仇梓峰，王爽心，李蒙

（北京交通大學機械與電子控制工程學院，北京市 海淀區(qū) 100044）

0 引言

風力發(fā)電機的葉片是將風能轉化為電能的重要零件之一，但是在風機發(fā)電過程中由于受力多樣性和環(huán)境多變性等因素，表面可能會產生砂眼，裂紋，剝皮等常見缺陷[1]，其缺陷會嚴重影響風力發(fā)電的效率與安全。由于近幾年風力發(fā)電機已漸出質保期，所以葉片缺陷頻發(fā)。長期以來葉片的缺陷檢測依賴人工完成，由于檢測的精度、速度和安全性等方面的限制，檢測存在效率低下、結果不夠可靠、危險性高和成本高等問題。

已有基于各種傳感器，如振動傳感器、聲發(fā)射傳感器、應變傳感器和超聲傳感器等，在風機葉片上的監(jiān)測和缺陷識別研究[2]。A. G. Duttonl等研究了使用聲發(fā)射技術的葉片結構健康狀態(tài)監(jiān)測系統，利用傳感器監(jiān)測葉片情況，測試了靜態(tài)加載與極端載荷加載，并開發(fā)了一款模式識別軟件來監(jiān)測風力發(fā)電機的健康狀態(tài)[3]。Ruan J等使用結合到葉片上的壓電陶瓷傳感器片來激勵葉片的振動響應，并通過透射函數、諧振比較、操作失真形狀和波傳播這4種方法來對葉片的損傷進行檢測[4]。Walle G等使用高頻超聲技術，證明了超聲波熱成像可以檢測材料中較深的裂紋缺陷[5]。Amirat Y等使用預埋光纖的方法進行葉片的檢測，但成本較高[6]。Tsai C S等采用基于連續(xù)小波變換的方法來提高風力發(fā)電機葉片的損傷檢測能力，并利用嵌入小波的時頻定位特征，獲取信號的時間和尺度信息可以呈現為可視化方案，可以更好地實現葉片的狀態(tài)監(jiān)測[7]。采用宏觀纖維復合材料(MFC)傳感器[8]，布拉格光纖光柵(FBG)傳感器[9]，和掃描激光測振儀(SLDV)傳感器[10]等先進傳感器技術也被用于葉片的損傷檢測。然而，這些技術不能從多角度識別出風機葉片缺陷的細節(jié)缺陷，并給出實時報告。

近年來已有商業(yè)風電場中試用無人機來檢測風機部件，特別是風機葉片的表面狀態(tài)，以提高風電場的效率[11]。配備數碼相機的無人機可以被遠程控制，自由地捕捉風機葉片的表面，并對捕獲的圖像或視頻進行無線傳輸。其優(yōu)點為：1）可對風機葉片進行更頻繁和定期的檢測；2）可對風機葉片狀況進行圖像及視頻記錄，并可進行反復查看；3）在檢測過程中可大大降低以往常規(guī)方式帶來的潛在人身傷害。無人機有助于快速收集風機的葉片信息，但目前階段對所收集圖像仍然采用目視檢查方式進行缺陷分析，有必要構建人工智能體系，對拍攝的圖像進行自動處理并生成分析結果，從而節(jié)省人工成本，并減少人為錯誤。雖然圖像處理方法已被應用于檢測公共基礎設施的裂縫中。如Tong X等[12]基于二值化圖像，確定了混凝土橋梁底部裂縫的形狀。Hutchinson T C等[13]應用小波變換和貝葉斯決策方法來檢測混凝土結構的裂紋。Yamaguchi T等[14]提出了一種基于滲透的圖像處理方法的混凝土表面裂紋檢測。然而，有針對性地基于無人機拍攝具有嘈雜背景以及微小缺陷的風機葉片圖像識別缺陷算法還較缺乏。

