李 濤 劉 成 田 塘 胡桂川 侯文賽 蒲小霞

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

水輪機轉(zhuǎn)輪的質(zhì)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(yīng)力、水流的非線性脈動力以及泥沙磨蝕的影響，水輪機轉(zhuǎn)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(zhuǎn)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(jīng)網(wǎng)絡(luò)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(wǎng)絡(luò)的磁片缺陷圖像分割算法，實驗證明該方法能夠準(zhǔn)確區(qū)分各類缺陷[5]。封雨鑫等人利用卷積神經(jīng)網(wǎng)絡(luò)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(jīng)網(wǎng)絡(luò)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(jié)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(zhuǎn)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(xué)習(xí)相結(jié)合，提出了基于語義分割算法的水輪機轉(zhuǎn)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(wǎng)絡(luò)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(wǎng)絡(luò)模型

語義分割是指用特定的表示內(nèi)容對圖片中的每個圖像進行標(biāo)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(lǐng)域都得到了廣泛的應(yīng)用。

1.1 MobileNet

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

相比傳統(tǒng)標(biāo)準(zhǔn)卷積網(wǎng)絡(luò)，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(wǎng)格；然后，每個網(wǎng)格內(nèi)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(wǎng)絡(luò)模型主要包括以下3點：

(1) 采用ResNet架構(gòu)并引入空洞卷積，通過卷積神經(jīng)網(wǎng)絡(luò)(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(wǎng)絡(luò)模型的學(xué)習(xí)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(gòu)建與優(yōu)化

2.1 主干特征提取網(wǎng)絡(luò)的優(yōu)化

為了減少網(wǎng)絡(luò)模型的參數(shù)量和運算量，選擇MobineNetV2[10]作為主干提取網(wǎng)絡(luò)，并且只選用MobileNetV2的前8層結(jié)構(gòu)，MobileNetV2各層結(jié)構(gòu)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(fù)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(jié)構(gòu)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(wǎng)絡(luò)，可以使網(wǎng)絡(luò)模型的參數(shù)量大幅度降低。

2.2 加強特征提取網(wǎng)絡(luò)的優(yōu)化

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

(1) 當(dāng)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(wǎng)絡(luò)參數(shù)量。

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

2.3 損失函數(shù)的優(yōu)化

由于水輪機轉(zhuǎn)輪葉片表面缺陷圖像存在背景占比大、目標(biāo)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(dāng)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(biāo)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(jié)果分析

3.1 實驗數(shù)據(jù)集

水輪機尺寸較大、結(jié)構(gòu)復(fù)雜，轉(zhuǎn)輪葉片為具有不同曲率的復(fù)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(wǎng)絡(luò)的魯棒性，通過數(shù)據(jù)擴充來增加水輪機轉(zhuǎn)輪葉片缺陷圖片的數(shù)據(jù)集。缺陷檢測目標(biāo)主要為氣蝕、裂紋等，轉(zhuǎn)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(zhuǎn)輪葉片缺陷圖

3.2 實驗結(jié)果評判標(biāo)準(zhǔn)

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(zhǔn)確率(RmPA)作為評判標(biāo)準(zhǔn)。平均交并比為預(yù)測結(jié)果和真實值的交集與并集的比值求和再平均的結(jié)果，用于判斷預(yù)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(biāo)被預(yù)測為i類的數(shù)量；pij表示為第i類目標(biāo)被預(yù)測為j類的數(shù)量；pji表示第j類目標(biāo)被預(yù)測為i類的數(shù)量；CPA表示像素準(zhǔn)確率。

3.3 實驗結(jié)果分析

不同網(wǎng)絡(luò)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(wǎng)絡(luò)，與PSPNet模型相比，PSPNetM模型的參數(shù)量大幅度降低，但其檢測準(zhǔn)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(jié)果證明，利用本次設(shè)計的模型進行檢測，不僅可以大幅度縮減網(wǎng)絡(luò)的參數(shù)量，同時可以提升檢測的準(zhǔn)確率。

表3 不同網(wǎng)絡(luò)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(zhuǎn)輪葉片裂紋缺陷和氣蝕缺陷進行識別，轉(zhuǎn)輪葉片缺陷檢測結(jié)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(zhǔn)確地對其缺陷進行識別。

圖3 水輪機轉(zhuǎn)輪葉片缺陷檢測結(jié)果

分別采用UNet、PSPNet、PSPNetM+對PASCAL VOC 2012數(shù)據(jù)集進行模擬，實驗結(jié)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(wǎng)絡(luò)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(jié)果表明，改進的PSPNetM+模型具有網(wǎng)絡(luò)參數(shù)少、計算成本少和存儲小等優(yōu)點，經(jīng)PASCAL VOC 2012數(shù)據(jù)集的檢驗，PSPNetM+模型的魯棒性和準(zhǔn)確性都有較大程度的提高。

表4 各模型實驗結(jié)果評估

4 結(jié) 語

針對水力發(fā)電機組水輪機轉(zhuǎn)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(xué)習(xí)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(wǎng)絡(luò)MobileNet替換原有的Resnet50，將不同層次的網(wǎng)絡(luò)層通過特征融合，并保留低層次網(wǎng)絡(luò)的特征，以減少網(wǎng)絡(luò)的參數(shù)量，降低網(wǎng)絡(luò)的運算量。實驗結(jié)果表明，PSPNetM+模型提高了水輪機轉(zhuǎn)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。