王云霞，楊增陽，岳海姣，楊守波

（1.鄭州電力高等?？茖W(xué)校，河南 鄭州 450000；2.清華大學(xué)天津高端裝備研究院洛陽先進(jìn)制造產(chǎn)業(yè)研發(fā)基地，河南 洛陽 471000）

1 引言

目前國(guó)內(nèi)火力發(fā)電占總發(fā)電量的70%左右，冬季小區(qū)的供暖任務(wù)，更是全部依靠火力發(fā)電實(shí)現(xiàn)?；鹆Πl(fā)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(shí)現(xiàn)對(duì)發(fā)電機(jī)的驅(qū)動(dòng)，并產(chǎn)生相應(yīng)的電能。在電廠及計(jì)劃停運(yùn)中，有大概70%均是因?yàn)榘l(fā)電鍋爐出現(xiàn)故障而引發(fā)的。而在鍋爐出現(xiàn)的各類事故中，有大概一半都是因?yàn)樗浔诠馨l(fā)生了破損而引發(fā)的。

可見，對(duì)于電廠而言，若想保證各個(gè)機(jī)組在實(shí)際運(yùn)行中具有更高的安全性、穩(wěn)定性，最為關(guān)鍵的環(huán)節(jié)便是鍋爐停機(jī)檢修，其中對(duì)水冷壁的檢測(cè)尤為重要。

近年來，國(guó)家鼓勵(lì)發(fā)展自動(dòng)化、智能化技術(shù)，越來越多的自動(dòng)化元素引入到鍋爐水冷壁檢測(cè)中。文獻(xiàn)［1］研發(fā)了針對(duì)鍋爐水冷壁含有多項(xiàng)參數(shù)的數(shù)學(xué)模型模擬器，該模型重現(xiàn)350MW發(fā)電廠，可再現(xiàn)變量在不同運(yùn)行條件下鍋爐不同部位的溫度，壓力，質(zhì)量流量和燃燒氣體成分等變量的響應(yīng)。文獻(xiàn)［2-3］開發(fā)了帶有電磁聲換能器探頭和攝像機(jī)的攀爬機(jī)器人，無需去除覆蓋管子的水垢，能夠檢查目標(biāo)位置、測(cè)量管壁厚度。該機(jī)器人附著力由機(jī)器人下方的磁輪和磁條提供，研究中驗(yàn)證了機(jī)器人的可行性。阿爾斯通機(jī)器人公司和Waterjet Technologies合作開發(fā)了一種用于壁面清潔和檢查的自動(dòng)鍋爐壁式履帶；集成了清潔或檢查應(yīng)用程序的自動(dòng)化系統(tǒng)將能夠驅(qū)動(dòng)水冷壁，并且不再需要腳手架。文獻(xiàn)［4］為以更為精準(zhǔn)的方式對(duì)圓柱形金屬工件進(jìn)行檢測(cè)以確定其表面是不是存在缺陷，運(yùn)用了Faster R-CNN系統(tǒng)，該系統(tǒng)開展檢測(cè)的大致流程為：先通過Resnet 網(wǎng)絡(luò)完成對(duì)特征的全面提取，之后通過RPN對(duì)包含了特定缺陷的矩形區(qū)域進(jìn)行提取，最后通過Fast RCNN系統(tǒng)在提取范圍內(nèi)對(duì)缺陷進(jìn)行全面檢測(cè)，有效解決了圓柱形金屬表面缺陷檢測(cè)能力差的問題。文獻(xiàn)［7］鐵軌表面所存在缺陷的具體情況會(huì)給運(yùn)行能夠達(dá)到的質(zhì)量及安全水平產(chǎn)生較為顯著的影響。實(shí)際檢測(cè)期間，針對(duì)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(fā)生的改變而導(dǎo)致反射率受到一定影響，檢測(cè)難度顯著加大。運(yùn)用改進(jìn)最大熵法、局部對(duì)比度測(cè)量等方式對(duì)圖像進(jìn)行處理，以實(shí)現(xiàn)閾值分割、對(duì)比度增強(qiáng)等目的，使檢測(cè)能夠達(dá)到更高的準(zhǔn)確率、檢全率。