本文利用無人機所獲取的風機葉片圖像與計算機視覺應用，聯合Visio Studio 2015與Halcon 12軟件平臺，提出一種風力發(fā)電機葉片缺陷檢測系統。通過控制無人機搭載成像設備來采集葉片表面圖像，輸送到系統中對圖像進行處理和缺陷識別，最后輸出葉片質量分析報告以達到葉片快速高效缺陷檢測的目的。

1 圖像采集與處理系統

風機葉片目前主要是由玻璃、碳等不同性質的材料組合并優(yōu)化形成的新型材料[15]。為有效實現葉片缺陷的快速高效檢測，針對風力機的葉片材料以及缺陷類型，根據風場實際狀況，本文搭建的風機葉片圖像采集與處理系統如圖1所示。

圖1 風力發(fā)電機葉片圖像采集與處理系統Fig. 1 Image acquisition and processing system of wind turbine blade s

系統通過安裝在無人機上的遠攝變焦云臺相機，對靜止的風力發(fā)電機葉片部分進行多角度拍攝，并存儲于計算機。存儲的圖像一方面通過風機葉片缺陷檢測系統來對其進行檢測，另一方面存入缺陷數據庫中，并與來自風機葉片缺陷檢測系統中導出的缺陷信息進行對比，為最終實現葉片缺陷的準確檢測和葉片質量分析報告的輸出做準備。

1.1 圖像采集系統

圖像采集系統主要是由云臺相機、無人機、工業(yè)運算機和控制設備等物理裝置構成。根據風機葉片的材料特性以及油污、砂眼等缺陷的尺寸大小等因素，在成像設備的選擇上，本系統選擇Zenmuse Z30云臺相機，采用 1/2.8″逐行掃描的CMOS傳感器，有效像素為213萬，滿足葉片表面的特征成像需求。與相機配合使用的鏡頭可以進行30倍光學變焦、6倍數字變焦，等效焦距為29~872 mm，最小對焦距離為10~1 200 mm，在光學廣角下的光學長焦的變焦移動速度為4.6 s。用來搭載相機及鏡頭的云臺的角度抖動量為±0.01°，其可控轉動范圍為俯仰(+30°至-90°)，平移±320°，可以滿足使用要求。

在選擇用來運輸搭載到云臺上的成像設備的無人機時，因為所選相機具有中等像素，高等光學變焦倍數的特點，拍攝葉片細節(jié)時需要高倍數變焦。若采用普通的無人機，在對葉片進行圖像的細節(jié)采集時，成像設備會發(fā)生微小的震顫，影響采集效果，降低系統的識別能力。為了克服這一問題，本系統采用了經緯M600無人機。該無人機最大起飛重量可達15.1 kg，在高度位置與水平位置的固定預設準確度分別為±500 mm與±1 500 mm，可滿足成像設備的要求。由于許多風場位于高原及高風速地區(qū)，對無人機工作環(huán)境要求嚴格。所選經緯M600機型在設計時所設定的最強抗風強度為8 m/s，可飛行的最高距離以海平面當做零點為2 500 m，工作溫度為-10~40 ℃，可滿足大部分風場環(huán)境。圖像采集系統中成像設備與無人機示意圖如圖2所示，采用該圖像采集系統，采集到的葉片圖像如圖3所示。

圖2 圖像采集系統中成像設備與無人機示意圖Fig. 2 Imaging equipment in image acquisition system and UAV

1.2 圖像處理系統

當圖像采集系統完成對風力發(fā)電機葉片表面圖像的采集后，通過USB2.0/3.0或WIFI等方式傳送至由Halcon 12及Visual Studio 2015建造的風機葉片圖像處理應用系統中，對所拍攝的葉片圖進行標定、去噪和增強等操作，之后利用終端操控裝備對無人機控制人員傳遞指令及存儲處理后的圖像和分析報告。圖像處理系統如圖4所示。

