近日，我校能源与动力工程学院研发的“基于机器视觉与无人机的风力发电机健康监测系统”取得重要突破。该项目针对风力发电机叶片检测难度大、成本高、风险突出等行业痛点，创新性地融合无人机技术与人工智能算法，实现了风机叶片表面损伤的高精度、非接触式自动检测，为我国风电产业智能化运维提供了全新的“沈工程方案”。

破解行业痛点：让风机叶片检测更智能、更安全

风力发电机叶片是捕获风能的核心部件，其制造成本约占整机的23.3%，但长期暴露于风沙、雨雪、覆冰等恶劣环境中，极易产生裂纹、油污、涂层破损等表面损伤。一旦未能及时发现处理，不仅维修成本高昂，更可能引发严重安全事故。统计显示，海上风电场的运维费用在总收入中占比高达五分之一以上。

传统的风机叶片检测主要依靠人工目视或高倍望远镜观察，存在效率低、盲区多、高空作业风险大等固有局限。针对这一现状，我校能源与动力工程学院研究团队历经攻关，成功研发出一套基于无人机平台的智能化结构状态评估系统。

“这套系统相当于为风力发电机配备了一位‘空中医生’。”项目负责人介绍，“无人机搭载高清工业相机，按照规划航线自动完成叶片分段拍摄，后台人工智能算法实时分析图像数据，精准识别各类表面损伤，整个过程无需人员高空作业，也无需风机停机。”

核心技术突破：四大模块协同 破解位移漂移难题

该系统由图像采集与稳像、模型训练与内嵌、整体结构评估、紧急事故预警四大模块构成，形成从数据采集到状态诊断再到安全预警的完整闭环。

针对无人机悬停时不可避免的位移漂移问题，研究团队创新性地提出了自适应比例因子补偿法。该方法将空间位移划分为X-Y平面内与Z向平面外分别处理，基于刚体相对位置不变假设，通过自适应比例因子将结构监测位移从图像坐标精确转换为物理坐标，有效消除了无人机抖动对检测精度的影响，为后续精准评估奠定了基础。

在损伤识别核心算法方面，团队对当前先进的DINO模型进行针对性改进，提出了适用于风电叶片检测的WTB-DINO模型。该模型融合卷积神经网络与自注意力机制，通过引入ECA注意力机制、构建并行Encoder结构等创新设计，显著提升了对裂纹、腐蚀、雷击等各类损伤的识别能力，尤其是在少样本损伤类型处理上展现出独特优势。

实验数据显示，改进后的算法能够精确定位损伤区域，修正异常预测图，大幅提升了检测的准确性和可靠性。

技术特色鲜明：六大创新彰显“沈工程智慧”

与现有同类技术相比，该研究成果形成了六大核心创新点：

一是精准补偿无人机位移漂移，深入研究了无人机悬停抖动规律，通过自适应补偿确保监测数据准确性；

二是智能拼接分段拍摄图像，设计了专门的图像拼接算法，将分段拍摄的叶片照片重组为完整高清晰度图像；

三是构建高精度深度学习网络，针对叶片缺陷特征进行专项训练和网络优化；

四是全监督与无监督学习融合，有效处理各类损伤类型，特别是发生概率较低的损伤；

五是优化跟踪识别算法，将传统跟踪算法与神经网络识别相结合，实现快速高效识别；

六是平台化健康管理，通过计算机数据库处理技术使结构健康状况检测更加便捷化、信息化。

应用前景广阔：助力“双碳”目标实现

随着我国风电事业迅猛发展，截至当前，中国新增装机容量和总装机容量均位居世界首位，风电运维市场规模持续扩大。特别是在“2030年前碳达峰、2060年前碳中和”目标引领下，风电作为清洁能源的战略地位愈发凸显。

我校研发的这套系统不仅可实时判断风机结构运行状态与表面缺陷，确保风力机安全运行，还可对综合损伤程度进行持续监测，在出现严重损伤时自动发出预警，为维修决策提供科学依据。

目前，该系统已完成原理样机研制和实验室验证，下一步将开展风场实地测试。项目团队表示，将结合风电行业向“数字化、智能化、大型化”发展的趋势，持续优化算法模型与无人机协同监测系统，为我国新能源产业安全高效发展贡献更多“沈工程力量”。

业内专家认为，该研究成果将无人机、机器视觉与深度学习技术深度融合，推动了风电行业维护检测从传统人工模式向自动化、智能化模式的转型升级，对于提升风电场的运行效率和安全性具有重要意义，应用前景广阔。