聶晉峰，金緒良，殷愛鳴，張 麗，張 毅，陸相羽

(1.中國大唐集團(tuán)科學(xué)技術(shù)研究總院有限公司 華北電力試驗(yàn)研究院，北京 100040；2.武漢科思特儀器股份有限公司，湖北 武漢 430074；3.華中科技大學(xué) 電子信息與通信學(xué)院，湖北 武漢 430074)

0 引言

海上升壓站各部件在出廠前均覆有防腐涂層以防止鋼結(jié)構(gòu)被腐蝕,從而延長(zhǎng)升壓站結(jié)構(gòu)部件的使用壽命。由于海浪侵蝕等因素的影響,升壓站的各部件防腐涂層會(huì)產(chǎn)生腐蝕、剝落等問題,極大降低了防腐涂層的保護(hù)作用,從而影響鋼結(jié)構(gòu)設(shè)備的強(qiáng)度,對(duì)安全生產(chǎn)帶來隱患甚至是災(zāi)害。因此涂層鋼結(jié)構(gòu)缺陷的及時(shí)準(zhǔn)確檢測(cè)對(duì)于升壓站的安全至關(guān)重要。海上升壓站基礎(chǔ)塔筒一般位于浪花飛濺區(qū)或海水潮差區(qū),采用人工檢測(cè)的方式判斷涂層表面是否出現(xiàn)異常,人力成本較高,同時(shí)存在很大的安全風(fēng)險(xiǎn)。圖像處理技術(shù)和目標(biāo)檢測(cè)技術(shù)的快速發(fā)展,使得它們?cè)诤芏囝I(lǐng)域都得到了廣泛應(yīng)用,包括遙感影像目標(biāo)檢測(cè)[1]等。在缺陷檢測(cè)領(lǐng)域中,圖像處理技術(shù)和目標(biāo)檢測(cè)技術(shù)也發(fā)揮了重要作用[2],為智能巡檢帶來了新型有效的手段。相較于傳統(tǒng)人工巡檢,智能巡檢具有成本低、操控方便等顯著優(yōu)勢(shì),且不受限于地形狀況,可以到達(dá)人徒步無法抵達(dá)的區(qū)域。

針對(duì)海上升壓站涂層缺陷檢測(cè)問題,本文首先構(gòu)建了一個(gè)缺陷數(shù)據(jù)集;其次設(shè)計(jì)了一種基于Faster-RCNN的缺陷檢測(cè)算法,針對(duì)Faster-RCNN對(duì)升壓站涂層缺陷檢測(cè)的不足,對(duì)其進(jìn)行了改進(jìn);再次,提出了一種涂層缺陷評(píng)估方法,實(shí)現(xiàn)了缺陷程度的自動(dòng)化評(píng)估,提高了缺陷風(fēng)險(xiǎn)管控能力;最后,在構(gòu)建的數(shù)據(jù)集上,驗(yàn)證了缺陷檢測(cè)方法和缺陷評(píng)估方法的有效性。

1 缺陷檢測(cè)網(wǎng)絡(luò)設(shè)計(jì)

根據(jù)檢測(cè)思路的不同,檢測(cè)框架主要包括2種:一種是基于回歸的檢測(cè)框架,這種檢測(cè)框架也稱為單步法;另一種是基于候選窗口的目標(biāo)檢測(cè)框架,也稱為兩步法。

相較于兩步法,單步法不需要提取候選框,將目標(biāo)檢測(cè)看成是回歸問題,將分類和定位一起完成,典型方法包括YOLO[3]和SSD[4]等。單步法具有檢測(cè)速度快的特點(diǎn),簡(jiǎn)單網(wǎng)絡(luò)目標(biāo)檢測(cè)速率可達(dá)50幀/秒左右,但在檢測(cè)精度方面,單步法的性能不如兩步法高。兩步法的典型方法包括Faster-RCNN[5]、Mask-RCNN[6]等,這類檢測(cè)方法精度較高,但其檢測(cè)速度可能不滿足實(shí)時(shí)任務(wù)的要求。海上升壓站涂層缺陷檢測(cè)的研究目標(biāo)是涂層表面缺陷檢測(cè)與識(shí)別,涂層缺陷一般不會(huì)突然出現(xiàn),缺陷嚴(yán)重程度也不會(huì)突然發(fā)生變化,因此缺陷檢測(cè)的精度比缺陷檢測(cè)的速度更為重要。因此,本文采用基于兩步法目標(biāo)檢測(cè)框架Faster-RCNN,以在滿足準(zhǔn)實(shí)時(shí)要求的情況下,最大程度地提高缺陷檢測(cè)精度,滿足實(shí)際應(yīng)用需求。