圖3 采集的圖樣Fig. 3 Collected images

圖4 圖像處理系統Fig. 4 Image manipulation system

2 算法設計與實現

2.1 基于Halcon軟件的相機標定

為了從無人機所拍攝的風機葉片圖中獲取準確的世界坐標及裂紋、砂眼等缺陷的尺寸信息，需要先在特定環(huán)境下標定相機[16]。相機依據光學成像的原理，把三維坐標中的點通過成像設備映射到二維坐標上?；卺樋壮上裨斫⒌南鄼C成像模型如圖5所示。由空間點WP變換到圖像平面上的投影點P，需要經過如下5個步驟。

圖5 基于針孔成像原理建立的相機成像模型Fig. 5 Camera imaging model based on the principle of pinhole imaging

1）通過相對位置變換關系式PC=RPW+T來把點 PW轉換成攝像機坐標系下的點 PC，其中R=(α,β,γ)是旋轉矩陣，T=(tx, ty, tz)是平移向量，相機的外參即為R和T中的參數。

2）通過相機坐標系與圖像的像元坐標系之間的投影關系式：

把 PC從相機坐標系轉換到圖像的像元坐標系，其中f為相機的主距。

3）無論鏡頭失真狀態(tài)如何，一實物點位于世界坐標系和一投影點位于成像平面兩者中的連線會穿越成像設備的中心光學位置?？紤]到鏡頭在實際中的失真情況，可以使用徑向失真公式來進行相像比較，也即

其中k為鏡頭的失真系數[17]。

4）參數k表示徑向扭曲的大小。若k為負數則扭曲為桶形失真，k為正數則是枕形失真。該失真可用下面的方程進行矯正：

5）最后，將失真點轉換到圖像的物理模型坐標系中。

式中：cx和cy為投影中心在成像平面的垂直投影；sx和sy為圖像感光元件中的像素在相間的橫向與徑向相距的長度，則(f, k, cx, cy, sx, sy)就是相機內參，并決定了點在相機內部的轉換關系。從以上5個步驟可知，要使三維世界坐標上的一點WP確定其映射在二維圖像坐標中的位置和形態(tài)，就要確定其內外參數，求解其內外參數的過程就是相機的標定。

使用 Halcon標定板來確定相機的參數的整個過程包括找標定板，確定標定板上標定圓點的位置以及獲取三維坐標與圖像坐標間的對應關系[18]。本文中，根據實際需求，測定風機葉片與相機之間的相對距離，之后在模擬環(huán)境中以相對距離為標準拍攝了18張Halcon標準圖進行相機的校準和標定，部分圖如圖6所示。

圖6 部分標定圖樣Fig. 6 Part of the calibration drawings

在對相機進行標定的時候，一般使用具備Halcon尺寸標準的 3cm×3cm大小的標定工具，按照基于Halcon的標定算法流程(如圖7)，可得標定結果如表1、表2所示。

通過標定過程得到相機的內部及外部的參數后，由算子gen_image_to_world_plane_map()得出圖像與世界坐標系的投影關系，之后由算子map_image()對得到的葉片圖像進行校正，從而保證接下來對葉片缺陷進行檢測的準確程度。本文在同樣的相機內外參數環(huán)境下進行標準刻度尺的比較校準，測量長度為0.5 cm×0.5 cm，驗證結果和部分標準刻度尺測量數據圖8和表3所示。

圖7 基于Halcon的標定算法流程Fig. 7 Halcon-based calibration algorithm flow

表1 相機內部參數表Tab. 1 Camera internal parameter table

表2 相機外部參數表Tab. 2 Camera external parameters table

由以上數據可知，在無人機對風機葉片進行圖像采集的模擬環(huán)境下進行二維測距，可以達到滿意的準確度標準，無人機的云臺相機進行參數矯正后即可正確的反映葉片的真實缺陷和采集圖像的相互關系。

