风力机叶片为风力机的关键部件,其安全可靠是风力机安全运行的前提。实现叶片早期损伤检测,在事故发生前提出预警,为抢修和维护争取宝贵时间,对风力机系统长期稳定运行具有重要意义。当前,采用无人机或摄像头图像实现损伤视觉检测等新方法的研究越来越受到关注,然而现有研究依赖于图像处理和人工设计特征,存在定位精度差、识别不准确、检测效率低等不足之处。为此,本文基于计算机视觉和深度学习技术,研究风力机叶片图像的多尺寸损伤定位方法和多类别损伤识别方法,建立完整的风力机叶片损伤检测框架,实现风力机叶片损伤高效准确定位和识别。本文的主要研究内容如下:首先,分析了风力机叶片表面损伤成因和主要类型,基于中国北方沿海海域某风电场风力机叶片损伤数据和图像,分析损伤数据的分布规律,提取损伤图像的灰度统计特征和纹理特征。通过特征相关性分析,筛选出均值、标准差、对比度、相异性、均匀性等5种有效特征。通过有效特征对比分析发现,与非损伤区域的图像相比,损伤区域图像亮度较低,对比度较高,纹理清晰明确,通过有效特征能够区分大部分的损伤图像,为后续设计和提取损伤特征提供了参考。第二,建立基于改进Haar-like和Ada Boost叶片多尺寸损伤图像定位算法,并采用多尺寸滑动窗口裁切,建立叶片损伤多尺寸训练数据集对Ada Boost级联分类器进行训练。针对原算法仅能够定位固定尺寸目标的问题,通过在定位阶段不断改变检测图像尺寸大小,实现了不同尺寸损伤区域的定位。结果表明,多尺寸定位算法的查全率优于单尺寸定位算法,且对微小损伤的定位效果较好。多尺寸训练数据集能有效扩充训练图像样本,提高了检测器定位精度。第三,提出基于卷积神经网络（CNN）的叶片多类别损伤识别模型VGG-BD（VGGNet for Blade Damage Detection）,该模型针对传统CNN模型训练过拟合问题,对VGG16网络结构进行修改,通过将全连接层替换为全局最大池化层,采用Dropout层和改进的激活函数LRe LU,提高了原始模型的训练效率和鲁棒性,防止模型在训练过程出现过拟合。建立叶片损伤多类别训练数据集对VGG-BD进行训练和测试。实验结果表明:VGG-BD能够有效识别非损伤以及玻纤破损、裂纹、胶衣破损、边缘腐蚀4类常见叶片损伤图像,在损伤图像识别上的平均1值优于对比模型VGG16和SVM。通过不同训练样本数量对VGG-BD识别正确率的影响分析表明,VGG-BD对训练数据量的鲁棒性较强,当采用完整数据集一半以上的训练样本时,VGG-BD的识别精度提升便不再明显。最后,搭建了风力机叶片损伤检测框架,通过Haar-like特征与Ada Boost级联分类器对图像中疑似损伤目标区域定位,再通过VGG-BD对疑似损伤目标区域识别,从而实现了叶片损伤检测。实际风力机叶片图像测试表明,VGG-BD有效抑制了疑似损伤目标区域中误检区域的数量,使框架的检测精度大幅提高,优于对比方法VGG16和SVM。分析采用不同检测方法处理单张图片的速度,采用VGG-BD的损伤检测框架处理单张图片平均用时1秒,快于VGG16和SVM。叶片损伤检测框架具有检测精度高,处理速度快等优点,适合在风电场中大规模部署。