計算機視覺的電站鍋爐水冷壁缺陷檢測方法

王云霞，楊增陽，岳海姣，楊守波

（1.鄭州電力高等?？茖W校，河南 鄭州 450000；2.清華大學天津高端裝備研究院洛陽先進制造產業研發基地，河南 洛陽 471000）

1 引言

目前國內火力發電占總發電量的70%左右，冬季小區的供暖任務，更是全部依靠火力發電實現?；鹆Πl電涉及的主要為原理為：鍋爐中，由于煤粉的燃燒形成壓力處于較高水平的水蒸氣，以此實現對發電機的驅動，并產生相應的電能。在電廠及計劃停運中，有大概70%均是因為發電鍋爐出現故障而引發的。而在鍋爐出現的各類事故中，有大概一半都是因為水冷壁管發生了破損而引發的。

可見，對于電廠而言，若想保證各個機組在實際運行中具有更高的安全性、穩定性，最為關鍵的環節便是鍋爐停機檢修，其中對水冷壁的檢測尤為重要。

近年來，國家鼓勵發展自動化、智能化技術，越來越多的自動化元素引入到鍋爐水冷壁檢測中。文獻［1］研發了針對鍋爐水冷壁含有多項參數的數學模型模擬器，該模型重現350MW發電廠，可再現變量在不同運行條件下鍋爐不同部位的溫度，壓力，質量流量和燃燒氣體成分等變量的響應。文獻［2-3］開發了帶有電磁聲換能器探頭和攝像機的攀爬機器人，無需去除覆蓋管子的水垢，能夠檢查目標位置、測量管壁厚度。該機器人附著力由機器人下方的磁輪和磁條提供，研究中驗證了機器人的可行性。阿爾斯通機器人公司和Waterjet Technologies合作開發了一種用于壁面清潔和檢查的自動鍋爐壁式履帶；集成了清潔或檢查應用程序的自動化系統將能夠驅動水冷壁，并且不再需要腳手架。文獻［4］為以更為精準的方式對圓柱形金屬工件進行檢測以確定其表面是不是存在缺陷，運用了Faster R-CNN系統，該系統開展檢測的大致流程為：先通過Resnet 網絡完成對特征的全面提取，之后通過RPN對包含了特定缺陷的矩形區域進行提取，最后通過Fast RCNN系統在提取范圍內對缺陷進行全面檢測，有效解決了圓柱形金屬表面缺陷檢測能力差的問題。文獻［7］鐵軌表面所存在缺陷的具體情況會給運行能夠達到的質量及安全水平產生較為顯著的影響。實際檢測期間，針對鐵軌獲取的圖像中，光照往往缺乏均勻性，而由于圖像表面發生的改變而導致反射率受到一定影響，檢測難度顯著加大。運用改進最大熵法、局部對比度測量等方式對圖像進行處理，以實現閾值分割、對比度增強等目的，使檢測能夠達到更高的準確率、檢全率。

目前我國鍋爐自動化檢測的手段是依靠爬壁機器人或無人機搭載相機模塊進行數據采集；然后將圖片回傳進行分析，檢測精度和處理速度低，檢測數據不完整；準確率低下，無法滿足電廠的需求。

國內檢修領域常會涉及到對爬壁機器人的運用，但實際達到的效果往往無法達到預期，問題有：（1）爬壁機器人搭載相機距離水冷壁較近，視野小，效率低。（2）效率低，該類機器人在實際運行中主要運用了磁吸式原理，行走速度十分有限。（3）目前視覺檢測的精度和準確度不足，無法滿足檢測需求。（4）越障方面具備的性能過于有限，無法實現全面檢測。且存在安全隱患，爬壁機器人由于其采用磁吸式原理，可能會對鍋爐設備造成劃傷、表面磁化，造成二次傷害，留下安全隱患。