圖8 標準刻度尺測量實驗圖Fig. 8 Standard scale gauge test chart

表3 部分標準刻度尺測距結果Tab. 3 Part of the standard scale ranging result

2.2 快速自適應加權中值濾波算法

不間斷的圖像信息在取樣、量化等過程中會有寄生效應和干擾噪聲，圖片質量會因此而降低，尤其是在無人機搭載云臺相機采集圖像時本身就帶有難以克服的抖動性，因此有必要對葉片圖像去噪。本文葉片表面圖像中的噪聲干擾主要源于如下因素：1）光線分布不均勻，本文圖像采集工作均在室外進行，周圍環(huán)境都會帶來光線干擾，另外，無人機在葉片附近飛行時也會引入亮暗變化噪聲；2）由于葉片平時所處環(huán)境惡劣，易在表面留下污點、水漬、油污等干擾噪聲[19]；3）飛行中的氣流，人工操作等因素都會不同程度的引起無人機的抖動，這些抖動噪聲會體現在圖片信息上?；跓o人機在進行圖像采集時的噪聲因素以及在飛行過程中快速處理圖像的實時性需求，本文采用快速自適應加權中值濾波的方法進行圖像去噪。

本文采用的算法首先根據各窗口本身的聯系，判斷各個窗口的圖像特征，然后依據各窗口像素的灰度變化的程度來確定加權濾波這一操作的必要性，其次在算法實現時精簡了自適應與加權的某些操作，最后通過統計直方圖大幅提高了中值濾波的速度[20]。該算法具體步驟如下：1）計算窗口內元素的最大值Zmax與最小值Zmin，若 Zmax=Zmin，轉步驟5）；2）計算中心像素點顏色值是否等于Zmax或Zmin，若不等，則該像素是純凈像素點(即未污染像素點)，轉步驟5），若相等，則該像素點是被污染像素點，轉步驟 3）；3）根據Δ=|Zmax-Zmin|的不同對窗口中心元素進行加權，若Δ較小，則使權值較大，這樣就可以加強中心點輸出的保持能力，降低消除噪聲的能力，使圖像的邊緣細節(jié)得到較好保持；4）把滑動窗口內的各個變量元素值按大小順序列出，并選擇其中的中位數來取代中間元素的RGB值；5）在對此滑窗的中值濾波結束后，需要判斷是否處理完所有的元素值，若沒有處理完，則繼續(xù)進行下一窗口的處理，轉步驟1），反之，濾波過程結束。

在中值濾波算法實現時影響速度的一個主要運算過程是對濾波窗口中元素排序的算法。本算法借助統計直方圖的思想對中值濾波算法進行改進[21]。設為所求中值的數組，其中0≤xi≤M，且xi為整數。本算法先設區(qū)間[0,M]劃分為F個層次，每個層次包含長度為LF的區(qū)間共 KF個，上一層次區(qū)間可被下一層次區(qū)間等分，先多級劃分該區(qū)間，然后對各層次直方圖進行計算，然后依據大小順序尋找中值范圍。步驟如下：1）令F=0 ，從i =0 到計算f=從j= 0 到M對數組值的加權分布直方圖進行統計；4）令S(0)=HF(0)，j=1，f=F；5）計算遞推式令j+1，返回步驟 4），否則轉步驟 5）；6）令則f=f- 1并轉到步驟4），否則 j為所求中值，算法結束。

根據以上算法對采集到的風力發(fā)電機的葉片圖像進行處理實驗，并與標準中值濾波算法處理同一圖像所得試驗數據進行比較，可得到以下結果，如表4所示。

表4 算法運行速度比較Tab. 4 Comparison of algorithm speed

由表4可知，使用快速自適應加權中值濾波算法可以有效提高標準中值濾波的速度。該算法能夠滿足無人機在進行圖像采集時的噪聲因素以及在飛行過程中快速處理圖像的實時性需求。

