一種葉輪缺陷的圖像檢測方法

安徽理工大學電氣與信息工程學院 丁 梟 程龍君

隨著我國能源結構轉型的持續推進，水電迎來新發展，裝機容量不斷提升的情況下，各水電站檢修壓力也逐步增大。目前葉輪檢測技術僅應用于葉輪出廠前，與水電站停機檢修過程中。本文提出一種基于CenterNet網絡模型的葉輪缺陷檢測算法，可以高效地對葉輪缺陷進行檢測與定位。使用該種方法可以快速的識別出葉輪表面的缺陷與位置，提高檢修人員工作效率，節約大量時間成本。

水輪機的葉片制造工藝復雜，根據水力特征設計成三維的扭曲曲面體，葉片的工作狀態會直接影響到整個機組的穩定性、發電效率及安全性。俄羅斯薩揚水電站的重大事故給人類敲響了警鐘，由于水電機組體量龐大，在檢修過程中，如何快速準確的對其進行全面的檢測一直是行業內的一個難題。

1 研究背景

積極響應國家“碳達峰，碳中和”政策，水電迎來新發展，裝機容量不斷提升的情況下，各水電站檢修壓力也逐步增大，水輪機葉輪出現汽蝕、裂紋不僅會嚴重影響機組的安全穩定運行，還會給水電站帶來巨大的經濟損失。如何快速精確地檢測到葉輪缺陷備受生產工作人員的關注。

葉輪在運行過程中主要的缺陷主要分兩種，一種為水力應力和材料疲勞砸盤城的裂紋，第二種為空蝕現象造成的蜂窩狀的表面汽蝕。建立快速有效的缺陷檢測系統對水電站的安全穩定運行顯得尤為重要。在機組運行過程中目前主要采用：①設備外噪聲法；②振動；③超聲波法；④流量與揚程關系來判斷是否發生汽蝕。在檢修過程中，主要采用：①立體樣板法；②激光干涉儀法；③三坐標測量機法等，隨著近年來工業機器人技術的快速發展，深度學習目標檢測的使用已在各個行業體現出它的優越性，因此使用目標檢測算法對葉輪表面缺陷的識別定位也是一種未來發展的趨勢。

2 CenterNet檢測算法介紹

目前常見的目標檢測算法通常是使用大量的先驗框，對先驗框進行調整獲得網絡的預測框。CenterNet算法是一種Anchor－Free類型的檢測算法，構建模型時，講圖片劃分成一個一個點，預測結果即目標的中心點。

這種檢測方法首先使用主干網絡提取出圖片特征，然后根據分支卷積網絡預測heatmap，關鍵點估計找到目標的寬、高和中心點，而后回歸到其他目標屬性。Centernet用到的主干特征網絡有多種，一般是以Hourglass Network、DLANet或者ResNet為主干特征提取網絡，ResNet-50網絡結構如下圖所示，如圖1所示。

圖1 Conv Block網絡結構

Identity Block輸入維度和輸出維度相同，可以串聯，是用于加深網絡結構的，如圖2所示。

圖2 Identity Block網絡結構

當輸入圖片是512×512×3，經過主干特征提取網絡，我們可以獲取一個初步特征層，shape為16×16×2048，CenterNet利用三次反卷積進行上采樣，最終獲得一個有效特征層shape為128×128×64。

預測結果計算loss，分為三個部分：heatmap的loss、中心點loss和寬高的loss。熱力圖的loss采用focal loss的思想進行運算，公式如下：

CenterNet只通過全卷積的方法就可以對目標進行檢測與分類，網絡結構極簡的同時精度也很高。

3 實驗方法

3.1 數據集準備

從某抽水蓄能電站采集的混流式水輪機葉輪圖像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 數據集部分圖片示例

3.2 樣本擴容

由于缺陷樣本數量有限，為了使檢測結果具有更好的泛化性能，對采集到的圖像數據進行如下操作以達到擴容的目的：隨機角度旋轉、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。通過對樣本的擴容，共得到1200張葉輪圖像，使用labelimg完成對目標檢測數據集標簽文件的制作，共分成兩類——汽蝕Cav、裂紋Cra。

圖4 樣本處理示例

3.3 CenterNet參數設置

本文使用CenterNet中的ResNet－50主干提取網絡進行葉輪缺陷的檢測訓練，隨機抽取840張圖片作為訓練集，余下的為測試集。訓練樣本均采用512×512分辨率，輸出為128×128分辨率。訓練時，設置最大訓練次數100，batch size由15降低到12。由于只減小batchsize訓練的效果不好，loss不是最優的，為了防止網絡過擬合，分別在30次和60次時調整學習率，同時在訓練過程中，通過比較loss值大小，對比獲取最好的參數模型。

3.4 實驗環境

本文使用tensorflow2.0深度學習框架搭建CenterNet網絡，硬件配置：顯卡GTX 1070，CPU為Intel i7-4770，內存256G，操作系統為win10，開發環境為Python3．83、CONDA以及一些必要的依賴庫等。

4 實驗結果

本文方法使用CenterNet網絡對樣本進行訓練學習，將平均精度均值（mAp）、召回率（Recall）、檢測速度三個角度作為評價標準，具體的公式如下：

實驗表明，在訓練100次迭代后，平均精度mAP達到91.18%，召回率recall為89.38%，檢測時間為31ms，如圖5所示，可以快速準確的識別葉輪表面缺陷，為水輪機檢修維護提供一種新的思路。

圖5 檢測平均精度

使用基于CenterNet的目標檢測模型，可代替依靠傳統大型檢測設備，輔助驗證結果的準確率滿足了實時性和準確性的要求。但實際檢修過程中，相關的行業要求較為復雜，安全標準門檻更高，仍需要采集更多的其他數據對結果進行側面驗證，從而更加符合檢修實際需求。