現有無人機檢測方案的優點是：無人機能更快的實現運行，因而能更高效的完成檢測；不會受限于空間，可實現全面檢測。但也有不足：無人機自主飛行技術還不成熟，操作人員操作飛機需要進行培訓；收集到的各類圖像，均要導入計算機并通過特定軟件進行分析，且處理速度很慢，使檢測無法具備較高的實時性。這里將使用自主規劃路徑無人機聯合YOLOv3 算法，對鍋爐水冷壁失效部位進行檢測。無人機在檢測方面能夠達到更高的效率、實際運行中對環境也沒有過于嚴格的要求，可實現全面檢測，且水冷壁不會因此而受損，是其他手段無法替代的。通過YOLOV3 算法對水冷壁發生的磨損、裂縫等失效情況進行分類，其以量化方式開展分析，且能自動對相關數據進行記錄，還可實現預警功能。

2 檢測系統原理

針對水冷壁表面氧化、磨損的缺陷檢測問題，結合YOLOv3殘差結構構建深層卷積網絡的優勢，最終選擇YOLOv3深度算法并進行改進，實現缺陷檢測。YOLO系列實現了對性能、速度的有效兼顧，YOLOv3在檢測方面達到的精度水平，與兩步目標檢測網絡幾乎達到相同的水平，且具有良好的實時性。該網絡采用預測邊界框的方法，通過尺寸聚類確定錨框，將錨框視作候選區域。錨框所處位置是不會發生改變的，與物體邊界框發生重合的可能較小，基于錨框做出較為細微的調整，使預測框可對物體所處位置做出更準確的描述，深度模型預測的主要內容便是微調時采用的具體幅度［2］。

首先將全圖分成圖像塊，以小方格的寬度為單位長度，設定任意塊基于左上角的圖像塊坐標cx，cy對應該圖像塊的錨框區域中心坐標是：

預測框與錨框比較，會有不同的中心位置和大小，計算錨框所生成預測框的中心坐標：

式中：tx，ty—網絡預測偏移量；σ(x)—Sigmoid函數，定義為：

設定預測框寬高的偏移tw，th計算預測框的大小。

若將預測框bx，by，bh，bw設置為真實框gx，gy，gh，gw的位置，即可求解出真實偏移的數值

圖1 YOLOv3檢測原理框架Fig.1 YOLOv3 Detection Framework

3 基于視覺的水冷壁檢測

首先采用標注軟件，分別建立水冷壁氧化、磨損和裂縫三種缺陷類別的標簽，批量導入尺寸歸一化為（640×480）的圖像，每張真實采集的圖片中多于一種失效形式，手工標注完成并存取帶位置和類別的標準標簽文件xml。按照YOLOv3算法的格式要求制作數據集，用于訓練、驗證和測試。然后對目標產生候選區域。將原始圖片劃分成m×n個區域，各小塊區域的尺寸為（32×32），依據各個區域中心點坐標，分別生成3個尺度的錨框?；谏疃染W絡檢測原理會生成與各錨框對應的預測框。所有不同尺度的錨框都是一個可能的候選區域，針對某一個錨框中有沒有包含特定的物體，視作一個二分類問題，通過標簽objectness來體現其中有沒有包含物體，若包含，其對應的數值為1，該框為正類，反之為負類。包含了特定物體的錨框，要進一步分析，計算其與真實框的交并比［4］：

A、B表示兩個框，∩和∪分別表示交集和并集，找到跟真實框將IoU 達到最大水平的錨框，將與之對應的預測框的objectness標簽數值設定為1，其內包含的物體所屬類別跟真實框內的物體需保持一致。以此類推，可確定與其他真實框相對應且IoU達到最大水平的錨框，并進行自動標注。要指出的是，對于有些預測框的IoU大于閾值，但并不是最大的設置objectness標簽為-1，不參與損失函數計算。Darknet53為骨干網絡，對其中平均池化、全連接層、Softmax進行去除，保留主要網絡結構，再添加其他模塊。對于位置標簽，以預測框及真實調整的幅度差距為損失函數，并設立相應的回歸問題［5］。