2.3 圖像增強與動態(tài)閾值分割

為了增強并改進葉片圖像的可觀測性，比如對某些不明顯的裂紋和砂眼等缺陷進行突出顯示、對某些鳥屎、污跡等具有欺騙性的類缺陷目標進行效果減弱，需要對濾波后的葉片圖進行改善和加強[22]。本文采用emphasize算子執(zhí)行圖像增強的操作，其公式為：mean]}kp×+，其中g(x, y)是采用emphasize算子對圖像進行增強處理之后得到的像素灰度值；round()是對得到的值四舍五入；p是圖像加強前的像素灰度大??；mean是采用mean_image算子對圖像進行濾波之后像素的灰度大??；k是圖像加強系數，系數越大，加強的效果越明顯[23]。圖 9采用emphasize算子進行加強的對比圖，由圖9可知，在圖像增強之后，增大了灰度值對比，更加突出了圖像中的裂紋缺陷。

圖9 圖像增強Fig. 9 Image enhancement

為了將可能的缺陷區(qū)域從背景中分離出來，還需要對去噪和增強處理之后的圖像進行分割[24]。由于葉片所處背景復雜，且葉片的邊緣易與裂紋、剝皮等缺陷在圖像處理時混淆，如果邊緣檢測的算子用于非間接地提取裂紋等缺陷的邊緣，則可能發(fā)生葉片邊緣的油污等缺陷邊緣和葉片輪廓被當作同一種特征被處理的問題，故本文先通過 gen_circle()算子在圖像中建立起 ROE(region of interest)區(qū)域，接著使用固定值來對裂紋等缺陷區(qū)域進行分割和提取，最終使以上問題不再出現。因為利用全圖固定值在圖片灰度的直方顯示圖呈鋸條尖牙狀的情況下很難實現圖像分割，所以本文采取動態(tài)閾值分割法，其原理如下：其中f(x, y)為待分割的圖像函數；g(x, y)為經過處理后輸出的圖像函數；m為該算法的閾值。

為了保證把目標特征從背景中提取出來，需要取一個合適的 m值。目標矩陣是輸出坐標集R′，即為所有灰度值在原圖像矩陣中比平滑后的函數矩陣比m值大或比-m值小的坐標，這樣在動態(tài)閾值的運算中就可以去除環(huán)境因素及葉片邊緣引起的干擾。

在 Halcon的交互式顯示界面 HDevelop中dyn_threshold(Image, ImageMean, DarkPixels,m)是動態(tài)閾值分割的算子。其中m值為18，并提取圖像中暗特征。所求圖像在分割后的效果如圖10所示。

圖10 動態(tài)閾值分割效果圖Fig. 10 Dynamic threshold segmentation results

由圖10可知，圖中的裂紋等缺陷已經通過圖像處理分割出來，接下來需要對圖像中所有可能存在缺陷的區(qū)域進行處理，使各缺陷特征可以提取出來。

2.4 區(qū)域處理

在區(qū)域處理時，針對各個可能的缺陷區(qū)域，主要分3個步驟。

1）使用laplace_of_gauss算子通過對葉片圖計算二階倒數的零交叉點來完成缺陷邊的檢測，其中拉普拉斯高斯算子LoG(Laplace of Gaussian)表達式為

然后使用threshold_sub_pix算子進行亞像素的精度分析并搜索裂紋等缺陷的邊緣[25]。

2）使用select_shape_xld算子來處理第一步得到的葉片圖并選取以裂紋等缺陷為標準的形態(tài)，然后使用union_adjacent_contoures_xld算子合并有相互連通域的缺陷邊，接著使用 close_contours_xld算子通過閉合整個區(qū)域邊緣輪廓來得到完整的缺陷區(qū)域。

3）使用gen_region_contour_xld算子對邊緣類型數據進行迭代，使之成為區(qū)域類型數據，在此過程中需要限制邊緣類型數據的實際顯示尺寸，不可使其偏小，否則會降低區(qū)域類型數據的分辨率。以上3個步驟的處理效果圖如圖11所示。

圖11 區(qū)域處理效果圖Fig. 11 Regional processing renderings

2.5 缺陷特征的檢測與識別

對圖像進行聯合與膨脹處理，先使用union1(Selected Regions, Region Union)算子用來包含所有區(qū)域的待計算區(qū)域的圖片并返回包含所有區(qū)域的集合，然后使用 dilation_circle(Region,Region Dilation, Radius)對一個非方形狀態(tài)單元的區(qū)域以圓形為模板，進行膨脹處理。