目前我國(guó)鍋爐自動(dòng)化檢測(cè)的手段是依靠爬壁機(jī)器人或無人機(jī)搭載相機(jī)模塊進(jìn)行數(shù)據(jù)采集；然后將圖片回傳進(jìn)行分析，檢測(cè)精度和處理速度低，檢測(cè)數(shù)據(jù)不完整；準(zhǔn)確率低下，無法滿足電廠的需求。

國(guó)內(nèi)檢修領(lǐng)域常會(huì)涉及到對(duì)爬壁機(jī)器人的運(yùn)用，但實(shí)際達(dá)到的效果往往無法達(dá)到預(yù)期，問題有：（1）爬壁機(jī)器人搭載相機(jī)距離水冷壁較近，視野小，效率低。（2）效率低，該類機(jī)器人在實(shí)際運(yùn)行中主要運(yùn)用了磁吸式原理，行走速度十分有限。（3）目前視覺檢測(cè)的精度和準(zhǔn)確度不足，無法滿足檢測(cè)需求。（4）越障方面具備的性能過于有限，無法實(shí)現(xiàn)全面檢測(cè)。且存在安全隱患，爬壁機(jī)器人由于其采用磁吸式原理，可能會(huì)對(duì)鍋爐設(shè)備造成劃傷、表面磁化，造成二次傷害，留下安全隱患。

現(xiàn)有無人機(jī)檢測(cè)方案的優(yōu)點(diǎn)是：無人機(jī)能更快的實(shí)現(xiàn)運(yùn)行，因而能更高效的完成檢測(cè)；不會(huì)受限于空間，可實(shí)現(xiàn)全面檢測(cè)。但也有不足：無人機(jī)自主飛行技術(shù)還不成熟，操作人員操作飛機(jī)需要進(jìn)行培訓(xùn)；收集到的各類圖像，均要導(dǎo)入計(jì)算機(jī)并通過特定軟件進(jìn)行分析，且處理速度很慢，使檢測(cè)無法具備較高的實(shí)時(shí)性。這里將使用自主規(guī)劃路徑無人機(jī)聯(lián)合YOLOv3 算法，對(duì)鍋爐水冷壁失效部位進(jìn)行檢測(cè)。無人機(jī)在檢測(cè)方面能夠達(dá)到更高的效率、實(shí)際運(yùn)行中對(duì)環(huán)境也沒有過于嚴(yán)格的要求，可實(shí)現(xiàn)全面檢測(cè)，且水冷壁不會(huì)因此而受損，是其他手段無法替代的。通過YOLOV3 算法對(duì)水冷壁發(fā)生的磨損、裂縫等失效情況進(jìn)行分類，其以量化方式開展分析，且能自動(dòng)對(duì)相關(guān)數(shù)據(jù)進(jìn)行記錄，還可實(shí)現(xiàn)預(yù)警功能。

2 檢測(cè)系統(tǒng)原理

針對(duì)水冷壁表面氧化、磨損的缺陷檢測(cè)問題，結(jié)合YOLOv3殘差結(jié)構(gòu)構(gòu)建深層卷積網(wǎng)絡(luò)的優(yōu)勢(shì)，最終選擇YOLOv3深度算法并進(jìn)行改進(jìn)，實(shí)現(xiàn)缺陷檢測(cè)。YOLO系列實(shí)現(xiàn)了對(duì)性能、速度的有效兼顧，YOLOv3在檢測(cè)方面達(dá)到的精度水平，與兩步目標(biāo)檢測(cè)網(wǎng)絡(luò)幾乎達(dá)到相同的水平，且具有良好的實(shí)時(shí)性。該網(wǎng)絡(luò)采用預(yù)測(cè)邊界框的方法，通過尺寸聚類確定錨框，將錨框視作候選區(qū)域。錨框所處位置是不會(huì)發(fā)生改變的，與物體邊界框發(fā)生重合的可能較小，基于錨框做出較為細(xì)微的調(diào)整，使預(yù)測(cè)框可對(duì)物體所處位置做出更準(zhǔn)確的描述，深度模型預(yù)測(cè)的主要內(nèi)容便是微調(diào)時(shí)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(zhǎng)度，設(shè)定任意塊基于左上角的圖像塊坐標(biāo)cx，cy對(duì)應(yīng)該圖像塊的錨框區(qū)域中心坐標(biāo)是：

