随着经济的发展，我国的能源结构不断调整，提高绿色能源的占比成为了能源领域的发展重点，其中风力发电机更是建设的主要角色。由于风力发电机的所在环境恶劣、所受应力强烈等因素,风机的叶片表面可能产生裂纹、油污、砂眼等损伤,这严重影响了风力发电的效率和安全性。因此，对这类损伤进行评估监测、制定维修策略，进而更好地维护设备安全，确保其能够可靠地持续运行，是发电部门的迫切需求。
传统的叶片损伤监测主要依靠人工目测，而人工的准确率、速度和安全性均有着不足，这将造成检测效率慢、检测结论不可靠、危险系数及成本高昂等问题。随着无人机和计算机视觉技术的发展，基于图像处理技术的风力发电机叶片损伤识别已经成为了现今风力发电检修一个主要发展方向。如果能够利用无人机拍摄的图像，采样计算机视觉自动识别叶片风机的损伤状况，将大大提高风机叶片的维护效率，节省时间和人力成本。
近年来学者对叶片的损伤检测做了不少研究，Huiyi Zhang等人通过优化Canny边缘检测方法的阈值，显着降低了不均匀背景照明的影响，并使用Sobel和Canny边缘检测方法处理叶片图像，然后组合结果以减少背景噪声来增加叶片损伤识别的准确性。
Lin Peng等人针对无人机拍摄的特点和风机的位置造成的运动模糊，进行了图像降噪及增强等预处理，使目标区域和裂缝细节更加清晰和完整。然后提出了一种基于灰度值的裂缝分析方法，考虑裂缝的分布、严重程度和发展趋势，从而降低了风机维护成本。
Yajie Yu等提取了训练无人机叶片图像的深层特征，通过深度卷积神经网络对损坏叶片的类型进行分类，然而该网络只采用了16层的ConvNet,导致识别性能较差。
参考文献：
基于无人机图像的风力发电机叶片缺陷识别. 仇梓峰;王爽心;李蒙.发电技术,2018(03)
基于计算机视觉的风机叶片表面损伤检测研究. 仇梓峰.北京交通大学,2019