一種葉輪缺陷的圖像檢測(cè)方法

安徽理工大學(xué)電氣與信息工程學(xué)院 丁 梟 程龍君

隨著我國(guó)能源結(jié)構(gòu)轉(zhuǎn)型的持續(xù)推進(jìn)，水電迎來新發(fā)展，裝機(jī)容量不斷提升的情況下，各水電站檢修壓力也逐步增大。目前葉輪檢測(cè)技術(shù)僅應(yīng)用于葉輪出廠前，與水電站停機(jī)檢修過程中。本文提出一種基于CenterNet網(wǎng)絡(luò)模型的葉輪缺陷檢測(cè)算法，可以高效地對(duì)葉輪缺陷進(jìn)行檢測(cè)與定位。使用該種方法可以快速的識(shí)別出葉輪表面的缺陷與位置，提高檢修人員工作效率，節(jié)約大量時(shí)間成本。

水輪機(jī)的葉片制造工藝復(fù)雜，根據(jù)水力特征設(shè)計(jì)成三維的扭曲曲面體，葉片的工作狀態(tài)會(huì)直接影響到整個(gè)機(jī)組的穩(wěn)定性、發(fā)電效率及安全性。俄羅斯薩揚(yáng)水電站的重大事故給人類敲響了警鐘，由于水電機(jī)組體量龐大，在檢修過程中，如何快速準(zhǔn)確的對(duì)其進(jìn)行全面的檢測(cè)一直是行業(yè)內(nèi)的一個(gè)難題。

1 研究背景

積極響應(yīng)國(guó)家“碳達(dá)峰，碳中和”政策，水電迎來新發(fā)展，裝機(jī)容量不斷提升的情況下，各水電站檢修壓力也逐步增大，水輪機(jī)葉輪出現(xiàn)汽蝕、裂紋不僅會(huì)嚴(yán)重影響機(jī)組的安全穩(wěn)定運(yùn)行，還會(huì)給水電站帶來巨大的經(jīng)濟(jì)損失。如何快速精確地檢測(cè)到葉輪缺陷備受生產(chǎn)工作人員的關(guān)注。

葉輪在運(yùn)行過程中主要的缺陷主要分兩種，一種為水力應(yīng)力和材料疲勞砸盤城的裂紋，第二種為空蝕現(xiàn)象造成的蜂窩狀的表面汽蝕。建立快速有效的缺陷檢測(cè)系統(tǒng)對(duì)水電站的安全穩(wěn)定運(yùn)行顯得尤為重要。在機(jī)組運(yùn)行過程中目前主要采用：①設(shè)備外噪聲法；②振動(dòng)；③超聲波法；④流量與揚(yáng)程關(guān)系來判斷是否發(fā)生汽蝕。在檢修過程中，主要采用：①立體樣板法；②激光干涉儀法；③三坐標(biāo)測(cè)量機(jī)法等，隨著近年來工業(yè)機(jī)器人技術(shù)的快速發(fā)展，深度學(xué)習(xí)目標(biāo)檢測(cè)的使用已在各個(gè)行業(yè)體現(xiàn)出它的優(yōu)越性，因此使用目標(biāo)檢測(cè)算法對(duì)葉輪表面缺陷的識(shí)別定位也是一種未來發(fā)展的趨勢(shì)。

2 CenterNet檢測(cè)算法介紹

目前常見的目標(biāo)檢測(cè)算法通常是使用大量的先驗(yàn)框，對(duì)先驗(yàn)框進(jìn)行調(diào)整獲得網(wǎng)絡(luò)的預(yù)測(cè)框。CenterNet算法是一種Anchor－Free類型的檢測(cè)算法，構(gòu)建模型時(shí)，講圖片劃分成一個(gè)一個(gè)點(diǎn)，預(yù)測(cè)結(jié)果即目標(biāo)的中心點(diǎn)。

這種檢測(cè)方法首先使用主干網(wǎng)絡(luò)提取出圖片特征，然后根據(jù)分支卷積網(wǎng)絡(luò)預(yù)測(cè)heatmap，關(guān)鍵點(diǎn)估計(jì)找到目標(biāo)的寬、高和中心點(diǎn)，而后回歸到其他目標(biāo)屬性。Centernet用到的主干特征網(wǎng)絡(luò)有多種，一般是以Hourglass Network、DLANet或者ResNet為主干特征提取網(wǎng)絡(luò)，ResNet-50網(wǎng)絡(luò)結(jié)構(gòu)如下圖所示，如圖1所示。

圖1 Conv Block網(wǎng)絡(luò)結(jié)構(gòu)

Identity Block輸入維度和輸出維度相同，可以串聯(lián)，是用于加深網(wǎng)絡(luò)結(jié)構(gòu)的，如圖2所示。

圖2 Identity Block網(wǎng)絡(luò)結(jié)構(gòu)