本文設(shè)計(jì)的基于Faster-RCNN的海上升壓站涂層缺陷檢測(cè)網(wǎng)絡(luò)如圖1所示。

圖1 基于Faster-RCNN的涂層缺陷檢測(cè)網(wǎng)絡(luò)Fig.1 Coating defect detection network based on Faster-RCNN

圖1所示的海上升壓站缺陷檢測(cè)網(wǎng)絡(luò)由五部分組成:① 特征提取網(wǎng)絡(luò):主要用來提取圖像的淺層視覺特征和深層語義特征;② 特征融合網(wǎng)絡(luò):對(duì)淺層特征和深層特征進(jìn)行融合,將融合后的多尺度特征送入后面的網(wǎng)絡(luò)中,有助于全面刻畫缺陷特征; ③ 候選區(qū)域推薦網(wǎng)絡(luò):該網(wǎng)絡(luò)能夠?qū)μ卣鲌D進(jìn)行處理,凸顯缺陷所在的潛在區(qū),候選區(qū)域推薦網(wǎng)絡(luò)可以輸出圖像中疑似缺陷區(qū)域,并給出疑似區(qū)的位置和存在缺陷的概率,以便將候選區(qū)域送入到后面的檢測(cè)頭網(wǎng)絡(luò)中進(jìn)行進(jìn)一步的回歸和分類;④ 檢測(cè)頭網(wǎng)絡(luò):對(duì)候選區(qū)是否存在缺陷以及缺陷的類型進(jìn)行判別,并給出更準(zhǔn)確的位置信息;⑤ 目標(biāo)檢測(cè)結(jié)果后處理,利用非極大值抑制(Non-Maximum Suppression,NMS)算法,對(duì)冗余檢測(cè)框進(jìn)行精細(xì)化處理。

針對(duì)海上升壓站涂層缺陷形狀不規(guī)則、尺度變化大和定位難的特點(diǎn),對(duì)Faster-RCNN進(jìn)行了改進(jìn)。首先,針對(duì)特征提取網(wǎng)絡(luò),在原始骨干網(wǎng)絡(luò)Resnet50的基礎(chǔ)上,引入形變卷積[7]增大網(wǎng)絡(luò)對(duì)缺陷特征的提取能力;其次,使用多尺度特征融合對(duì)提取到的特征進(jìn)行融合,有利于提升大面積點(diǎn)蝕缺陷的檢測(cè)能力;再次,使用ROI Align結(jié)構(gòu)[6]替換ROI Pooling[5],以減少候選區(qū)域提取過程中的定位誤差;最后,在后續(xù)處理部分,改進(jìn)Faster-RCNN原有的NMS算法,使用DIoU[8]替換IoU,進(jìn)一步提高缺陷的定位精度。

1.1 基于形變卷積的特征提取網(wǎng)絡(luò)

缺陷具有形狀多變且不規(guī)則的特點(diǎn),使用3×3的普通卷積在采樣的過程中會(huì)引入很多缺陷的背景,難以提取到缺陷的特征,因此采用形變卷積替換Faster-RCNN骨干網(wǎng)絡(luò)Resnet50中3×3的普通卷積。形變卷積使用了數(shù)據(jù)驅(qū)動(dòng)的方式,自主選擇卷積過程中的采樣位置,以動(dòng)態(tài)改變卷積過程中的感受野。對(duì)于一個(gè)標(biāo)準(zhǔn)卷積運(yùn)算,其采樣位置可以采用網(wǎng)格R來表示,如對(duì)一個(gè)標(biāo)準(zhǔn)的3×3卷積,可以表示為R={(-1,-1),(-1,0),…,(1,1)},如圖2(a)所示。輸入特征Fin,對(duì)于輸出Fout中位置po的值,卷積的計(jì)算過程如下:

