计算机视觉的电站锅炉水冷壁缺陷检测方法

王云霞，杨增阳，岳海姣，杨守波

（1.郑州电力高等专科学校，河南 郑州 450000；2.清华大学天津高端装备研究院洛阳先进制造产业研发基地，河南 洛阳 471000）

1 引言

目前国内火力发电占总发电量的70%左右，冬季小区的供暖任务，更是全部依靠火力发电实现。火力发电涉及的主要为原理为：锅炉中，由于煤粉的燃烧形成压力处于较高水平的水蒸气，以此实现对发电机的驱动，并产生相应的电能。在电厂及计划停运中，有大概70%均是因为发电锅炉出现故障而引发的。而在锅炉出现的各类事故中，有大概一半都是因为水冷壁管发生了破损而引发的。

可见，对于电厂而言，若想保证各个机组在实际运行中具有更高的安全性、稳定性，最为关键的环节便是锅炉停机检修，其中对水冷壁的检测尤为重要。

近年来，国家鼓励发展自动化、智能化技术，越来越多的自动化元素引入到锅炉水冷壁检测中。文献［1］研发了针对锅炉水冷壁含有多项参数的数学模型模拟器，该模型重现350MW发电厂，可再现变量在不同运行条件下锅炉不同部位的温度，压力，质量流量和燃烧气体成分等变量的响应。文献［2-3］开发了带有电磁声换能器探头和摄像机的攀爬机器人，无需去除覆盖管子的水垢，能够检查目标位置、测量管壁厚度。该机器人附着力由机器人下方的磁轮和磁条提供，研究中验证了机器人的可行性。阿尔斯通机器人公司和Waterjet Technologies合作开发了一种用于壁面清洁和检查的自动锅炉壁式履带；集成了清洁或检查应用程序的自动化系统将能够驱动水冷壁，并且不再需要脚手架。文献［4］为以更为精准的方式对圆柱形金属工件进行检测以确定其表面是不是存在缺陷，运用了Faster R-CNN系统，该系统开展检测的大致流程为：先通过Resnet 网络完成对特征的全面提取，之后通过RPN对包含了特定缺陷的矩形区域进行提取，最后通过Fast RCNN系统在提取范围内对缺陷进行全面检测，有效解决了圆柱形金属表面缺陷检测能力差的问题。文献［7］铁轨表面所存在缺陷的具体情况会给运行能够达到的质量及安全水平产生较为显著的影响。实际检测期间，针对铁轨获取的图像中，光照往往缺乏均匀性，而由于图像表面发生的改变而导致反射率受到一定影响，检测难度显著加大。运用改进最大熵法、局部对比度测量等方式对图像进行处理，以实现阈值分割、对比度增强等目的，使检测能够达到更高的准确率、检全率。

目前我国锅炉自动化检测的手段是依靠爬壁机器人或无人机搭载相机模块进行数据采集；然后将图片回传进行分析，检测精度和处理速度低，检测数据不完整；准确率低下，无法满足电厂的需求。

国内检修领域常会涉及到对爬壁机器人的运用，但实际达到的效果往往无法达到预期，问题有：（1）爬壁机器人搭载相机距离水冷壁较近，视野小，效率低。（2）效率低，该类机器人在实际运行中主要运用了磁吸式原理，行走速度十分有限。（3）目前视觉检测的精度和准确度不足，无法满足检测需求。（4）越障方面具备的性能过于有限，无法实现全面检测。且存在安全隐患，爬壁机器人由于其采用磁吸式原理，可能会对锅炉设备造成划伤、表面磁化，造成二次伤害，留下安全隐患。

现有无人机检测方案的优点是：无人机能更快的实现运行，因而能更高效的完成检测；不会受限于空间，可实现全面检测。但也有不足：无人机自主飞行技术还不成熟，操作人员操作飞机需要进行培训；收集到的各类图像，均要导入计算机并通过特定软件进行分析，且处理速度很慢，使检测无法具备较高的实时性。这里将使用自主规划路径无人机联合YOLOv3 算法，对锅炉水冷壁失效部位进行检测。无人机在检测方面能够达到更高的效率、实际运行中对环境也没有过于严格的要求，可实现全面检测，且水冷壁不会因此而受损，是其他手段无法替代的。通过YOLOV3 算法对水冷壁发生的磨损、裂缝等失效情况进行分类，其以量化方式开展分析，且能自动对相关数据进行记录，还可实现预警功能。

2 检测系统原理

针对水冷壁表面氧化、磨损的缺陷检测问题，结合YOLOv3残差结构构建深层卷积网络的优势，最终选择YOLOv3深度算法并进行改进，实现缺陷检测。YOLO系列实现了对性能、速度的有效兼顾，YOLOv3在检测方面达到的精度水平，与两步目标检测网络几乎达到相同的水平，且具有良好的实时性。该网络采用预测边界框的方法，通过尺寸聚类确定锚框，将锚框视作候选区域。锚框所处位置是不会发生改变的，与物体边界框发生重合的可能较小，基于锚框做出较为细微的调整，使预测框可对物体所处位置做出更准确的描述，深度模型预测的主要内容便是微调时采用的具体幅度［2］。

