基于PSPNetM+网络的水轮机转轮叶片缺陷检测

李 涛 刘 成 田 塘 胡桂川 侯文赛 蒲小霞

(1. 重庆科技学院 机械与动力工程学院， 重庆 401331；
2. 重庆科技学院 安全工程学院， 重庆 401331；
)

水轮机转轮的质量直接影响水电机组的水力性能和运行的可靠性[1]，受焊接应力、水流的非线性脉动力以及泥沙磨蚀的影响，水轮机转轮叶片的工作面常出现裂纹、腐蚀、气蚀等缺陷[2]。为了保证水电机组安全稳定的运行，必须定期对水轮机转轮叶片进行停机检修。传统缺陷检测方法主要用人眼识别，人工成本高、检测效率低。

Mirapeix等人利用PCA方法对焊接过程中获取的等离子体光谱图像进行处理，通过压缩光谱维度来降低数据的运算量[3]。Yin等人利用深度神经网络模型对排污管道的缺陷进行了检测[4]。丁勇等人提出了一种改进U-Net网络的磁片缺陷图像分割算法，实验证明该方法能够准确区分各类缺陷[5]。封雨鑫等人利用卷积神经网络模型对工业钢板表面焊缝缺陷进行了检测[6]。Erik等人利用基于 ML的卷积神经网络对零件缺陷进行了检测，并采用来自 ImageNet的数据集对检测模型进行验证，结果表明，该方法可以对零件的缺陷进行检测分类[7]。

为提高水轮机转轮叶片缺陷检测效率，本次研究将水轮机的缺陷检测与深度学习相结合，提出了基于语义分割算法的水轮机转轮叶片表面缺陷检测方法，并对模型PSPNet进行了改进，减少了模型的网络参数，实现了模型的轻量化和检测的实时性。

语义分割是指用特定的表示内容对图片中的每个图像进行标记，在此过程中只区分图像的像素类别，并不会分离2个同类别的个体，语义分割算法在自动驾驶、医疗图像诊断等领域都得到了广泛的应用。

1.1 MobileNet

MobileNet[8]的优点是通过牺牲小代价准确率的方式来大幅度降低网络的参数量，以减少存储，提高检测的速度。

相比传统标准卷积网络，MobileNet最大的优势在于增加了深度可分离卷积(depthwise separable convolution)。深度可分离卷积由深度卷积和逐点卷积等2部分组成(见图1)，每个卷积核channel为1，逐点卷积以1x1的卷积形式对单点的特征进行提取。

图1 深度可分离卷积

1.2 PSPNet

PSPNet(pyramid scene parseing network)模型[9]的核心是金字塔池化模块(PPM)，PPM能够获取全局信息。PSPNet首先将特征层划分为大小不同的网格；
然后，每个网格内部各自进行特定划分的平均池化；
最后，PSPNet融合平均池化后的不同特征层。以PSPNet作为缺陷检测的主要网络模型主要包括以下3点：

(1) 采用ResNet架构并引入空洞卷积，通过卷积神经网络(CNN)获取特征图，然后进入金字塔池化模块。

(2) 在ResNet的中间层加入辅助损失，用于优化网络模型的学习效果。

(3) 在修改后的ResNet顶部加入空间金字塔池化层。

2.1 主干特征提取网络的优化

为了减少网络模型的参数量和运算量，选择MobineNetV2[10]作为主干提取网络，并且只选用MobileNetV2的前8层结构，MobileNetV2各层结构参数如表1所示。T为单元的扩张系数，c为通道数量，n为单元重复数，s为bottleneck单元的第一个单元步长。ResNet50、MobileNetV2参数对比如表2所示。

表1 MobileNetV2各层结构参数

表2 ResNet50、MobileNetV2参数对比

在输入图像尺寸相同的情况下，MobileNetV2的参数量仅为是ResNet50的1/20，因此，以MobineNet作为主干提取网络，可以使网络模型的参数量大幅度降低。

2.2 加强特征提取网络的优化

在深度卷积神经网络中，层数越高，提取的特征和语义信息越丰富，而浅层网络具有更细节的空间位置。在PSPNet中，网络层越深，小目标的特征信息越容易丢失，为了提高网络的准确率，保留浅层的特征信息，对加强特征提取的网络作出改进：

