糙水平之間的契合程度檢測出目標(biāo)對象邊緣?；谥R的分割方法是根據(jù)己知學(xué)科中的先驗知識建立知識庫并在知識庫的基礎(chǔ)上提高圖像分割精度。

圖像分割的方法各有優(yōu)劣，在具體應(yīng)用的時候需要結(jié)合實際的需要來進行選擇。

2.4 圖像分割在風(fēng)機葉片裂紋檢測中的應(yīng)用

圖像分割技術(shù)適用性較廣，從各大數(shù)據(jù)庫中都能搜索到較多的研究。但對風(fēng)機葉片的裂紋檢測的研究中，聲發(fā)射、超聲波、X射線、光纖傳感器等是主流的檢測方法，這些方法的研究較廣也較深入。采用圖像分割技術(shù)來檢測風(fēng)機葉片裂紋的應(yīng)用較少。溫立民[11]采用閾值分割的自適應(yīng)圖像處理算法，實現(xiàn)了風(fēng)機葉片裂紋的自動檢測。徐靈鑫[12]利用圖像分割、形態(tài)學(xué)圖像處理等一系列數(shù)字圖像處理的方法對風(fēng)機葉片的表面缺陷進行了識別。李冰[13]運用K-means聚類的方法實現(xiàn)對了對風(fēng)機葉片的分割，再運用數(shù)學(xué)形態(tài)學(xué)識別了葉片的故障點。翟永杰[14]等通過檢測顯著性區(qū)域，提取了葉片的裂紋，其本質(zhì)上基于區(qū)域分割算法。

綜上所述，圖像分割技術(shù)應(yīng)用到風(fēng)機葉片裂紋檢測的研究較少，但從實踐來看，這些技術(shù)都能成功的應(yīng)用到葉片的裂紋檢測中，也為葉片裂紋的檢測提供了新的方法。

3 結(jié)論

在海上風(fēng)機葉片裂紋的檢測發(fā)展進程中，研究人員采用各種先進的技術(shù)對海上風(fēng)力發(fā)電葉片進行檢測評估觀察，雖然研究人員在檢測風(fēng)機葉片裂紋的所采用的方法不同，但是大多數(shù)都是采用物理成像計算評估方法來確定海上風(fēng)機葉片的損壞情況，學(xué)者根據(jù)不同的情況采用各種與之相適應(yīng)的技術(shù)，在各個環(huán)境下對風(fēng)機葉片工作狀態(tài)進行檢測評估，通過成像數(shù)據(jù)分析來分段檢測風(fēng)機葉片的狀態(tài)，這項技術(shù)很多方面還不完善，在成像方面還存在較大缺陷，無法與實地效果相對應(yīng)，且該項技術(shù)所需要的人力物力還較大，與效果不能形成正比，在很多方面都需要完善，盡量讓海上風(fēng)機葉片效率達到最高。通過圖像分割技術(shù)實現(xiàn)對海上風(fēng)機葉片裂紋檢測的方法，可以最大范圍地進行檢測，提高效率，降低風(fēng)險，以及最大程度地減少損失，促進中國風(fēng)力發(fā)電事業(yè)的整體發(fā)展，為我國清潔能源地開發(fā)做出貢獻，造福社會。

參考文獻：

[1] Ghoshal A， Sundaresan M. J.，Schulz M. J Structural health monitoring techniques for wind turbine blades[J].Journal of Wind Engineering and Industrial Aerodynamics， 2000， 85（3）： 309-324.

[2] Joosse P. A.，Blanch M. J.，Dutton A. G..Acoustic emission monitoring of small wind turbine blades[J]. Journal of Solar Energy， 2002， 12（9）： 1-13.

[3] Blanch M. J.，Dutton A. G..Acoustic emission monitoring of field tests of an operating wind turbine[J]. Key Engineering Materia1s， 2003， 27（18）： 475-482.

[4] 李芒芒.風(fēng)力機葉片機械損傷動態(tài)監(jiān)測方法與技術(shù)研究[D].長沙：長沙理工大學(xué)，2012.

[5] 肖勁松，嚴(yán)天鵬.風(fēng)力機葉片的紅外熱成像無損檢測的數(shù)值研究[J].北京工業(yè)大學(xué)學(xué)報，2006，1（32）： 48-52.

[6] 趙新光.基于聲發(fā)射和小波分析的大型風(fēng)力機葉片材料損傷識別研究[D].沈陽：沈陽工業(yè)大學(xué)，2009.

[7] 曲弋，陳長征，周昊等.基于聲發(fā)射和神經(jīng)網(wǎng)絡(luò)的風(fēng)機葉片裂紋識別研究[J].機械設(shè)計與制造，2012，（3）：152-154.

[8] 徐玉秀，王強，梅元穎.葉片振動響應(yīng)的長度分形故障特征提取與診斷[J].振動、測試與診斷，2011，4（31）：190-192.

[9] 李亞娟，周偉，劉然，等.風(fēng)機葉片復(fù)合材料層間開裂聲發(fā)射監(jiān)測[J]. 河北大學(xué)學(xué)報（自然科學(xué)版），2014，34（2）：219-224.

[10] 陸元明，張乃正.風(fēng)力機葉片裂紋在線監(jiān)測系統(tǒng)[J].電工技術(shù)，2017（4）：83-84.

[11] 劉篤喜，溫立民，朱名銓.面向葉片裂紋檢測的自適應(yīng)圖像處理算法研究[J].航空精密制造技術(shù)，2007（03）：25-28.

[12] 徐靈鑫.海上風(fēng)力發(fā)電機葉片表面缺陷檢測的研究[D]. 杭州：中國計量學(xué)院， 2015.

[13] 李冰. 基于數(shù)字圖像的風(fēng)機槳葉故障檢測方法研究[D]. 北京：華北電力大學(xué)，2016.

[14] 翟永杰， 張木柳， 喬弘等. 基于顯著性檢測的風(fēng)機葉片裂紋提取研究[J]. 南方能源建設(shè)， 2016， 3（2）：136-140.

基金項目：

[1]國家自然科學(xué)基金地區(qū)基金：基于不動點方程解析求解的高動態(tài)場景多尺度分割（No. 61461022） ， 2015.01-2018.12

[2] 國家自然科學(xué)基金地區(qū)基金：復(fù)雜動態(tài)場景空時稀疏尺度廣義目標(biāo)分割方法研究（No.61761024） 2018.01-2021.12