首先将全图分成图像块，以小方格的宽度为单位长度，设定任意块基于左上角的图像块坐标cx，cy对应该图像块的锚框区域中心坐标是：

预测框与锚框比较，会有不同的中心位置和大小，计算锚框所生成预测框的中心坐标：

式中：tx，ty—网络预测偏移量；σ(x)—Sigmoid函数，定义为：

设定预测框宽高的偏移tw，th计算预测框的大小。

若将预测框bx，by，bh，bw设置为真实框gx，gy，gh，gw的位置，即可求解出真实偏移的数值

图1 YOLOv3检测原理框架Fig.1 YOLOv3 Detection Framework

3 基于视觉的水冷壁检测

首先采用标注软件，分别建立水冷壁氧化、磨损和裂缝三种缺陷类别的标签，批量导入尺寸归一化为（640×480）的图像，每张真实采集的图片中多于一种失效形式，手工标注完成并存取带位置和类别的标准标签文件xml。按照YOLOv3算法的格式要求制作数据集，用于训练、验证和测试。然后对目标产生候选区域。将原始图片划分成m×n个区域，各小块区域的尺寸为（32×32），依据各个区域中心点坐标，分别生成3个尺度的锚框。基于深度网络检测原理会生成与各锚框对应的预测框。所有不同尺度的锚框都是一个可能的候选区域，针对某一个锚框中有没有包含特定的物体，视作一个二分类问题，通过标签objectness来体现其中有没有包含物体，若包含，其对应的数值为1，该框为正类，反之为负类。包含了特定物体的锚框，要进一步分析，计算其与真实框的交并比［4］：

A、B表示两个框，∩和∪分别表示交集和并集，找到跟真实框将IoU 达到最大水平的锚框，将与之对应的预测框的objectness标签数值设定为1，其内包含的物体所属类别跟真实框内的物体需保持一致。以此类推，可确定与其他真实框相对应且IoU达到最大水平的锚框，并进行自动标注。要指出的是，对于有些预测框的IoU大于阈值，但并不是最大的设置objectness标签为-1，不参与损失函数计算。Darknet53为骨干网络，对其中平均池化、全连接层、Softmax进行去除，保留主要网络结构，再添加其他模块。对于位置标签，以预测框及真实调整的幅度差距为损失函数，并设立相应的回归问题［5］。

特征图本身不具备较大的尺寸，即包含的像素点较为有限，各像素点所对应感受野会相对更大，因而包含更多的高层语义信息，更易检测。对于尺寸较小的目标，检测难度会更大。所以需基于大尺寸特征图完成对预测输出的设立。对高层级特征图做出合理的放大处理，使其跟低层级图像实现有效的融合，形成的新特征图内，包含的语义信息会变得更为丰富，可对精细部分做出更有效描述。在水冷壁缺陷的训练过程中，通过深度网络模型开展相关的检测，反复学习后，对参数做出合理的调整，判定锚框对应候选区内有没有包含物体，对于包含物体的候选区域，物体类别，及其边界框与锚框间所存在相对位置的调整幅度。训练过程示意图，如图2所示。

图2 训练过程示意图Fig.2 Training Process Diagram

图3 预处理图Fig.3 Pretreatment of Figure

图4 训练样本的均衡化处理Fig.4 Equalization of Training Samples

直接采用YOLOv3效果不理想，这里对其中重要参数进行调整并做出样本增广与平衡化改进处理。为提高训练速度，充分利用内存，常将批处理尺寸设置为6，10，12，但同时带来了梯度下降方向不够精准的弊端。为确保更准确的走向极值最小的区域，全数据集确定的方向，可对样本总体实现更全面的代表，在优化训练网络中将批处理尺寸设置为1，引起训练震荡较小。不同权重所对应梯度值会存在较大差别，难以获取全局学习率，这里选择了一种自适应的变化的学习率设置方式。在图像中一块区域同时会具有多种缺陷形式，无疑增加了训练收敛难度，并在预测时难以区分，降低了检测精度。因此减少类别数，增强类别的确定性，有助于提高精度。最后根据实际情况，将单张图像最多可能具有的缺陷数目从50修改为15，增加训练速度的同时还能降低误检率。除了参数优化之外，对样本进行预处理，使缺陷特征更加明显，除了采用随机改变亮暗、对比度、颜色，随机填充、裁剪、缩放、翻转和随机排序等数据增广方式，还进行了单通道分离和锐化处理，对训练数据集进行拓展，使模型在泛化方面具备更强的能力［6］。