當(dāng)輸入圖片是512×512×3，經(jīng)過主干特征提取網(wǎng)絡(luò)，我們可以獲取一個(gè)初步特征層，shape為16×16×2048，CenterNet利用三次反卷積進(jìn)行上采樣，最終獲得一個(gè)有效特征層shape為128×128×64。

預(yù)測(cè)結(jié)果計(jì)算loss，分為三個(gè)部分：heatmap的loss、中心點(diǎn)loss和寬高的loss。熱力圖的loss采用focal loss的思想進(jìn)行運(yùn)算，公式如下：

CenterNet只通過全卷積的方法就可以對(duì)目標(biāo)進(jìn)行檢測(cè)與分類，網(wǎng)絡(luò)結(jié)構(gòu)極簡(jiǎn)的同時(shí)精度也很高。

3 實(shí)驗(yàn)方法

3.1 數(shù)據(jù)集準(zhǔn)備

從某抽水蓄能電站采集的混流式水輪機(jī)葉輪圖像603張，如圖所示，將這些圖片分成兩類，汽蝕和裂紋，如圖3所示。

圖3 數(shù)據(jù)集部分圖片示例

3.2 樣本擴(kuò)容

由于缺陷樣本數(shù)量有限，為了使檢測(cè)結(jié)果具有更好的泛化性能，對(duì)采集到的圖像數(shù)據(jù)進(jìn)行如下操作以達(dá)到擴(kuò)容的目的：隨機(jī)角度旋轉(zhuǎn)、橫向壓縮、比例縮放、模糊處理等，圖像分辨率為512×512，如圖4所示。通過對(duì)樣本的擴(kuò)容，共得到1200張葉輪圖像，使用labelimg完成對(duì)目標(biāo)檢測(cè)數(shù)據(jù)集標(biāo)簽文件的制作，共分成兩類——汽蝕Cav、裂紋Cra。

圖4 樣本處理示例

3.3 CenterNet參數(shù)設(shè)置

本文使用CenterNet中的ResNet－50主干提取網(wǎng)絡(luò)進(jìn)行葉輪缺陷的檢測(cè)訓(xùn)練，隨機(jī)抽取840張圖片作為訓(xùn)練集，余下的為測(cè)試集。訓(xùn)練樣本均采用512×512分辨率，輸出為128×128分辨率。訓(xùn)練時(shí)，設(shè)置最大訓(xùn)練次數(shù)100，batch size由15降低到12。由于只減小batchsize訓(xùn)練的效果不好，loss不是最優(yōu)的，為了防止網(wǎng)絡(luò)過擬合，分別在30次和60次時(shí)調(diào)整學(xué)習(xí)率，同時(shí)在訓(xùn)練過程中，通過比較loss值大小，對(duì)比獲取最好的參數(shù)模型。

3.4 實(shí)驗(yàn)環(huán)境

本文使用tensorflow2.0深度學(xué)習(xí)框架搭建CenterNet網(wǎng)絡(luò)，硬件配置：顯卡GTX 1070，CPU為Intel i7-4770，內(nèi)存256G，操作系統(tǒng)為win10，開發(fā)環(huán)境為Python3．83、CONDA以及一些必要的依賴庫(kù)等。

4 實(shí)驗(yàn)結(jié)果

本文方法使用CenterNet網(wǎng)絡(luò)對(duì)樣本進(jìn)行訓(xùn)練學(xué)習(xí)，將平均精度均值（mAp）、召回率（Recall）、檢測(cè)速度三個(gè)角度作為評(píng)價(jià)標(biāo)準(zhǔn)，具體的公式如下：

實(shí)驗(yàn)表明，在訓(xùn)練100次迭代后，平均精度mAP達(dá)到91.18%，召回率recall為89.38%，檢測(cè)時(shí)間為31ms，如圖5所示，可以快速準(zhǔn)確的識(shí)別葉輪表面缺陷，為水輪機(jī)檢修維護(hù)提供一種新的思路。

圖5 檢測(cè)平均精度

使用基于CenterNet的目標(biāo)檢測(cè)模型，可代替依靠傳統(tǒng)大型檢測(cè)設(shè)備，輔助驗(yàn)證結(jié)果的準(zhǔn)確率滿足了實(shí)時(shí)性和準(zhǔn)確性的要求。但實(shí)際檢修過程中，相關(guān)的行業(yè)要求較為復(fù)雜，安全標(biāo)準(zhǔn)門檻更高，仍需要采集更多的其他數(shù)據(jù)對(duì)結(jié)果進(jìn)行側(cè)面驗(yàn)證，從而更加符合檢修實(shí)際需求。