特征圖本身不具備較大的尺寸，即包含的像素點較為有限，各像素點所對應感受野會相對更大，因而包含更多的高層語義信息，更易檢測。對于尺寸較小的目標，檢測難度會更大。所以需基于大尺寸特征圖完成對預測輸出的設立。對高層級特征圖做出合理的放大處理，使其跟低層級圖像實現有效的融合，形成的新特征圖內，包含的語義信息會變得更為豐富，可對精細部分做出更有效描述。在水冷壁缺陷的訓練過程中，通過深度網絡模型開展相關的檢測，反復學習后，對參數做出合理的調整，判定錨框對應候選區內有沒有包含物體，對于包含物體的候選區域，物體類別，及其邊界框與錨框間所存在相對位置的調整幅度。訓練過程示意圖，如圖2所示。

圖2 訓練過程示意圖Fig.2 Training Process Diagram

圖3 預處理圖Fig.3 Pretreatment of Figure

圖4 訓練樣本的均衡化處理Fig.4 Equalization of Training Samples

直接采用YOLOv3效果不理想，這里對其中重要參數進行調整并做出樣本增廣與平衡化改進處理。為提高訓練速度，充分利用內存，常將批處理尺寸設置為6，10，12，但同時帶來了梯度下降方向不夠精準的弊端。為確保更準確的走向極值最小的區域，全數據集確定的方向，可對樣本總體實現更全面的代表，在優化訓練網絡中將批處理尺寸設置為1，引起訓練震蕩較小。不同權重所對應梯度值會存在較大差別，難以獲取全局學習率，這里選擇了一種自適應的變化的學習率設置方式。在圖像中一塊區域同時會具有多種缺陷形式，無疑增加了訓練收斂難度，并在預測時難以區分，降低了檢測精度。因此減少類別數，增強類別的確定性，有助于提高精度。最后根據實際情況，將單張圖像最多可能具有的缺陷數目從50修改為15，增加訓練速度的同時還能降低誤檢率。除了參數優化之外，對樣本進行預處理，使缺陷特征更加明顯，除了采用隨機改變亮暗、對比度、顏色，隨機填充、裁剪、縮放、翻轉和隨機排序等數據增廣方式，還進行了單通道分離和銳化處理，對訓練數據集進行拓展，使模型在泛化方面具備更強的能力［6］。

4 實驗與分析

4.1 實驗平臺

這里使用YOLOv3 作為深度學習的網絡框架、采用GPU Tesla V100進行檢測模型訓練，以Python3.7作為交互語言，顯存16GB，硬盤空間100GB，結合CUDA 及CUDNN 對訓練過程進行加速，批處理尺寸為1，初始學習率為0.0001，學習率的變化率為0.1，每輪包含迭代數89，共計訓練200輪?？紤]到各種尺度的缺陷情況，錨框設置為［10，13，16，30，33，23，30，61，62，45，59，119，116，90，156，198，2，5］，最大IoU忽略閾值設置為0.8，其他參數采用了默認值［7］。無人機搭載視覺傳感器對電站鍋爐水冷壁隱患多發、易發等關鍵部位進行圖像采集，線下進行篩選、裁剪、批量命名和轉換，制作缺陷數據集，其中訓練集包括200張（640×480）分辨率的圖像，標注的缺陷數量達到2591處，驗證集包括25張圖，標簽數量為257處，測試圖片50張。最后采用平均檢測準確率（mAP）和幀率（FPS）作為公開評價指標，對檢測算法進行評價和對比，其中，mAP（mean Average Precision）計算如下，

式中：∑AP—所有種類的檢測精度之和；N—類別數。

另外，為了在應用中的便捷性，結合實際情況及誤檢考慮，這里設置了失效閾值10，檢測過程中將缺陷數累加統計，超過閾值則認為此處已經失效，需要人工核檢。若存在缺陷但是小于失效閾值則認為水冷壁表面的失效程度不夠。