(1) 当特征图输出尺寸为(15,15,320)、(30,30,96)、(60,60,32)时，通过平均池化、堆叠、上采样层、空洞卷积等操作对其进行特征融合。

(2) 在特征图融合之前降低通道数，以降低网络参数量。

通过对特征网络提取的改进，可在保证检测准确度的同时降低网络模型的参数量。

2.3 损失函数的优化

由于水轮机转轮叶片表面缺陷图像存在背景占比大、目标物占比小的问题，故选用Cross-Entropy loss和Dice loss作为损失函数。其中，Cross-Entropy Loss主要用于当语义分割平台利用Softmax对像素点进行分类时。Dice loss将语义分割的评价指标作为损失，Dice系数是用来表示集合相似度度量的函数，通常用于计算2个样本的相似度，取值范围为[0,1]，计算公式如式(1)所示：

(1)

式中：|X∩Y|表示集合X与集合Y的交集个数，|X|、|Y|为元素的个数。

3.1 实验数据集

水轮机尺寸较大、结构复杂，转轮叶片为具有不同曲率的复杂斜面，且叶片之间空间狭窄、光线昏暗，水轮机叶片缺陷图片难以采集，样本数据十分有限，为了提高网络的鲁棒性，通过数据扩充来增加水轮机转轮叶片缺陷图片的数据集。缺陷检测目标主要为气蚀、裂纹等，转轮叶片缺陷图如图2所示。数据集中水轮机叶片气蚀和裂纹缺陷样本图各 1 000张，其中，每类缺陷中，80%样本图作为验证集，20%样本图作为测试集。

图2 水轮机转轮叶片缺陷图

3.2 实验结果评判标准

在缺陷检测过程中，选用平均交并比(ImIOU)和所有平均像素的准确率(RmPA)作为评判标准。平均交并比为预测结果和真实值的交集与并集的比值求和再平均的结果，用于判断预测值与真实值的重叠程度。平均像素比用来评判语义分割模型的效果，ImIOU与RmPA的计算公式如式(2)、式(3)：

(2)

(3)

式中：k表示为像素类别数目；
pii表示为第i类目标被预测为i类的数量；
pij表示为第i类目标被预测为j类的数量；
pji表示第j类目标被预测为i类的数量；
CPA表示像素准确率。

3.3 实验结果分析

不同网络模型优化迭代2 000次的检测效果如表3所示。PSPNetM模型以MobineNetV2为主干提取网络，与PSPNet模型相比，PSPNetM模型的参数量大幅度降低，但其检测准确率也有所降低。与PSPNet模型相比，PSPNetM+模型的参数量降低了163.39 MiB，平均精度提高了5.51%，平均交并比提高了5.59%。实验结果证明，利用本次设计的模型进行检测，不仅可以大幅度缩减网络的参数量，同时可以提升检测的准确率。

表3 不同网络模型优化迭代2 000次的检测效果

利用PSPNetM+模型对水轮机转轮叶片裂纹缺陷和气蚀缺陷进行识别，转轮叶片缺陷检测结果如图3所示。PSPNetM+模型可对图片边缘特征和细节部分进行处理，并可准确地对其缺陷进行识别。

图3 水轮机转轮叶片缺陷检测结果

分别采用UNet、PSPNet、PSPNetM+对PASCAL VOC 2012数据集进行模拟，实验结果如表4所示。与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%。这是由于加强特征提取网络进行了多尺度特征融合，将不同层次的语义信息进行了融合，加强了深层次与浅层次的特征提取能力。PSPNetM+模型单秒处理图片的数量达到了41。实验结果表明，改进的PSPNetM+模型具有网络参数少、计算成本少和存储小等优点，经PASCAL VOC 2012数据集的检验，PSPNetM+模型的鲁棒性和准确性都有较大程度的提高。

表4 各模型实验结果评估

针对水力发电机组水轮机转轮叶片缺陷检测速度慢、精度低等问题，本次研究利用深度学习算法对缺陷图像进行自动识别分类，提出了基于语义分割的PSPNetM+模型的缺陷检测方法。本方法卷积网络MobileNet替换原有的Resnet50，将不同层次的网络层通过特征融合，并保留低层次网络的特征，以减少网络的参数量，降低网络的运算量。实验结果表明，PSPNetM+模型提高了水轮机转轮叶片缺陷检测的效率和精度，大大减少了人工成本，缩短了检测周期。