(1)

式中:K表示卷積核,pn表示R中定義的所有位置。形變卷積在標(biāo)準(zhǔn)卷積的基礎(chǔ)上增加了一個(gè)可以描述采樣位置偏移量{Δpn|n=1,2,…,N},其中N=|R|,如圖2(b)所示。形變卷積的計(jì)算過程可以表示為:

(2)

(a)普通卷積

(b)形變卷積

1.2 基于空洞卷積的多尺度特征融合

在對(duì)如圖3所示的大面積點(diǎn)蝕進(jìn)行檢測(cè)時(shí),往往因?yàn)楦g點(diǎn)比較分散且腐蝕面積比較大而不能檢測(cè)出完整的缺陷區(qū)域。

圖3 腐蝕檢測(cè)結(jié)果Fig.3 Corrosion detection results

通過對(duì)Faster-RCNN的網(wǎng)絡(luò)結(jié)構(gòu)分析可知,骨干網(wǎng)絡(luò)Resnet50通過池化操作進(jìn)行下采樣操作,可以使網(wǎng)絡(luò)層從上到下逐層獲得更大的感受野,獲得更多的全局信息和語義信息。但是多次使用池化操作減小圖像尺寸后,一方面會(huì)使原圖像的位置信息丟失,定位精度會(huì)受到影響,并會(huì)造成弱小點(diǎn)狀腐蝕的丟失。除此之外,在缺陷檢測(cè)中,需要對(duì)全局有很好的感知才能實(shí)現(xiàn)對(duì)缺陷進(jìn)行良好的定位。

因此在Faster-RCNN的基礎(chǔ)上,提出了一個(gè)特征融合網(wǎng)絡(luò)FPN-MDM,其結(jié)構(gòu)如圖1所示。首先為了避免信息丟失嚴(yán)重的情況,通過自頂向下的融合路徑,將提取到的深層特征與淺層網(wǎng)絡(luò)提取到的紋理和顏色等淺層特征相融合。在融合策略方面,針對(duì)感受野不足的問題,提出多尺度空洞卷積模塊MDM,以達(dá)到在不增加全部參數(shù)的條件下,擴(kuò)大神經(jīng)元的感知范圍的目的。多尺度空洞卷積模塊MDM由不同空洞率的空洞卷積[9]構(gòu)成,如圖4所示。

圖4 MDM網(wǎng)絡(luò)結(jié)構(gòu)Fig.4 MDM network structure

所謂空洞卷積就是在相應(yīng)的卷積中不斷填入0,這樣既不會(huì)改變相應(yīng)的計(jì)算量,也不會(huì)改變卷積網(wǎng)絡(luò)的大小,但可以不斷增加感受的視野,不僅可以提高信息提取的精準(zhǔn)性,還可以加快信息提取的速度?？斩绰手赶噜従矸e中插入0的個(gè)數(shù)。普通卷積和空洞卷積如圖5所示。

(a)普通卷積

(b)空洞卷積

MDM模塊首先經(jīng)過1×1普通卷積進(jìn)行特征融合,然后融合后的特征經(jīng)過不同空洞率的3×3的空洞卷積對(duì)特征進(jìn)行融合。在MDM中,隨著模塊深度的增加,空洞率增大,空洞率越大,感受野越大。將空洞率按照文獻(xiàn)[10]分別設(shè)置為1、2、4、8和16。接下來,使用Concat的方法將不同空洞率得到的特征拼接在一起,隨后,使用1×1普通卷積進(jìn)行特征降維,調(diào)整特征輸出通道數(shù)與輸入通道數(shù)一致。