4.2 結果與分析

直接采用YOLOv3檢測水冷壁缺陷的效果不理想，從樣本的角度進行分析，對標簽分布進行了統計和仿真分析，發現標簽不均衡問題嚴重，在300張訓練樣本中，標注的缺陷數量雖然達到2671處，但是單張樣本中10個缺陷的以內的占比55.3%，低標簽數的嚴重偏頗會導致訓練過程中欠采樣問題。因此在改進過程中，對訓練樣本除作銳化等關鍵處理外，還重新篩選圖片并重新標注，共200個訓練樣本，但是標簽數依然高達2591，并展現出很好的平衡性。另外，由于在原版本檢測發現對于腐蝕的情況，檢測率極低，分析原因在于水冷壁中的腐蝕情況與磨損或氧化有較大的相似性，并且焊接對腐蝕形成干擾，優化中直接減少了腐蝕缺陷形式，這樣的處理相當于增加了其他水冷壁缺陷類型的權重，對特征提取是有益的。

調整后檢測效果提升較為明顯，達到了調整的目的和性能預期。效果對比，如圖5所示。原檢測模型對氧化、磨損檢測效率低，同時從圖中的檢測框可以看到偏離嚴重，檢測精度不高。雖然誤檢情況不多，但是漏檢明顯。改進的檢測模型提高了各種缺陷形式的檢測率，同時檢測框的貼合程度改善了很多，檢測精度提升的同時誤檢率幾乎不變，仍然維持在較低水平［8-10］。

圖5 模型檢測的效果對比Fig.5 Effect Comparison of Model Detection

這里統計了測試圖片中缺陷的數量、檢測率和檢測精度，其中對于裂縫的檢測率提高到90%以上，精度達到86.0%。對氧化和磨損的效果仍有優化的空間，檢測率分別達到了79.7%和72.7%，精度分別達到66.7%和52.8%，如表1所示。

表1 缺陷檢測測試統計Tab.1 Defect Detection Test Statistics

以330MW組為例，以定量方式開展分析：高溫再熱器進、出彎頭（前、后彎共180只）開展氧化皮檢測，#1號發現存在氧化皮層的均為前彎，具體為出口11排第5根、20、23排第6根、64排第4根。#2號發現存在氧化皮的有末級過熱器5排第13根，23排第10、11根，均為前彎。后屏過熱器4排第6根、7排第7根、18排第6根、26排第9根、26.29排第13根、29排第17根、32排第11根，均為后彎。視覺檢測發現的氧化位置共55處，人眼標注實發現69處，成功率79.7%。以人工方式對上述區域的情況進行核實，且做出清理。對發生磨損的部位進行檢測，共40處，人眼標注實發現55處，成功率72.7%。綜合統計該次的檢驗結果：共測出106處缺陷部位，人眼實際標注136處，成功率為77.9%。根據設置的失效閾值，單張圖均無超出閾值，可見該鍋爐當前暫無嚴重損壞區域，無需立刻檢修。結果為后續防護工作的改進提供有效指導，且可確定哪些部位更容易發生損壞。如易出現裂縫位置，焊接時采用更優良的工藝；易氧化的部位，可對通風度、含氧量等做出合理調控，或對配風方面運用的具體方式做出合理改變。改進模型的檢測量化對比，如表2所示。mAP提高了111.4%，速度提高了3倍之多。

表2 改進前后數據對比Tab.2 Data Comparison Before and After Improvement

5 結論

這里對電站鍋爐水冷壁檢測中采用人工作業的不足進行分析，并基于計算機視覺技術提出新的方案，利用YOLOv3算法進行水冷壁磨損、裂縫、氧化等失效類型進行量化分析。建立缺陷標簽，構建YOLOv3網絡模型，對模型重要參數進行調整并做出樣本增廣與平衡化改進處理，提高了鍋爐水冷壁視覺檢測的性能。針對330MW的一組鍋爐檢測，裂縫檢測率達到90%，氧化檢測率79.7%，磨損檢測率72.7%。對比改進前后YOLOv3模型數據，改進后模型mAP提高111.4%，速度提高3倍之多，驗證了鍋爐水冷壁視覺檢測的可行性，有效降低人力成本和檢測風險。在未來研究和工作中，通過增加訓練和細化失效形式，進一步提高水冷壁實際檢測性能。另外，將深度檢測網絡輕量化，移植于嵌入式系統，以實時方式做出處理，且將結果傳至云端。