本书根据叶片成像“复杂场景-健康叶片-损伤特征”梯度分布规律，构建两阶段分割的叶片表面损伤分割模型；针对非均匀光照导致的低对比度特征及轮廓模糊问题，引入基于Retinex 理论的SSR（Single Scale Retinex，单尺度视网膜）算法对非均匀光照进行校正，同时增强损伤图像；融合K-means 聚类和自适应阈值分割方法，将粗略分割和精细分割结合对叶片表面低对比度损伤特征进行提取；利用自适应背景掩码替换解决第二次分割中的误分割问题；针对损伤成像区域多目标共存导致对损伤难以进行独立检测分析及小目标损伤误检、漏检问题，提出一种无监督交互式误检校正方法；针对叶片表面损伤类别可持续学习识别及损伤程度定量度量问题，本书分别探讨特征向量动态更新的可持续学习类别推理方法与基于曲面积分思想的损伤面积软测量方法，并在此基础上提出一种融合特征向量动态更新机制的叶片损伤类型持续学习推理框架。本书既可供机械相关专业的本科生及研究生学习，也可以作为相关领域的科技参考书。

郑玉巧，工学博士，教授，博士研究生导师，甘肃省领军人才。主持国家自然科学基金项目3项、甘肃省自然科学基金1项、兰州市人才创新创业项目1项、兰州市科技局计划项目2项、企业委托项目10余项；在国内外学术期刊发表论文60余篇，其中SCI/EI检索40余篇；以第一完成人获甘肃省科技进步三等奖1项，甘肃省教育厅科技进步奖一等奖1项、二等奖2项、甘肃省机械工程学会科学技术奖等各类奖项9项；第一作者出版学术专著1部，参编教材1部；牵头制定甘肃省地方标准2项，参与制定甘肃省地方标准4项，参与起草团体标准1项；发明专利授权4项，软件著作权8项。2013-2014赴东南大学机械学院交流学习一年，2016-2017年获国家留学基金委资助赴美国密歇根大学（安娜堡分校）吴贤铭制造研究中心进行交流学习一年。

目录
第1章 风电叶片损伤的特点 1
1.1　课题背景及研究意义 1
1.2　叶片气动与复合材料结构 3
1.2.1 叶片气动设计 3
1.2.2 复合材料叶片的结构 7
1.3　复杂场景下叶片表面损伤两阶段分割方法研究 7
1.4　复杂场景下SKRT损伤分割方法框架 9
1.4.1 基于Retinex理论的SSR叶片损伤图像增强 9
1.4.2 K-means复杂场景损伤聚类分割 11
1.4.3 自适应背景掩码替换 12
1.4.4 自适应阈值分割损伤特征提取 13
1.4.5 样本复杂度定量度量 14
1.5　实验研究 16
1.5.1 不同损伤分割实验 16
1.5.2 消融实验 18
1.5.3 不同方法比较实验 18
1.6　本章小结 21
本章参考文献 22
第2章 多策略融合的风力发电机叶片表面损伤量化方法 23
2.1　引言 23
2.2　数据集及方法论 23
2.3　ROI损伤图像的预处理 25
2.3.1 灰度化及直方图均衡化 25
2.3.2 叶片损伤图像滤波及阈值分割 29
2.3.3 边缘检测 31
2.3.4 形态学细化与分支点优化剔除 33
2.3.5 轮廓端点检测及连接闭合 35
2.4　本章小结 36
本章参考文献 36

