一种叶轮缺陷的图像检测方法

安徽理工大学电气与信息工程学院 丁 枭 程龙君

随着我国能源结构转型的持续推进，水电迎来新发展，装机容量不断提升的情况下，各水电站检修压力也逐步增大。目前叶轮检测技术仅应用于叶轮出厂前，与水电站停机检修过程中。本文提出一种基于CenterNet网络模型的叶轮缺陷检测算法，可以高效地对叶轮缺陷进行检测与定位。使用该种方法可以快速的识别出叶轮表面的缺陷与位置，提高检修人员工作效率，节约大量时间成本。

水轮机的叶片制造工艺复杂，根据水力特征设计成三维的扭曲曲面体，叶片的工作状态会直接影响到整个机组的稳定性、发电效率及安全性。俄罗斯萨扬水电站的重大事故给人类敲响了警钟，由于水电机组体量庞大，在检修过程中，如何快速准确的对其进行全面的检测一直是行业内的一个难题。

1 研究背景

积极响应国家“碳达峰，碳中和”政策，水电迎来新发展，装机容量不断提升的情况下，各水电站检修压力也逐步增大，水轮机叶轮出现汽蚀、裂纹不仅会严重影响机组的安全稳定运行，还会给水电站带来巨大的经济损失。如何快速精确地检测到叶轮缺陷备受生产工作人员的关注。

叶轮在运行过程中主要的缺陷主要分两种，一种为水力应力和材料疲劳砸盘城的裂纹，第二种为空蚀现象造成的蜂窝状的表面汽蚀。建立快速有效的缺陷检测系统对水电站的安全稳定运行显得尤为重要。在机组运行过程中目前主要采用：①设备外噪声法；②振动；③超声波法；④流量与扬程关系来判断是否发生汽蚀。在检修过程中，主要采用：①立体样板法；②激光干涉仪法；③三坐标测量机法等，随着近年来工业机器人技术的快速发展，深度学习目标检测的使用已在各个行业体现出它的优越性，因此使用目标检测算法对叶轮表面缺陷的识别定位也是一种未来发展的趋势。

2 CenterNet检测算法介绍

目前常见的目标检测算法通常是使用大量的先验框，对先验框进行调整获得网络的预测框。CenterNet算法是一种Anchor－Free类型的检测算法，构建模型时，讲图片划分成一个一个点，预测结果即目标的中心点。

这种检测方法首先使用主干网络提取出图片特征，然后根据分支卷积网络预测heatmap，关键点估计找到目标的宽、高和中心点，而后回归到其他目标属性。Centernet用到的主干特征网络有多种，一般是以Hourglass Network、DLANet或者ResNet为主干特征提取网络，ResNet-50网络结构如下图所示，如图1所示。

图1 Conv Block网络结构

Identity Block输入维度和输出维度相同，可以串联，是用于加深网络结构的，如图2所示。

图2 Identity Block网络结构

当输入图片是512×512×3，经过主干特征提取网络，我们可以获取一个初步特征层，shape为16×16×2048，CenterNet利用三次反卷积进行上采样，最终获得一个有效特征层shape为128×128×64。

预测结果计算loss，分为三个部分：heatmap的loss、中心点loss和宽高的loss。热力图的loss采用focal loss的思想进行运算，公式如下：

CenterNet只通过全卷积的方法就可以对目标进行检测与分类，网络结构极简的同时精度也很高。

3 实验方法

3.1 数据集准备

从某抽水蓄能电站采集的混流式水轮机叶轮图像603张，如图所示，将这些图片分成两类，汽蚀和裂纹，如图3所示。

图3 数据集部分图片示例

3.2 样本扩容

由于缺陷样本数量有限，为了使检测结果具有更好的泛化性能，对采集到的图像数据进行如下操作以达到扩容的目的：随机角度旋转、横向压缩、比例缩放、模糊处理等，图像分辨率为512×512，如图4所示。通过对样本的扩容，共得到1200张叶轮图像，使用labelimg完成对目标检测数据集标签文件的制作，共分成两类——汽蚀Cav、裂纹Cra。

图4 样本处理示例

3.3 CenterNet参数设置

本文使用CenterNet中的ResNet－50主干提取网络进行叶轮缺陷的检测训练，随机抽取840张图片作为训练集，余下的为测试集。训练样本均采用512×512分辨率，输出为128×128分辨率。训练时，设置最大训练次数100，batch size由15降低到12。由于只减小batchsize训练的效果不好，loss不是最优的，为了防止网络过拟合，分别在30次和60次时调整学习率，同时在训练过程中，通过比较loss值大小，对比获取最好的参数模型。

3.4 实验环境

本文使用tensorflow2.0深度学习框架搭建CenterNet网络，硬件配置：显卡GTX 1070，CPU为Intel i7-4770，内存256G，操作系统为win10，开发环境为Python3．83、CONDA以及一些必要的依赖库等。

4 实验结果

本文方法使用CenterNet网络对样本进行训练学习，将平均精度均值（mAp）、召回率（Recall）、检测速度三个角度作为评价标准，具体的公式如下：

实验表明，在训练100次迭代后，平均精度mAP达到91.18%，召回率recall为89.38%，检测时间为31ms，如图5所示，可以快速准确的识别叶轮表面缺陷，为水轮机检修维护提供一种新的思路。

图5 检测平均精度

使用基于CenterNet的目标检测模型，可代替依靠传统大型检测设备，辅助验证结果的准确率满足了实时性和准确性的要求。但实际检修过程中，相关的行业要求较为复杂，安全标准门槛更高，仍需要采集更多的其他数据对结果进行侧面验证，从而更加符合检修实际需求。