1.一种基于风力机表面模糊图像的裂纹智能检测方法，其特征在于，包括：将采集的风力机叶片表面模糊图像输入预先训练的生成网络中，得到清晰重建图像；

所述风力机叶片表面模糊图像为采用四旋翼搭载视觉传感器沿塔杆起飞，实时捕捉得到风力机叶片模糊图像；

所述生成网络包括：浅层特征提取块，深层特征提取块和重建块；

所述浅层特征提取块用于，将风力机叶片模糊图像按照步长与权重矩阵做卷积操作，得到模糊图像浅层特征；所述权重矩阵为特征提取因子；所述步长和特征提取因子根据模糊图像大小选取；

所述深层特征提取块用于，将浅层特征进行多层卷积操作、池化和激活处理，得到深层特征；

所述重建块用于，将深层特征进行反卷积操作，上采样、池化和激活处理，得到清晰重建图像；

对清晰重建图像进行预处理，分割成域并提取域特征参数；

以各域特征参数为输入，输入神经网络，得到风力机叶片裂纹检测结果和裂纹开裂程度，所述裂纹开裂程度表示为：C＝arctan(F(A,R,B))，其中，C是裂纹开裂程度指标，函数F是根据已有风力机叶片裂纹图像的特征参数拟合出的裂纹开裂程度指标函数；

根据C的范围将裂纹开裂程度划分为轻微裂纹、中度裂纹和重度裂纹，可以表示为：其中，η为裂纹开裂程度；δ为经验阈值，默认取0.5。

2.根据权利要求1所述的一种基于风力机表面模糊图像的裂纹智能检测方法，其特征在于，预先训练生成网络，包括：将风力机表面模糊图像输入生成网络得到的清晰重建图像；

将生成网络的输出与原始风力机表面模糊图像共同输入至判别网络，不断优化生成网络，直到输出图像与输入图像的相似度达到预设阈值。

3.根据权利要求2所述的一种基于风力机表面模糊图像的裂纹智能检测方法，其特征在于，采用梯度下降法对生成网络中的浅层特征提取块，深层特征提取块和重建块的参数进行优化。

4.根据权利要求1所述的一种基于风力机表面模糊图像的裂纹智能检测方法，其特征在于，所述对清晰重建图像进行预处理，包括：将风力机叶片清晰重建图像中非叶片部分除去；

将彩色图像转变为灰度图像；

除去图像中的噪点。

5.根据权利要求1所述的一种基于风力机表面模糊图像的裂纹智能检测方法，其特征在于，所述分割成域并提取各域特征参数，包括：通过灰度直方图找出最佳分割点，进行二值化得到黑白图；

将各域按顺序标记；

对标记好的各域进行几何特征参数的提取，包含区域面积A、区域圆形度R、区域外接面积最小长方形的长为长径L、区域外接面积最小长方形的宽为短径S、长短径之比B，计算如下：区域面积A： 其中，n1，…，nn为该区域第一行至最后一行编号，m1，…，mm为该区域第一列至最后一列编号，f(i,j)为像素点的像素值；

2

区域圆形度R：R＝4πA/P，其中，P为区域周长；

长短径之比B：B＝L/S。

6.根据权利要求1所述的一种基于风力机表面模糊图像的裂纹智能检测方法，其特征在于，所述神经网络包含输入层、隐含层和输出层：所述输入层包含五个节点，分别为区域面积A、区域圆形度R、长径L、短径S和长短径之比B；

所述隐含层节点数根据训练时调整；

所述输出层包含两个节点，分别为有裂纹和无裂纹。

7.根据权利要求6所述的一种基于风力机表面模糊图像的裂纹智能检测方法，其特征在于选取风力机叶片表面模糊图像输入预先训练的生成网络中，得到清晰重建图像；对清晰重建图像进行预处理，分割成域来提取各域特征参数并不断调整特征参数的权重，直至达到预设的检测精度。