對葉片上的裂紋特征的核心線路進行提取，先使用skeleton (Region Dilation,Skele ton))算子來提取裂紋主線路的骨架，然后使用 connection(Skeleton, Errors)算子對裂紋的相接區(qū)進行互連處理，之后即可對重點目標做進一步的處理。

對裂紋，砂眼等缺陷的紋路進行尺寸的測量和類別的確定，先使用 select_shape(Regions:SelectedRegions:Fres,Operation, Min,Max:)算子根據特定選擇值進行缺陷區(qū)的選取，本文選擇area作為特征，即為像素的個數，此處定義砂眼缺陷為20~100像素，裂紋缺陷為300~9 000像素。由于該區(qū)域是一個非方型環(huán)狀區(qū)，所以要運行骨架算子skeleton得到非方型環(huán)狀區(qū)的骨架，然后用gen_contours_skeleton_xld算子生成骨架的邊緣核心。最后使用length_xld(Contours,ContLength)算子來求取裂紋的長度等數據。最終的檢測結果如圖12所示。

3 實驗與結果分析

本文利用Visual C#編程語言和 Halcon 12機器視覺算法包，在Visual Studio 2015環(huán)境下完成對風力發(fā)電機葉片缺陷檢測中的圖像與數據處理，以達到獨立進行缺陷檢測的功能。關于數據顯示，應用Visual C#編程語言設計了人機交互界面，可以顯示測量數據，并為采集過程和圖像處理算法提供程序入口，為試驗優(yōu)化提供便利。缺陷檢測軟件界面如圖13所示。

圖13 軟件界面設計Fig. 13 Software interface desig

在試驗中選取了分別含有50個砂眼型、裂紋型和剝皮型表面缺陷的葉片區(qū)域進行檢測，檢測結果如表5所示。

由表5可知，該檢測系統針對裂紋型和剝皮型缺陷的準確率要比砂眼型稍高，因為前兩種缺陷具有比較大的面積或長度。但總體準確率達90%以上，可以滿足實際需求。

表5 葉片表面缺陷檢測結果Tab. 5 Blades surface defect test results

4 結論

本文針對無人機對風機葉片采集圖像的特點，使用了快速自適應加權中值濾波算法、圖像增強算法、動態(tài)閾值分割算法及區(qū)域處理算法，并將其嵌入到人機交互平臺中。該平臺經過在線及離線測試，可以實現砂眼，裂紋和剝皮等缺陷的自動識別與檢測，且準確率可以達到90%以上，相對于傳統檢測手段和其他檢測算法具有較高的準確率與較好的算法穩(wěn)定性，為風力發(fā)電機葉片的無損檢測提供了新的途徑。

[1] Yang B，Sun D．Testing, inspecting and monitoring technologies for wind turbine blades：A survey[J]．Renewable & Sustainable Energy Reviews，2013，22(8)：515-526．

[2] Márquez F P G，Tobias A M，Pérez J M P，et al．Condition monitoring of wind turbines：Techniques and methods[J]．Renewable Energy，2012，46(5)：169-178．

[3] Duttonl A G，Blanch M J，Vionis P．Acoustic emission condition monitoring of a wind turbine rotor blades：laboratory certification testing to large scale in-service deploymen[C]//2003 American Institute of Aeronauties and Astronauties Conference．Copenhagen，2003．

[4] Ruan J，Ho S C M，Patil D，et al．Structural health monitoring of wind turbine blade using piezoceremic based active sensing and impedance sensing[C]//IEEE，International Conference on Networking，Sensing and Control．IEEE，2014：661-666．

[5] Walle G，Abuhamad M，Toma E．Defect indications in sono-thermography in relation to defect location and structure[J]．Seminars in Roentgenology，2004：1-6．