第3章 基于多尺度特征的叶片表面缺陷分类方法 37
3.1　引言 37
3.2　基于特征的数据增强方法 37
3.2.1 基于残差的叶片表面缺陷分类模型 37
3.2.2 叶片表面缺陷分类模型多尺度特征提取模块 40
3.3　叶片表面缺陷分类模型数据集配置 42
3.3.1 训练集类别总数对分类准确率的影响 42
3.3.2 训练集类内样本总数对分类准确率的影响 42
3.3.3 训练集中加入叶片表面缺陷数据对分类准确率的影响 43
3.4　实验设置及结果分析 44
3.4.1 实验设计 44
3.4.2 叶片表面缺陷分类模型改进效果比较 45
3.4.3 叶片表面缺陷分类模型与常用的小样本缺陷识别方法对比 45
3.5　本章小结 46
本章参考文献 46
第4章 基于关系网络的叶片表面缺陷分类方法 48
4.1　引言 48
4.2　叶片表面缺陷分类基础模型 48
4.3　叶片表面缺陷分类模型构建 49
4.3.1 关系网络模型 49
4.3.2 叶片表面缺陷分类模型注意力模块 50
4.3.3 叶片表面缺陷分类模型激活函数 52
4.3.4 叶片表面缺陷分类模型损失函数 53
4.4　实验设置及结果分析 54
4.4.1 实验环境与数据集 54
4.4.2 mini-ImageNet数据集实验结果 55
4.4.3 叶片表面缺陷数据集实验结果 56
4.5　本章小结 57
本章参考文献 57
第5章 零样本叶片表面缺陷图像去噪方法 59
5.1　引言 59
5.2　面向小样本的叶片表面缺陷图像去噪 59
5.3　零样本叶片表面缺陷去噪模型 60
5.3.1 零样本叶片表面缺陷图像对下采样器 60
5.3.2 零样本叶片表面缺陷图像去噪方法 61
5.3.3 零样本叶片表面缺陷图像去噪网络结构 62
5.4　实验设置及结果分析 62
5.4.1 实验设计 62
5.4.2 零样本叶片表面缺陷去噪模型与其他去噪模型去噪效果对比实验 63
5.4.3 零样本叶片表面缺陷去噪模型计算效率 65
5.4.4 含噪叶片表面缺陷图像分类效果对比实验 66
5.4.5 去噪叶片表面缺陷图像分类效果对比实验 66
5.4.6 实验小结 67
5.5　本章小结 67
本章参考文献 67
第6章 融合多尺度信息的YOLOv5叶片裂纹检测方法 69
6.1　引言 69
6.2　叶片表面裂纹图像数据集 69
6.3　基于YOLOv5的轻量化目标检测模型算法设计研究 72
6.3.1 YOLOv5结构 72
6.3.2 评价指标 76
6.3.3 基础模型的选定 79
6.3.4 基于Transformer编码器的C3TR模块 80
6.3.5 BiFPN模块 80
6.3.6 Shuffle注意力机制 81
6.3.7 基于Haar小波变换的下采样（HWD）模块 82
6.4　实验验证与结果分析 85
6.4.1 HWD模块的消融实验 85
6.4.2 不同注意力机制或结构的消融实验 86
6.5　本章小结 87
本章参考文献 88
第7章 叶片表面多目标损伤误检校正MS-SEG方法 89
7.1　引言 89
7.2　理论基础与方法框架 89
7.2.1 MaskCut无监督多目标损伤分割 89
7.2.2 SAM损伤掩码校正 92
7.2.3 无监督锚框标注损伤定位 93
7.2.4 方法框架 94
7.3　实验研究 94
7.3.1 图像样本和数据集 94
7.3.2 7种典型损伤误检、漏检校正结果 97
7.3.3 9种损伤检测实验 101
7.3.4 不同方法比较实验 103
7.4　本章小结 107
本章参考文献 108
第8章 风力发电机叶片表面损伤定量度量方法 109
8.1　引言 109
8.2　基于经典深度学习模型的叶片表面损伤类型识别 109
8.2.1 环境噪声屏蔽损伤数据集构建 109
8.2.2 实验环境设置 110
8.2.3 不同方法对比实验 110
8.3　特征向量动态更新的可持续学习叶片损伤类型识别研究 114
8.3.1 特征向量提取与损伤知识图谱构建 114
8.3.2 特征向量动态更新的可持续学习叶片损伤类型推理框架 115
8.4　基于双目视觉的叶片表面损伤定量度量 116
8.4.1 双目视觉深度信息计算原理 116
8.4.2 叶片表面损伤定量度量指标 117
8.5　叶片表面损伤定量度量实验及分析 119
8.5.1 实验装置搭建 119
8.5.2 实验方案设计 120
8.5.3 实验数据定性分析 120
8.5.4 实验数据定量分析 124
8.5.5 四种典型损伤相关指标测量 129
8.6　本章小结 130
本章参考文献 130
第9章 风力发电机叶片损伤视觉定位与成本评估方法 132
9.1　引言 132
9.2　基于特征点检测的叶片图像拼接方法 132
9.2.1 ORB特征点检测与RANSAC算法基本原理 132
9.2.2 基于ORB特征点检测的叶片图像拼接 136
9.2.3 叶片表面损伤定位 137
9.3　叶片表面损伤检测的维护成本比较 138
9.4　本章小结 142
本章参考文献 142