1.3 候選區(qū)域推薦網(wǎng)絡(luò)

Faster-RCNN的方法采用候選區(qū)生成網(wǎng)絡(luò)(Region Proposal Network,RPN)搜索缺陷潛在區(qū)。經(jīng)過RPN網(wǎng)絡(luò)處理后,會(huì)產(chǎn)生一系列候選框,由于不同的缺陷候選框大小不一,因此用于缺陷識(shí)別的特征圖大小也不相同,給后續(xù)的缺陷分類器設(shè)計(jì)帶來一定困擾。在傳統(tǒng)的Faster-RCNN中,使用ROI Pooling固定特征圖,但ROI Pooling的2次量化操作會(huì)造成檢測(cè)框的定位誤差,因此采用ROI Align來固定特征圖的大小。ROI Align采用雙線性插值的方法,利用特征圖上距離采樣點(diǎn)最近的4個(gè)像素得到像素值,通常這些采樣點(diǎn)的坐標(biāo)為浮點(diǎn)數(shù),而使用插值的方式獲得其像素值能夠避免2次量化帶來的誤差。

1.4 候選框篩選處理

Faster-RCNN中常使用NMS算法來移除一些網(wǎng)絡(luò)模型預(yù)測(cè)時(shí)生成的多余檢測(cè)框,該算法的核心思想是指搜索局部得分最大值預(yù)測(cè)框并移除與局部得分最大值預(yù)測(cè)框重疊度超過一定閾值的檢測(cè)框。需要注意的是,NMS算法是對(duì)所有待檢測(cè)目標(biāo)類別分別執(zhí)行的。

NMS算法的計(jì)算式為:

(3)

式中:M為當(dāng)前得分最高框,bi為待處理框,si為待處理框?qū)?yīng)類別得分值,Nt為IOU閾值。

NMS算法的具體執(zhí)行步驟如下:

① 獲取當(dāng)前所有目標(biāo)類別中的某一類別標(biāo)簽對(duì)應(yīng)的所有檢測(cè)框(Bounding box,Bbox)信息,每個(gè)Bbox信息包括邊界框坐標(biāo)和對(duì)應(yīng)類別置信度。

② 對(duì)所有Bbox按照類別置信度從高到低進(jìn)行排序,并記錄當(dāng)前置信度最高的Bbox序號(hào)。

③ 計(jì)算置信度最高的Bbox與剩下所有Bbox的IOU值,并移除所有大于IOU閾值的Bbox。

④ 對(duì)剩余的Bbox,循環(huán)執(zhí)行步驟②和步驟③,直到所有Bbox都滿足IOU閾值和置信度閾值要求,無需再重復(fù)操作。其他目標(biāo)類別執(zhí)行類似的操作。

NMS的原理是基于目標(biāo)檢測(cè)置信度產(chǎn)生檢測(cè)框,其中置信度最高者會(huì)被選中,與被選中檢測(cè)框有明顯重疊的其他檢測(cè)框?qū)?huì)被抑制。

在NMS過程中,采用DIOU替換IOU,原因是DIOU的計(jì)算考慮到了兩框中心點(diǎn)位置的信息,可獲得更好的NMS效果。基于DIOU的NMS計(jì)算過程如下:

(4)

由于鋼結(jié)構(gòu)表面涂層的同種缺陷之間不存在重疊現(xiàn)象,因此可將式(4)中的閾值Nt設(shè)為一個(gè)較低的數(shù)值,以便能更好地減少冗余框。

2 缺陷程度評(píng)估方法設(shè)計(jì)

缺陷程度的評(píng)估通常通過手工測(cè)量的方式進(jìn)行[11],這種方式既費(fèi)時(shí)又費(fèi)力。隨著深度學(xué)習(xí)的發(fā)展,朱勁松等[12]設(shè)計(jì)了一種基于語義分割的病害評(píng)估方法,但該方法需要制備缺陷的逐像素標(biāo)簽,同樣需要大量人力。因此,本文在缺陷檢測(cè)結(jié)果的基礎(chǔ)上,結(jié)合最大類間方差法(OTSU)[13]對(duì)缺陷區(qū)域進(jìn)行分割,并根據(jù)缺陷分割結(jié)果,設(shè)計(jì)了一種缺陷嚴(yán)重程度評(píng)估方法。