預(yù)測(cè)框與錨框比較，會(huì)有不同的中心位置和大小，計(jì)算錨框所生成預(yù)測(cè)框的中心坐標(biāo)：

式中：tx，ty—網(wǎng)絡(luò)預(yù)測(cè)偏移量；σ(x)—Sigmoid函數(shù)，定義為：

設(shè)定預(yù)測(cè)框?qū)捀叩钠苩w，th計(jì)算預(yù)測(cè)框的大小。

若將預(yù)測(cè)框bx，by，bh，bw設(shè)置為真實(shí)框gx，gy，gh，gw的位置，即可求解出真實(shí)偏移的數(shù)值

圖1 YOLOv3檢測(cè)原理框架Fig.1 YOLOv3 Detection Framework

3 基于視覺的水冷壁檢測(cè)

首先采用標(biāo)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(biāo)簽，批量導(dǎo)入尺寸歸一化為（640×480）的圖像，每張真實(shí)采集的圖片中多于一種失效形式，手工標(biāo)注完成并存取帶位置和類別的標(biāo)準(zhǔn)標(biāo)簽文件xml。按照YOLOv3算法的格式要求制作數(shù)據(jù)集，用于訓(xùn)練、驗(yàn)證和測(cè)試。然后對(duì)目標(biāo)產(chǎn)生候選區(qū)域。將原始圖片劃分成m×n個(gè)區(qū)域，各小塊區(qū)域的尺寸為（32×32），依據(jù)各個(gè)區(qū)域中心點(diǎn)坐標(biāo)，分別生成3個(gè)尺度的錨框?；谏疃染W(wǎng)絡(luò)檢測(cè)原理會(huì)生成與各錨框?qū)?yīng)的預(yù)測(cè)框。所有不同尺度的錨框都是一個(gè)可能的候選區(qū)域，針對(duì)某一個(gè)錨框中有沒有包含特定的物體，視作一個(gè)二分類問題，通過標(biāo)簽objectness來體現(xiàn)其中有沒有包含物體，若包含，其對(duì)應(yīng)的數(shù)值為1，該框?yàn)檎?，反之為?fù)類。包含了特定物體的錨框，要進(jìn)一步分析，計(jì)算其與真實(shí)框的交并比［4］：