[6] Amirat Y，Benbouzid M E H，Al-Ahmar E，et al．A brief status on condition monitoring and fault diagnosis in wind energy conversion systems[J]．Renewable &Sustainable Energy Reviews，2009，13(9)：2629-2636．

[7] Tsai C S，Hsieh C T，Huang S J．Enhancement of damage-detection of wind turbine blades via CWT-based approaches[J]．IEEE Transactions on Energy Conversion，2006，21(3)：776-781．

[8] Pitchford C，Grisso B L，Inman D J．Impedance-based structural health monitoring of wind turbine blades[J]．Proceedings of SPIE - The International Society for Optical Engineering，2007，6532：1-11．

[9] Lee J K，Park J Y，Oh K Y，et al．Transformation algorithm of wind turbine blade moment signals for blade condition monitoring[J]．Renewable Energy，2014，79(1)：209-218．

[10] Ozbek M，Meng F，Rixen D J．Challenges in testing and monitoring the in-operation vibration characteristics of wind turbines[J]．Mechanical Systems& Signal Processing，2013，41(1-2)：649-666．

[11] Neeru N，Kaur L．An Experimental Analysis on Removal of Salt and Pepper Noise from Digital Images[C]//International Conference on Smart Trends for Information Technology and Computer Communications．Springer Singapore，2016：434-441．

[12] Tong X，Guo J，Ling Y，et al．A new image-based method for concrete bridge bottom crack detection[C]//International Conference on Image Analysis and Signal Processing．IEEE，2011：568-571．

[13] Hutchinson T C，Chen Z Q．Improved Image Analysis for Evaluating Concrete Damage[J]．Journal of Computing in Civil Engineering，2006，20(3)：210-216．

[14] Yamaguchi T，Nakamura S，Hashimoto S．An efficient crack detection method using percolation-based image processing[C]//Industrial Electronics and Applications，2008．Iciea 2008．IEEE Conference on．IEEE，2008：1875-1880．

[15] Mishnaevsky L．Composite materials for wind energy applications：micromechanical modeling and future directions[J]．Computational Mechanics，2012，50(2)：195-207．

[16] 張柱，張瑩，閆璠，等．基于HALCON的全景攝像機標定及應用研究[J]．計算機工程與應用，2016，52(10)：241-246．

[17] Ricolfeviala C，Sanchezsalmeron A J．Lens distortion models evaluation[J]．Applied Optics，2010，49(30)：5914-5928．

[18] 于春和，祁樂陽．基于HALCON的雙目攝像機標定[J]．電子設計工程，2017，25(19)：190-193．

[19] 于彬，祁文軍．極端環(huán)境載荷對復合材料風機葉片特性影響分析[J]．機械科學與技術，2016，35(7)：1133-1138．

[20] Aum J，Kim J H，Jeong J．Effective speckle noise suppression in optical coherence tomography images using nonlocal means denoising filter with double Gaussian anisotropic kernels[J]．Applied Optics，2015，54(13)：13-14．

[21] 姚薇，錢玲玲．礦山遙感圖像自適應加權改進中值濾波算法[J]．金屬礦山，2016，V45(4)：101-105．

[22] Girard M J，Tun T A，Husain R，et al．Lamina cribrosa visibility using optical coherence tomography：comparison of devices and effects of image enhancement techniques[J]．Investigative Ophthalmology & Visual Science，2015，56(2)：865-874．

[23] Du W，Tian X，Sun Y．A dynamic threshold segmentation algorithm for anterior chamber OCT images based on wavelet transform[C]//International Congress on Image and Signal Processing．IEEE，2013：279-282．

[24] 劉南艷，劉菁，厙向陽，等．光照不均條件下的鋼管圖像分割算法研究[J]．激光雜志，2016，37(3)：46-49．

[25] Seppke B，B?hnisch C，Benthien J T，et al．A concurrent skeleton-based approach for the characterization of wood fibers with sub-pixel precision for fiber board production[C]//International Conference on MASS Data Analysis of Images and Signals，2015：1-15．