风力发电机叶片表面损伤识别方法研究对提升风机故障诊断效率,降低风机运行风险隐患有着重要的意义。目前依赖人工巡检方式的目视法对风机叶片表面进行检测容易引发视觉疲劳,其主观因素也影响检测结果及效率,因此风电场迫切需求能对实际现场环境中的损伤图像进行自动识别的技术来改善人工检测的局限性。但对风机叶片而言,远距离观测及动态环境都使得损伤图像识别困难,从而让识别风机叶片表面损伤图像的任务变得更为艰巨。本文以装机投入使用的风机叶片表面损伤为识别检测对象,针对目前人工巡检为主的叶片表面损伤检测的局限性,以先进的机器学习视觉检测方法为研究内容,研究目的是实现对装机投入使用的风机叶片表面损伤进行视觉识别检测任务。本论文主要研究工作如下:1.提出了三种可配合人工巡检的风机叶片表面的图像获取方案,对三种方案进行论证,拟定了可行性较高的地面巡检机器人作为叶片图像获取方案,并确定了适用于图像获取及损伤分类的技术规范。2.建立了适用于已装机使用的风机叶片表面损伤图像识别任务的图像数据集,其中包含风机叶片表面无损伤图像、裂纹损伤图像及其它损伤图像。3.基于TensorFlow学习框架在Python3.5上搭建了叶片损伤图像识别网络模型。(1)基于BP反向传播神经网络,实现了风机叶片表面损伤分类检测;(2)基于CNN卷积神经网络对风机叶片表面损伤进行有无损伤分类检测;(3)基于FCN全卷积神经网络,在有损伤的风机叶片表面中,对裂纹损伤和其它类别损伤进行分类检测。并对风机叶片表面损伤训练测试图像的实验结果进行了分析及评价。4.本文采用的风机叶片表面损伤视觉检测方法取得了良好的检测效果,BP神经网络对风机叶片表面裂纹损伤及其他类别损伤的平均分类精度达到76.7%,CNN对风机叶片表面有无损伤的平均分类精度达到92.41%,FCN对风机叶片表面无损伤、裂纹损伤及其他类别损伤的平均分类精度达到92.63%。本文建立了风机叶片表面损伤图像识别数据集,拟定了风机叶片的图像获取方案及分类技术规范,实现了不同等级的风机叶片表面损伤图像识别检测,为将基于深度学习的图像识别算法推广应用到风机叶片表面检测领域提供了方法依据。