直觀上來看,涂層缺陷的面積大小直接反映了缺陷的嚴(yán)重程度,為此,需要將缺陷區(qū)域從檢測(cè)框中分割開來?？紤]缺陷區(qū)域與非缺陷區(qū)域在圖像的灰度級(jí)上具有良好的可分性,采用OTSU算法對(duì)缺陷檢測(cè)框進(jìn)行缺陷區(qū)域的分割。圖6給出了一個(gè)基于OTSU的缺陷檢測(cè)框內(nèi)缺陷區(qū)域分割的示例。圖6(c)表示缺陷分割結(jié)果,黑色區(qū)域?yàn)槿毕輩^(qū)域。

(a)原圖

(b)檢測(cè)結(jié)果

(c)缺陷分割結(jié)果

缺陷的面積直接反映了缺陷的嚴(yán)重程度,因此可以從絕對(duì)缺陷面積和相對(duì)缺陷面積兩方面來構(gòu)造缺陷嚴(yán)重程度評(píng)價(jià)指標(biāo)。

2.1 絕對(duì)缺陷面積

絕對(duì)缺陷面積指缺陷區(qū)域的面積,即在圖像上占像素點(diǎn)的數(shù)量。對(duì)于剝落和腐蝕缺陷,在涂層表面會(huì)形成較大的塊狀缺陷區(qū)域,對(duì)這些區(qū)域通過圖像分割和二值化處理后,可以獲得缺陷連通域,對(duì)缺陷連通域的像素進(jìn)行統(tǒng)計(jì),作為缺陷面積的估計(jì)值。假設(shè)目標(biāo)框i內(nèi)區(qū)域大小為counti,則圖像中每個(gè)檢測(cè)框的缺陷面積為:

areai=counti。

(5)

2.2 相對(duì)缺陷面積

相對(duì)缺陷面積指缺陷區(qū)域的面積areai占圖片大小的比例,設(shè)目標(biāo)檢測(cè)框大小為M×N,即某一目標(biāo)檢測(cè)框的相對(duì)缺陷面積表示為:

(6)

設(shè)置加權(quán)系數(shù)為0<λ<1,則綜合缺陷程度表示為:

Degree=λ×areai+(1-λ)×rel_areai。

(7)

3 實(shí)驗(yàn)驗(yàn)證與結(jié)果分析

3.1 缺陷數(shù)據(jù)集構(gòu)建

構(gòu)成海上升壓站表面缺陷數(shù)據(jù)庫的數(shù)據(jù)獲取形式包括三方面:類似海上鋼結(jié)構(gòu)表面涂層缺陷圖像數(shù)據(jù)、實(shí)地采集的海上升壓站缺陷圖像數(shù)據(jù)以及通過數(shù)據(jù)增強(qiáng)擴(kuò)增現(xiàn)有樣本。

3.1.1 類似海上升壓站表面涂層缺陷圖像數(shù)據(jù)

考慮到對(duì)于海上升壓站場(chǎng)景實(shí)際采集的困難性,本文采集和海上升壓站相似的陸上鋼架結(jié)構(gòu)涂層缺陷圖像,作為海上升壓站表面涂層缺陷圖像的擴(kuò)充,以增加樣本的多樣性。部分?jǐn)?shù)據(jù)如圖7所示。

(a)腐蝕

(b)剝落

3.1.2 實(shí)地采集的海上升壓站缺陷圖像數(shù)據(jù)

實(shí)地采集的海上升壓站缺陷圖像數(shù)據(jù)通過自主拍攝的方式獲取。此部分?jǐn)?shù)據(jù)作為數(shù)據(jù)集的主要數(shù)據(jù),包括了陰天、晴天等各種情況。部分?jǐn)?shù)據(jù)如圖8所示。

