李 濤 劉 成 田 塘 胡桂川 侯文賽 蒲小霞

(1. 重慶科技學院 機械與動力工程學院， 重慶 401331；2. 重慶科技學院 安全工程學院， 重慶 401331；)

水輪機轉輪的質量直接影響水電機組的水力性能和運行的可靠性[1]，受焊接應力、水流的非線性脈動力以及泥沙磨蝕的影響，水輪機轉輪葉片的工作面常出現(xiàn)裂紋、腐蝕、氣蝕等缺陷[2]。為了保證水電機組安全穩(wěn)定的運行，必須定期對水輪機轉輪葉片進行停機檢修。傳統(tǒng)缺陷檢測方法主要用人眼識別，人工成本高、檢測效率低。

Mirapeix等人利用PCA方法對焊接過程中獲取的等離子體光譜圖像進行處理，通過壓縮光譜維度來降低數(shù)據(jù)的運算量[3]。Yin等人利用深度神經網絡模型對排污管道的缺陷進行了檢測[4]。丁勇等人提出了一種改進U-Net網絡的磁片缺陷圖像分割算法，實驗證明該方法能夠準確區(qū)分各類缺陷[5]。封雨鑫等人利用卷積神經網絡模型對工業(yè)鋼板表面焊縫缺陷進行了檢測[6]。Erik等人利用基于 ML的卷積神經網絡對零件缺陷進行了檢測，并采用來自 ImageNet的數(shù)據(jù)集對檢測模型進行驗證，結果表明，該方法可以對零件的缺陷進行檢測分類[7]。

為提高水輪機轉輪葉片缺陷檢測效率，本次研究將水輪機的缺陷檢測與深度學習相結合，提出了基于語義分割算法的水輪機轉輪葉片表面缺陷檢測方法，并對模型PSPNet進行了改進，減少了模型的網絡參數(shù)，實現(xiàn)了模型的輕量化和檢測的實時性。

1 語義分割網絡模型

語義分割是指用特定的表示內容對圖片中的每個圖像進行標記，在此過程中只區(qū)分圖像的像素類別，并不會分離2個同類別的個體，語義分割算法在自動駕駛、醫(yī)療圖像診斷等領域都得到了廣泛的應用。

1.1 MobileNet

MobileNet[8]的優(yōu)點是通過犧牲小代價準確率的方式來大幅度降低網絡的參數(shù)量，以減少存儲，提高檢測的速度。

相比傳統(tǒng)標準卷積網絡，MobileNet最大的優(yōu)勢在于增加了深度可分離卷積(depthwise separable convolution)。深度可分離卷積由深度卷積和逐點卷積等2部分組成(見圖1)，每個卷積核channel為1，逐點卷積以1x1的卷積形式對單點的特征進行提取。

圖1 深度可分離卷積

1.2 PSPNet

PSPNet(pyramid scene parseing network)模型[9]的核心是金字塔池化模塊(PPM)，PPM能夠獲取全局信息。PSPNet首先將特征層劃分為大小不同的網格；然后，每個網格內部各自進行特定劃分的平均池化；最后，PSPNet融合平均池化后的不同特征層。以PSPNet作為缺陷檢測的主要網絡模型主要包括以下3點：

(1) 采用ResNet架構并引入空洞卷積，通過卷積神經網絡(CNN)獲取特征圖，然后進入金字塔池化模塊。

(2) 在ResNet的中間層加入輔助損失，用于優(yōu)化網絡模型的學習效果。

(3) 在修改后的ResNet頂部加入空間金字塔池化層。

2 PSPNetM+模型的構建與優(yōu)化

2.1 主干特征提取網絡的優(yōu)化

為了減少網絡模型的參數(shù)量和運算量，選擇MobineNetV2[10]作為主干提取網絡，并且只選用MobileNetV2的前8層結構，MobileNetV2各層結構參數(shù)如表1所示。T為單元的擴張系數(shù)，c為通道數(shù)量，n為單元重復數(shù)，s為bottleneck單元的第一個單元步長。ResNet50、MobileNetV2參數(shù)對比如表2所示。

表1 MobileNetV2各層結構參數(shù)

表2 ResNet50、MobileNetV2參數(shù)對比

在輸入圖像尺寸相同的情況下，MobileNetV2的參數(shù)量僅為是ResNet50的1/20，因此，以MobineNet作為主干提取網絡，可以使網絡模型的參數(shù)量大幅度降低。

2.2 加強特征提取網絡的優(yōu)化

在深度卷積神經網絡中，層數(shù)越高，提取的特征和語義信息越豐富，而淺層網絡具有更細節(jié)的空間位置。在PSPNet中，網絡層越深，小目標的特征信息越容易丟失，為了提高網絡的準確率，保留淺層的特征信息，對加強特征提取的網絡作出改進：

