中山大学联合中国电建：基于大疆M300无人机自动巡检风电叶片，120次实飞成功率98.3%

导读

风电叶片在恶劣天气下易受损，需定期巡检。传统方式依赖人工操作，效率低且存在安全风险；现有无人机自动巡检方案则面临两个难题——叶片停止角度估计易受背景干扰，拍摄过程中叶片区域曝光难以控制。

中山大学智能系统工程学院联合中国电建中南院，提出了一套从硬件平台到算法的完整方案：基于 DJI M300 搭建巡检平台，利用 LiDAR 点云几何方法替代传统视觉方案估计叶片停止角度，并在拍摄过程中实时调节曝光以保留叶片表面细节。方案在 5 个实际运营风电场、10 种风机型号、120 次飞行中完成验证，角度估计平均误差 1.15°，成功率从视觉方法的 69.2% 提升至 98.3%。

论文标题： Automated UAV-based Wind Turbine Blade Inspection: Blade Stop Angle Estimation and Blade Detail Prioritized Exposure Adjustment作者： Yichuan Shi, Hao Liu, Haowen Zheng, Haowen Yu, Xianqi Liang, Jie Li, Minmin Ma, Ximin Lyu 机构： School of Intelligent Systems Engineering, Sun Yat-sen University; PowerChina Zhongnan Engineering Corporation Limited 论文链接： arXiv:2507.04922v2

一、风电叶片自动化巡检面临哪些挑战？

图片

图片来源于原论文

无人机自动化巡检风电叶片已成为趋势，但要真正实现"无人值守"的自动巡检，仍面临三个核心挑战：

1.1 巡检平台设计需求

自动化巡检场景对无人机平台提出了严苛要求：

1.2 停桨角估计的鲁棒性

巡检时风机转子需由制动系统停止。叶片停止的角度（塔筒与右侧第一个叶片之间的夹角）是不确定的，因为叶片只能被风被动推转。准确估计停桨角对于后续航线规划至关重要。现有视觉方法（如霍夫变换检测叶片线条）容易受到背景山体、建筑等干扰，导致估计不准或失败。

1.3 叶片区域曝光控制

巡检拍摄过程中，阳光和相机角度变化会导致叶片区域与背景之间出现亮度差异。市售相机的自动曝光功能优先考虑整体画面亮度，而非叶片区域，可能导致叶片过曝或欠曝，丢失关键缺陷细节。丢失的细节无法通过后处理恢复。目前尚无针对巡检拍摄过程中实时叶片优先曝光调节的研究。

二、怎么做：一套从硬件到算法的完整巡检方案

2.1 巡检平台

论文基于 DJI M300 无人机搭建巡检平台，主要配置如下：

LiDAR 以俯仰角 α = −23° 安装，提供 60°×60° 的前方点云感知视场角。机载计算机外装3D打印保护壳，防雨防沙。

2.2 基于费马点的停桨角估计

图片

图片来源于原论文

这是论文的核心技术贡献。方法利用风机叶片固有的 120° 间距几何特性，通过 LiDAR 点云而非视觉图像来估计停桨角，从根本上避免了背景干扰。

核心思路： 风机的三个叶片固定间隔 120°，论文利用这一几何特性来定位轮毂中心。具体而言，用一个平行于叶片旋转平面的圆环与三个叶片相交，得到三个叶片-圆环交叉区域（BRI），以其中心构成三角形。由于三叶片等间距 120°，该三角形的费马点（即到三个顶点距离之和最小的点）恰好与轮毂中心重合。

算法流程：

1. 旋转平面提取：无人机悬停在风机前方，LiDAR 采集点云，用 RANSAC 拟合得到叶片旋转平面及其法向量；
2. 环形区域搜索与聚类：从无人机位置沿法向量方向逐步搜索，在概率栅格地图上查找与叶片空间结构重叠的区域（BRI 区域），然后用 DBSCAN 聚类为3组，每组中心即为一个 BRI 点；
3. 费马点优化：以三个 BRI 点构成三角形，求取费马点作为轮毂中心的最优估计，连接费马点与 BRI 点得到叶片方向向量，计算停桨角；
4. 迭代收敛：重复上述过程，当相邻两次估计的角度差小于收敛阈值 εa 时输出最终结果。