(a)腐蝕

(b)剝落

3.1.3 通過數(shù)據(jù)增強(qiáng)擴(kuò)增現(xiàn)有樣本

考慮不同類別缺陷樣本的數(shù)量可能存在不均衡現(xiàn)象,導(dǎo)致某些類型的缺陷檢測(cè)效果不理想。采取對(duì)已有樣本通過隨機(jī)對(duì)比度增強(qiáng)、旋轉(zhuǎn)、添加噪聲、翻折和隨機(jī)裁剪等方式,實(shí)現(xiàn)訓(xùn)練樣本的擴(kuò)充,擴(kuò)充后的部分?jǐn)?shù)據(jù)如圖9所示。

(a)旋轉(zhuǎn)

(b)對(duì)比度增強(qiáng)

(c)添加噪聲

通過以上三個(gè)方面數(shù)據(jù)集的制備,構(gòu)建的海上升壓站數(shù)據(jù)集共包含5 266張圖像,圖像大小為 512 pixel×512 pixel。

3.2 缺陷檢測(cè)精度分析

將制備的樣本集使用LabelImg標(biāo)注矩形框。按8∶2的比例隨機(jī)挑選數(shù)據(jù)劃分為訓(xùn)練集和測(cè)試集。首先,為了驗(yàn)證本文改進(jìn)方法的有效性,本節(jié)分別對(duì)基于形變卷積的特征提取網(wǎng)絡(luò)、基于空洞卷積的特征融合網(wǎng)絡(luò)和DIOU-NMS后處理進(jìn)行消融實(shí)驗(yàn)。最后,將常見的缺陷檢測(cè)算法與本文方法進(jìn)行了測(cè)試,以驗(yàn)證本文方法的先進(jìn)性。

3.2.1 特征提取網(wǎng)絡(luò)有效性

為了驗(yàn)證特征提取網(wǎng)絡(luò)的有效性,對(duì)比了對(duì)特征提取進(jìn)行改進(jìn)前后的檢測(cè)結(jié)果,如表1所示。

表1 特征提取網(wǎng)絡(luò)有效性Tab.1 Effectiveness of feature extraction network

從表1可以看出,使用形變卷積對(duì)特征提取網(wǎng)絡(luò)進(jìn)行改進(jìn)后,能顯著提高目標(biāo)檢測(cè)網(wǎng)絡(luò)Faster-RCNN的檢測(cè)性能。除此之外,使用熱力圖對(duì)網(wǎng)絡(luò)輸出特征進(jìn)行可視化,可以用來顯示輸入的圖像中哪個(gè)部分對(duì)圖像最終的分類判斷起到了作用。為了區(qū)分不同區(qū)域的作用權(quán)重,通過不同的顏色來顯示,顏色越紅,表示該區(qū)域?qū)ψ罱K的分類判斷起到了越重要的作用。如圖10所示的剝落缺陷,分別使用普通卷積構(gòu)成的神經(jīng)網(wǎng)絡(luò)和形變卷積構(gòu)成的神經(jīng)網(wǎng)絡(luò)對(duì)其進(jìn)行特征提取,并得到相應(yīng)的熱力圖。可以看出,使用形變卷積后網(wǎng)絡(luò)提取深度特征更加準(zhǔn)確,能更好地提取到缺陷區(qū)域的特征。

(b)基于普通卷積 所得熱力圖

3.2.2 特征融合網(wǎng)絡(luò)

為了驗(yàn)證特征融合網(wǎng)絡(luò)的有效性,本小節(jié)在已對(duì)特征提取網(wǎng)絡(luò)進(jìn)行改進(jìn)的基礎(chǔ)上,對(duì)比了對(duì)特征融合網(wǎng)絡(luò)進(jìn)行改進(jìn)前后的各項(xiàng)指標(biāo),如表2所示。除此之外,還將改進(jìn)前后的檢測(cè)結(jié)果進(jìn)行了可視化,結(jié)果如圖11所示。