(1) 當特征圖輸出尺寸為(15,15,320)、(30,30,96)、(60,60,32)時，通過平均池化、堆疊、上采樣層、空洞卷積等操作對其進行特征融合。

(2) 在特征圖融合之前降低通道數(shù)，以降低網絡參數(shù)量。

通過對特征網絡提取的改進，可在保證檢測準確度的同時降低網絡模型的參數(shù)量。

2.3 損失函數(shù)的優(yōu)化

由于水輪機轉輪葉片表面缺陷圖像存在背景占比大、目標物占比小的問題，故選用Cross-Entropy loss和Dice loss作為損失函數(shù)。其中，Cross-Entropy Loss主要用于當語義分割平臺利用Softmax對像素點進行分類時。Dice loss將語義分割的評價指標作為損失，Dice系數(shù)是用來表示集合相似度度量的函數(shù)，通常用于計算2個樣本的相似度，取值范圍為[0,1]，計算公式如式(1)所示：

(1)

式中：|X∩Y|表示集合X與集合Y的交集個數(shù)，|X|、|Y|為元素的個數(shù)。

3 實驗及結果分析

3.1 實驗數(shù)據(jù)集

水輪機尺寸較大、結構復雜，轉輪葉片為具有不同曲率的復雜斜面，且葉片之間空間狹窄、光線昏暗，水輪機葉片缺陷圖片難以采集，樣本數(shù)據(jù)十分有限，為了提高網絡的魯棒性，通過數(shù)據(jù)擴充來增加水輪機轉輪葉片缺陷圖片的數(shù)據(jù)集。缺陷檢測目標主要為氣蝕、裂紋等，轉輪葉片缺陷圖如圖2所示。數(shù)據(jù)集中水輪機葉片氣蝕和裂紋缺陷樣本圖各 1 000張，其中，每類缺陷中，80%樣本圖作為驗證集，20%樣本圖作為測試集。

圖2 水輪機轉輪葉片缺陷圖

3.2 實驗結果評判標準

在缺陷檢測過程中，選用平均交并比(ImIOU)和所有平均像素的準確率(RmPA)作為評判標準。平均交并比為預測結果和真實值的交集與并集的比值求和再平均的結果，用于判斷預測值與真實值的重疊程度。平均像素比用來評判語義分割模型的效果，ImIOU與RmPA的計算公式如式(2)、式(3)：

(2)

(3)

式中：k表示為像素類別數(shù)目；pii表示為第i類目標被預測為i類的數(shù)量；pij表示為第i類目標被預測為j類的數(shù)量；pji表示第j類目標被預測為i類的數(shù)量；CPA表示像素準確率。

3.3 實驗結果分析

不同網絡模型優(yōu)化迭代2 000次的檢測效果如表3所示。PSPNetM模型以MobineNetV2為主干提取網絡，與PSPNet模型相比，PSPNetM模型的參數(shù)量大幅度降低，但其檢測準確率也有所降低。與PSPNet模型相比，PSPNetM+模型的參數(shù)量降低了163.39 MiB，平均精度提高了5.51%，平均交并比提高了5.59%。實驗結果證明，利用本次設計的模型進行檢測，不僅可以大幅度縮減網絡的參數(shù)量，同時可以提升檢測的準確率。

表3 不同網絡模型優(yōu)化迭代2 000次的檢測效果

利用PSPNetM+模型對水輪機轉輪葉片裂紋缺陷和氣蝕缺陷進行識別，轉輪葉片缺陷檢測結果如圖3所示。PSPNetM+模型可對圖片邊緣特征和細節(jié)部分進行處理，并可準確地對其缺陷進行識別。

圖3 水輪機轉輪葉片缺陷檢測結果

分別采用UNet、PSPNet、PSPNetM+對PASCAL VOC 2012數(shù)據(jù)集進行模擬，實驗結果如表4所示。與PSPNet相比，PSPNetM+模型的平均精度提高了3.22%，平均交并比提高了2.84%。這是由于加強特征提取網絡進行了多尺度特征融合，將不同層次的語義信息進行了融合，加強了深層次與淺層次的特征提取能力。PSPNetM+模型單秒處理圖片的數(shù)量達到了41。實驗結果表明，改進的PSPNetM+模型具有網絡參數(shù)少、計算成本少和存儲小等優(yōu)點，經PASCAL VOC 2012數(shù)據(jù)集的檢驗，PSPNetM+模型的魯棒性和準確性都有較大程度的提高。

表4 各模型實驗結果評估

4 結 語

針對水力發(fā)電機組水輪機轉輪葉片缺陷檢測速度慢、精度低等問題，本次研究利用深度學習算法對缺陷圖像進行自動識別分類，提出了基于語義分割的PSPNetM+模型的缺陷檢測方法。本方法卷積網絡MobileNet替換原有的Resnet50，將不同層次的網絡層通過特征融合，并保留低層次網絡的特征，以減少網絡的參數(shù)量，降低網絡的運算量。實驗結果表明，PSPNetM+模型提高了水輪機轉輪葉片缺陷檢測的效率和精度，大大減少了人工成本，縮短了檢測周期。