A、B表示兩個(gè)框，∩和∪分別表示交集和并集，找到跟真實(shí)框?qū)oU 達(dá)到最大水平的錨框，將與之對(duì)應(yīng)的預(yù)測(cè)框的objectness標(biāo)簽數(shù)值設(shè)定為1，其內(nèi)包含的物體所屬類別跟真實(shí)框內(nèi)的物體需保持一致。以此類推，可確定與其他真實(shí)框相對(duì)應(yīng)且IoU達(dá)到最大水平的錨框，并進(jìn)行自動(dòng)標(biāo)注。要指出的是，對(duì)于有些預(yù)測(cè)框的IoU大于閾值，但并不是最大的設(shè)置objectness標(biāo)簽為-1，不參與損失函數(shù)計(jì)算。Darknet53為骨干網(wǎng)絡(luò)，對(duì)其中平均池化、全連接層、Softmax進(jìn)行去除，保留主要網(wǎng)絡(luò)結(jié)構(gòu)，再添加其他模塊。對(duì)于位置標(biāo)簽，以預(yù)測(cè)框及真實(shí)調(diào)整的幅度差距為損失函數(shù)，并設(shè)立相應(yīng)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(diǎn)較為有限，各像素點(diǎn)所對(duì)應(yīng)感受野會(huì)相對(duì)更大，因而包含更多的高層語義信息，更易檢測(cè)。對(duì)于尺寸較小的目標(biāo)，檢測(cè)難度會(huì)更大。所以需基于大尺寸特征圖完成對(duì)預(yù)測(cè)輸出的設(shè)立。對(duì)高層級(jí)特征圖做出合理的放大處理，使其跟低層級(jí)圖像實(shí)現(xiàn)有效的融合，形成的新特征圖內(nèi)，包含的語義信息會(huì)變得更為豐富，可對(duì)精細(xì)部分做出更有效描述。在水冷壁缺陷的訓(xùn)練過程中，通過深度網(wǎng)絡(luò)模型開展相關(guān)的檢測(cè)，反復(fù)學(xué)習(xí)后，對(duì)參數(shù)做出合理的調(diào)整，判定錨框?qū)?yīng)候選區(qū)內(nèi)有沒有包含物體，對(duì)于包含物體的候選區(qū)域，物體類別，及其邊界框與錨框間所存在相對(duì)位置的調(diào)整幅度。訓(xùn)練過程示意圖，如圖2所示。

圖2 訓(xùn)練過程示意圖Fig.2 Training Process Diagram

圖3 預(yù)處理圖Fig.3 Pretreatment of Figure

圖4 訓(xùn)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(duì)其中重要參數(shù)進(jìn)行調(diào)整并做出樣本增廣與平衡化改進(jìn)處理。為提高訓(xùn)練速度，充分利用內(nèi)存，常將批處理尺寸設(shè)置為6，10，12，但同時(shí)帶來了梯度下降方向不夠精準(zhǔn)的弊端。為確保更準(zhǔn)確的走向極值最小的區(qū)域，全數(shù)據(jù)集確定的方向，可對(duì)樣本總體實(shí)現(xiàn)更全面的代表，在優(yōu)化訓(xùn)練網(wǎng)絡(luò)中將批處理尺寸設(shè)置為1，引起訓(xùn)練震蕩較小。不同權(quán)重所對(duì)應(yīng)梯度值會(huì)存在較大差別，難以獲取全局學(xué)習(xí)率，這里選擇了一種自適應(yīng)的變化的學(xué)習(xí)率設(shè)置方式。在圖像中一塊區(qū)域同時(shí)會(huì)具有多種缺陷形式，無疑增加了訓(xùn)練收斂難度，并在預(yù)測(cè)時(shí)難以區(qū)分，降低了檢測(cè)精度。因此減少類別數(shù)，增強(qiáng)類別的確定性，有助于提高精度。最后根據(jù)實(shí)際情況，將單張圖像最多可能具有的缺陷數(shù)目從50修改為15，增加訓(xùn)練速度的同時(shí)還能降低誤檢率。除了參數(shù)優(yōu)化之外，對(duì)樣本進(jìn)行預(yù)處理，使缺陷特征更加明顯，除了采用隨機(jī)改變亮暗、對(duì)比度、顏色，隨機(jī)填充、裁剪、縮放、翻轉(zhuǎn)和隨機(jī)排序等數(shù)據(jù)增廣方式，還進(jìn)行了單通道分離和銳化處理，對(duì)訓(xùn)練數(shù)據(jù)集進(jìn)行拓展，使模型在泛化方面具備更強(qiáng)的能力［6］。

4 實(shí)驗(yàn)與分析

4.1 實(shí)驗(yàn)平臺(tái)