表2 特征提取網(wǎng)絡(luò)有效性Tab.2 Effectiveness of feature extraction network

(a)特征融合網(wǎng)絡(luò)改進(jìn)前結(jié)果

(b)特征融合網(wǎng)絡(luò)改進(jìn)后結(jié)果

從圖11可以看出,對(duì)特征融合網(wǎng)絡(luò)進(jìn)行改進(jìn)后,原本未被檢測(cè)到的大面積腐蝕區(qū)域被成功檢出,且沒有影響小腐蝕缺陷檢測(cè)。這說明特征融合網(wǎng)絡(luò)融合多尺度特征以后,有利于不同尺度腐蝕缺陷的檢測(cè)。

3.2.3 DIOU-NMS有效性

為了驗(yàn)證DIOU-NMS的有效性,本文在對(duì)特征提取網(wǎng)絡(luò)和特征融合進(jìn)行改進(jìn)的基礎(chǔ)上,對(duì)比了使用DIOU-NMS和IOU-NMS的檢測(cè)結(jié)果,結(jié)果如表3所示,圖12對(duì)二者的檢測(cè)結(jié)果進(jìn)行了可視化。

表3 DIOU-NMS有效性Tab.3 DIOU-NMS effectiveness

(a)IOU-NMS

(b)DIOU-NMS

3.2.4 同類方法對(duì)比實(shí)驗(yàn)

在對(duì)比實(shí)驗(yàn)中,將本文算法與CascadeR-CNN[14]、YOLOv5、CenterNet[15]、RetinaNet[16]、VarifocalNet[17]、PAA[18]與本文的基線網(wǎng)絡(luò)Faster-RCNN進(jìn)行了對(duì)比,使用單類目標(biāo)剝落、腐蝕的平均精度(Average Precision,AP)和多類目標(biāo)的平均精度均值(mean Average Precision,mAP)作為評(píng)價(jià)指標(biāo)。結(jié)果如表4所示。

表4 不同方法的測(cè)試結(jié)果Tab.4 Test results of different methods

從表4可以看出,基于改進(jìn)后的Faster-RCNN能夠很好地對(duì)剝落、腐蝕進(jìn)行定位與分類。同時(shí)為了檢驗(yàn)本文的改進(jìn)方法對(duì)于真實(shí)場(chǎng)景的適應(yīng)能力,使用真實(shí)場(chǎng)景中拍攝得到的缺陷圖片進(jìn)行測(cè)試,測(cè)試結(jié)果示例如圖13所示?？梢钥闯?本文方法均能較好地檢測(cè)出剝落和腐蝕的缺陷。

(a)剝落缺陷檢測(cè)

(b)腐蝕缺陷檢測(cè)

3.3 缺陷程度評(píng)估結(jié)果分析

圖14給出了剝落、腐蝕缺陷程度評(píng)估結(jié)果,評(píng)估結(jié)果顯示在檢測(cè)框的上方?？梢钥闯?面積更大、更密集的缺陷區(qū)域,其評(píng)分更高,代表缺陷程度更嚴(yán)重,這反映了本文所構(gòu)建的評(píng)價(jià)指標(biāo)的客觀性。

(a)剝落缺陷評(píng)估

(b)腐蝕缺陷評(píng)估

4 結(jié)論

針對(duì)海上升壓站缺陷檢測(cè)問題,本文設(shè)計(jì)了一種基于改進(jìn)Faster-RCNN的海上升壓站缺陷自動(dòng)檢測(cè)方法,相對(duì)于原始的Faster-RCNN網(wǎng)絡(luò),剝落的平均精度提高了6%,腐蝕的平均精度提高了12%,平均精度均值提高了9%,通過實(shí)測(cè)及其擴(kuò)充的數(shù)據(jù),驗(yàn)證了本文所設(shè)計(jì)的缺陷檢測(cè)方法具有較高的精度,實(shí)現(xiàn)了海上升壓站缺陷自動(dòng)化高精度的檢測(cè)。設(shè)計(jì)了一種缺陷病害程度評(píng)估的指標(biāo),實(shí)現(xiàn)了海上升壓站缺陷程度的定量化評(píng)估。