论文选择概率栅格地图（而非直接使用点云）作为空间表示，原因有二：栅格查询时间复杂度为 O(1)，优于 KD-Tree 的 O(log n)；且与后续基于栅格的轨迹规划兼容。

2.3 叶片细节优先曝光调节

方法的核心思路是在拍摄过程中实时确定叶片上的当前巡检点，将其投影到图像上作为曝光参考点，根据参考区域的亮度调节相机曝光参数。

具体步骤：

1. 提取巡检点：对 LiDAR 采集的叶片点云用 RANSAC 拟合叶片中心线，从无人机位置向中心线作垂线，垂足即为当前巡检点。同时调整云台朝向垂线方向，确保叶片居中；
2. 投影到图像：通过透视投影将巡检点从世界坐标系投影到图像坐标系，作为曝光调节的参考点；
3. 调节曝光：以参考点为圆心构建圆形参考区域，计算区域内灰度均值 µg。若 µg > µmax（过亮），降低曝光参数；若 µg < µmin（过暗），增加曝光参数。调节步长为 kµ。

三、5座风电场、120次实飞：方法效果如何？

实验在5个实际运营风电场中进行，涵盖10种风机型号，完成120次飞行。测试温度范围 5°C 至 33°C，最大风速达 12m/s。

3.1 停桨角估计

论文将所提方法与视觉基线方法（基于霍夫变换和投票算法的叶片线检测）进行对比：

关键分析：

• 视觉方法受背景山体和风机塔筒干扰，导致叶片识别偏差；在复杂背景（如村庄）下，投票算法甚至无法识别叶片，导致估计完全失败；
• 本文方法基于 LiDAR 点云在叶片旋转平面上搜索叶片空间结构，不受背景视觉因素和塔筒影响；
• 120次测试中仅出现2次失败：一次因浓雾影响 LiDAR 对叶片结构的感知，另一次因轮毂位置先验估计误差过大，环形搜索未能提取 BRI 区域。

3.2 曝光调节

图片

图片来源于原论文

实验在晴天、多云和阴天条件下进行，分别测试欠曝和过曝场景。评估指标包括叶片区域灰度均值 µ（亮度）、标准差 σ 和熵 H（细节丰富度）。

• 欠曝场景下，叶片区域亮度从 25.48 提升至 133.27，灰度范围扩展 97.0%，细节丰富度显著提升；
• 过曝场景下，亮度从 245.64 降至 150.85，灰度范围扩展 51.3%，细节丰富度同样显著改善；
• 偶尔在阳光快速变化时，曝光调节存在轻微延迟，导致少数连续帧出现短暂的过曝或欠曝。

四、方法优势与未来方向

优势

1. 实际风电场验证：120次飞行、10种风机、5个风电场的大规模实地测试，而非仿真或缩比模型；
2. LiDAR 替代视觉的鲁棒性：基于点云几何方法估计停桨角，从根本上消除了背景干扰问题，成功率从69.2%提升至98.3%；
3. 费马点几何优化：利用三叶片 120° 间距的固有特性，通过费马点精确定位轮毂中心，平均误差仅 1.15°；
4. 实时曝光调节：在拍摄过程中而非后处理阶段调节曝光，保留了无法通过后处理恢复的叶片细节；
5. 完整平台方案：从无人机平台硬件（DJI M300 + LiDAR + 云台相机 + 机载计算机）到算法的完整解决方案。

未来方向

• 论文指出 2 次失败案例中有 1 次源于轮毂位置先验估计误差过大，未来将提升先验位置估计精度；
• 基于本文平台和方法，进一步开展更全面的风机参数估计、巡检飞行规划与控制，最终实现全自动化风电叶片巡检系统。

五、总结

本文针对风电叶片自动化无人机巡检中的三个核心挑战，提出了基于 DJI M300 的巡检平台、基于费马点的停桨角估计方法和叶片细节优先曝光调节方法。停桨角估计利用 LiDAR 点云和风机叶片 120° 间距的几何特性，通过费马点优化定位轮毂中心，在 120 次实际风电场飞行中实现了 1.15° 平均误差和 98.3% 成功率。曝光调节方法通过实时投影叶片巡检点到图像坐标系，在拍摄过程中动态调节曝光参数，在欠曝和过曝场景下均显著提升了叶片区域的细节丰富度。该研究受广东省粤港澳联合科技计划和国家自然科学基金资助。