這里使用YOLOv3 作為深度學(xué)習(xí)的網(wǎng)絡(luò)框架、采用GPU Tesla V100進(jìn)行檢測(cè)模型訓(xùn)練，以Python3.7作為交互語言，顯存16GB，硬盤空間100GB，結(jié)合CUDA 及CUDNN 對(duì)訓(xùn)練過程進(jìn)行加速，批處理尺寸為1，初始學(xué)習(xí)率為0.0001，學(xué)習(xí)率的變化率為0.1，每輪包含迭代數(shù)89，共計(jì)訓(xùn)練200輪。考慮到各種尺度的缺陷情況，錨框設(shè)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(shè)置為0.8，其他參數(shù)采用了默認(rèn)值［7］。無人機(jī)搭載視覺傳感器對(duì)電站鍋爐水冷壁隱患多發(fā)、易發(fā)等關(guān)鍵部位進(jìn)行圖像采集，線下進(jìn)行篩選、裁剪、批量命名和轉(zhuǎn)換，制作缺陷數(shù)據(jù)集，其中訓(xùn)練集包括200張（640×480）分辨率的圖像，標(biāo)注的缺陷數(shù)量達(dá)到2591處，驗(yàn)證集包括25張圖，標(biāo)簽數(shù)量為257處，測(cè)試圖片50張。最后采用平均檢測(cè)準(zhǔn)確率（mAP）和幀率（FPS）作為公開評(píng)價(jià)指標(biāo)，對(duì)檢測(cè)算法進(jìn)行評(píng)價(jià)和對(duì)比，其中，mAP（mean Average Precision）計(jì)算如下，

式中：∑AP—所有種類的檢測(cè)精度之和；N—類別數(shù)。

另外，為了在應(yīng)用中的便捷性，結(jié)合實(shí)際情況及誤檢考慮，這里設(shè)置了失效閾值10，檢測(cè)過程中將缺陷數(shù)累加統(tǒng)計(jì)，超過閾值則認(rèn)為此處已經(jīng)失效，需要人工核檢。若存在缺陷但是小于失效閾值則認(rèn)為水冷壁表面的失效程度不夠。

4.2 結(jié)果與分析

直接采用YOLOv3檢測(cè)水冷壁缺陷的效果不理想，從樣本的角度進(jìn)行分析，對(duì)標(biāo)簽分布進(jìn)行了統(tǒng)計(jì)和仿真分析，發(fā)現(xiàn)標(biāo)簽不均衡問題嚴(yán)重，在300張訓(xùn)練樣本中，標(biāo)注的缺陷數(shù)量雖然達(dá)到2671處，但是單張樣本中10個(gè)缺陷的以內(nèi)的占比55.3%，低標(biāo)簽數(shù)的嚴(yán)重偏頗會(huì)導(dǎo)致訓(xùn)練過程中欠采樣問題。因此在改進(jìn)過程中，對(duì)訓(xùn)練樣本除作銳化等關(guān)鍵處理外，還重新篩選圖片并重新標(biāo)注，共200個(gè)訓(xùn)練樣本，但是標(biāo)簽數(shù)依然高達(dá)2591，并展現(xiàn)出很好的平衡性。另外，由于在原版本檢測(cè)發(fā)現(xiàn)對(duì)于腐蝕的情況，檢測(cè)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(duì)腐蝕形成干擾，優(yōu)化中直接減少了腐蝕缺陷形式，這樣的處理相當(dāng)于增加了其他水冷壁缺陷類型的權(quán)重，對(duì)特征提取是有益的。

調(diào)整后檢測(cè)效果提升較為明顯，達(dá)到了調(diào)整的目的和性能預(yù)期。效果對(duì)比，如圖5所示。原檢測(cè)模型對(duì)氧化、磨損檢測(cè)效率低，同時(shí)從圖中的檢測(cè)框可以看到偏離嚴(yán)重，檢測(cè)精度不高。雖然誤檢情況不多，但是漏檢明顯。改進(jìn)的檢測(cè)模型提高了各種缺陷形式的檢測(cè)率，同時(shí)檢測(cè)框的貼合程度改善了很多，檢測(cè)精度提升的同時(shí)誤檢率幾乎不變，仍然維持在較低水平［8-10］。