第10章 基于Lamb波的风电叶片分层损伤定位 143
10.1　引言 143
10.2　基于贝叶斯方法的损伤定位方法 143
10.2.1 椭圆轨迹损伤定位方法 143
10.2.2 基于缺陷概率重建的损伤定位方法 145
10.2.3 基于贝叶斯方法的融合损伤定位方法 146
10.2.4 马尔可夫链蒙特卡罗方法 148
10.3　复合材料层合板对Lamb波的影响 149
10.3.1 层合板Lamb波频散曲线 149
10.3.2 传感器阵列排布策略 152
10.4　Lamb波在复合材料层合板中传播的数值模拟 153
10.4.1 有限元模型的建立 153
10.4.2 Lamb波信号处理 156
10.4.3 检测路径与损伤定位 158
10.4.4 实验层合板损伤识别 160
10.5　本章小结 161
本章参考文献 161
第11章 叶片结构特性的传感器阵列布置 163
11.1　引言 163
11.2　复合材料叶片有限元建模 163
11.2.1 叶片结构建模 163
11.2.2 叶片铺层方案 167
11.2.3 叶片有限元建模研究 169
11.3　叶片的结构热点处传感器布置 171
11.3.1 叶片静力学分析 171
11.3.2 叶片压力面等效应力分布 172
11.3.3 叶片的结构热点处传感器阵列布置 175
11.4　本章小结 176
本章参考文献 177
第12章 基于三角拓扑聚合优化的CLA叶片健康状态预测模型 178
12.1　引言 178
12.2　三角拓扑聚合优化模型构建 178
12.2.1 模型初始化 178
12.2.2 三角拓扑单元的形成 179
12.2.3 模型通用聚合 181
12.2.4 模型局部聚合 182
12.3　基于TTAO的叶片健康状态预测模型参数优化 183
12.4　实验设置及结果分析 184
12.4.1 引入TTAO的健康状态预测模型消融实验 184
12.4.2 引入TTAO的健康状态预测模型性能对比 186
12.5　本章小结 189
本章参考文献 189
第13章 融合主成分分析的CLA叶片健康状态预测模型 191
13.1　引言 191
13.2　PCA-CLA叶片健康状态预测模型 191
13.2.1 基于PCA的叶片故障SCADA数据特征降维 192
13.2.2 叶片故障SCADA数据主成分载荷分析及特征贡献率解释 194
13.2.3 基于CLA的健康状态预测模型 194
13.2.4 CLA混合模型训练过程 198
13.3　实验设置及结果分析 198
13.3.1 模型参数选择 199
13.3.2 模型性能对比 199
13.4　本章小结 202
本章参考文献 202
第14章 风力发电机组SCADA数据预处理和模型评价指标 204
14.1　引言 204
14.2　风力发电机组数据采集技术 204
14.2.1 风力发电机组SCADA系统 204
14.2.2 叶片健康状态预测SCADA数据集 206
14.3　数据分析及预处理 207
14.3.1 SCADA数据皮尔逊相关性分析 207
14.3.2 数据清洗 209
14.3.3 Min-Max数据标准化处理 210
14.3.4 数据可视化转换 211
14.4　模型评价指标 212
14.4.1 混淆矩阵 213
14.4.2 分类问题评价指标 213
14.5　本章小结 214
本章参考文献 214

第15章 改进贝叶斯方法的叶片健康监测系统的构建 216
15.1　引言 216
15.2　叶片结构热点处的损伤定位方法 216
15.2.1 结构热点处的Lamb波传播规律以及波速差异性 216
15.2.2 叶片结构热点处的损伤定位 218
15.2.3 改进贝叶斯损伤定位实验研究与验证 219
15.3　叶片结构热点损伤健康监测系统 222
15.3.1 叶片结构热点损伤健康监测系统总体结构 222
15.3.2 登录与注册界面 224
15.3.3 主要功能介绍 225
15.4　本章小结 227
本章参考文献 227