圖5 模型檢測(cè)的效果對(duì)比Fig.5 Effect Comparison of Model Detection

這里統(tǒng)計(jì)了測(cè)試圖片中缺陷的數(shù)量、檢測(cè)率和檢測(cè)精度，其中對(duì)于裂縫的檢測(cè)率提高到90%以上，精度達(dá)到86.0%。對(duì)氧化和磨損的效果仍有優(yōu)化的空間，檢測(cè)率分別達(dá)到了79.7%和72.7%，精度分別達(dá)到66.7%和52.8%，如表1所示。

表1 缺陷檢測(cè)測(cè)試統(tǒng)計(jì)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(jìn)、出彎頭（前、后彎共180只）開展氧化皮檢測(cè)，#1號(hào)發(fā)現(xiàn)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(hào)發(fā)現(xiàn)存在氧化皮的有末級(jí)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(cè)發(fā)現(xiàn)的氧化位置共55處，人眼標(biāo)注實(shí)發(fā)現(xiàn)69處，成功率79.7%。以人工方式對(duì)上述區(qū)域的情況進(jìn)行核實(shí)，且做出清理。對(duì)發(fā)生磨損的部位進(jìn)行檢測(cè)，共40處，人眼標(biāo)注實(shí)發(fā)現(xiàn)55處，成功率72.7%。綜合統(tǒng)計(jì)該次的檢驗(yàn)結(jié)果：共測(cè)出106處缺陷部位，人眼實(shí)際標(biāo)注136處，成功率為77.9%。根據(jù)設(shè)置的失效閾值，單張圖均無超出閾值，可見該鍋爐當(dāng)前暫無嚴(yán)重?fù)p壞區(qū)域，無需立刻檢修。結(jié)果為后續(xù)防護(hù)工作的改進(jìn)提供有效指導(dǎo)，且可確定哪些部位更容易發(fā)生損壞。如易出現(xiàn)裂縫位置，焊接時(shí)采用更優(yōu)良的工藝；易氧化的部位，可對(duì)通風(fēng)度、含氧量等做出合理調(diào)控，或?qū)ε滹L(fēng)方面運(yùn)用的具體方式做出合理改變。改進(jìn)模型的檢測(cè)量化對(duì)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(jìn)前后數(shù)據(jù)對(duì)比Tab.2 Data Comparison Before and After Improvement

5 結(jié)論

這里對(duì)電站鍋爐水冷壁檢測(cè)中采用人工作業(yè)的不足進(jìn)行分析，并基于計(jì)算機(jī)視覺技術(shù)提出新的方案，利用YOLOv3算法進(jìn)行水冷壁磨損、裂縫、氧化等失效類型進(jìn)行量化分析。建立缺陷標(biāo)簽，構(gòu)建YOLOv3網(wǎng)絡(luò)模型，對(duì)模型重要參數(shù)進(jìn)行調(diào)整并做出樣本增廣與平衡化改進(jìn)處理，提高了鍋爐水冷壁視覺檢測(cè)的性能。針對(duì)330MW的一組鍋爐檢測(cè)，裂縫檢測(cè)率達(dá)到90%，氧化檢測(cè)率79.7%，磨損檢測(cè)率72.7%。對(duì)比改進(jìn)前后YOLOv3模型數(shù)據(jù)，改進(jìn)后模型mAP提高111.4%，速度提高3倍之多，驗(yàn)證了鍋爐水冷壁視覺檢測(cè)的可行性，有效降低人力成本和檢測(cè)風(fēng)險(xiǎn)。在未來研究和工作中，通過增加訓(xùn)練和細(xì)化失效形式，進(jìn)一步提高水冷壁實(shí)際檢測(cè)性能。另外，將深度檢測(cè)網(wǎng)絡(luò)輕量化，移植于嵌入式系統(tǒng)，以實(shí)時(shí)方式做出處理，且將結(jié)果傳至云端。