4 实验与分析

4.1 实验平台

这里使用YOLOv3 作为深度学习的网络框架、采用GPU Tesla V100进行检测模型训练，以Python3.7作为交互语言，显存16GB，硬盘空间100GB，结合CUDA 及CUDNN 对训练过程进行加速，批处理尺寸为1，初始学习率为0.0001，学习率的变化率为0.1，每轮包含迭代数89，共计训练200轮。考虑到各种尺度的缺陷情况，锚框设置为［10，13，16，30，33，23，30，61，62，45，59，119，116，90，156，198，2，5］，最大IoU忽略阈值设置为0.8，其他参数采用了默认值［7］。无人机搭载视觉传感器对电站锅炉水冷壁隐患多发、易发等关键部位进行图像采集，线下进行筛选、裁剪、批量命名和转换，制作缺陷数据集，其中训练集包括200张（640×480）分辨率的图像，标注的缺陷数量达到2591处，验证集包括25张图，标签数量为257处，测试图片50张。最后采用平均检测准确率（mAP）和帧率（FPS）作为公开评价指标，对检测算法进行评价和对比，其中，mAP（mean Average Precision）计算如下，

式中：∑AP—所有种类的检测精度之和；N—类别数。

另外，为了在应用中的便捷性，结合实际情况及误检考虑，这里设置了失效阈值10，检测过程中将缺陷数累加统计，超过阈值则认为此处已经失效，需要人工核检。若存在缺陷但是小于失效阈值则认为水冷壁表面的失效程度不够。

4.2 结果与分析

直接采用YOLOv3检测水冷壁缺陷的效果不理想，从样本的角度进行分析，对标签分布进行了统计和仿真分析，发现标签不均衡问题严重，在300张训练样本中，标注的缺陷数量虽然达到2671处，但是单张样本中10个缺陷的以内的占比55.3%，低标签数的严重偏颇会导致训练过程中欠采样问题。因此在改进过程中，对训练样本除作锐化等关键处理外，还重新筛选图片并重新标注，共200个训练样本，但是标签数依然高达2591，并展现出很好的平衡性。另外，由于在原版本检测发现对于腐蚀的情况，检测率极低，分析原因在于水冷壁中的腐蚀情况与磨损或氧化有较大的相似性，并且焊接对腐蚀形成干扰，优化中直接减少了腐蚀缺陷形式，这样的处理相当于增加了其他水冷壁缺陷类型的权重，对特征提取是有益的。

调整后检测效果提升较为明显，达到了调整的目的和性能预期。效果对比，如图5所示。原检测模型对氧化、磨损检测效率低，同时从图中的检测框可以看到偏离严重，检测精度不高。虽然误检情况不多，但是漏检明显。改进的检测模型提高了各种缺陷形式的检测率，同时检测框的贴合程度改善了很多，检测精度提升的同时误检率几乎不变，仍然维持在较低水平［8-10］。

图5 模型检测的效果对比Fig.5 Effect Comparison of Model Detection

这里统计了测试图片中缺陷的数量、检测率和检测精度，其中对于裂缝的检测率提高到90%以上，精度达到86.0%。对氧化和磨损的效果仍有优化的空间，检测率分别达到了79.7%和72.7%，精度分别达到66.7%和52.8%，如表1所示。

表1 缺陷检测测试统计Tab.1 Defect Detection Test Statistics

以330MW组为例，以定量方式开展分析：高温再热器进、出弯头（前、后弯共180只）开展氧化皮检测，#1号发现存在氧化皮层的均为前弯，具体为出口11排第5根、20、23排第6根、64排第4根。#2号发现存在氧化皮的有末级过热器5排第13根，23排第10、11根，均为前弯。后屏过热器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，均为后弯。视觉检测发现的氧化位置共55处，人眼标注实发现69处，成功率79.7%。以人工方式对上述区域的情况进行核实，且做出清理。对发生磨损的部位进行检测，共40处，人眼标注实发现55处，成功率72.7%。综合统计该次的检验结果：共测出106处缺陷部位，人眼实际标注136处，成功率为77.9%。根据设置的失效阈值，单张图均无超出阈值，可见该锅炉当前暂无严重损坏区域，无需立刻检修。结果为后续防护工作的改进提供有效指导，且可确定哪些部位更容易发生损坏。如易出现裂缝位置，焊接时采用更优良的工艺；易氧化的部位，可对通风度、含氧量等做出合理调控，或对配风方面运用的具体方式做出合理改变。改进模型的检测量化对比，如表2所示。mAP提高了111.4%，速度提高了3倍之多。

表2 改进前后数据对比Tab.2 Data Comparison Before and After Improvement

5 结论

这里对电站锅炉水冷壁检测中采用人工作业的不足进行分析，并基于计算机视觉技术提出新的方案，利用YOLOv3算法进行水冷壁磨损、裂缝、氧化等失效类型进行量化分析。建立缺陷标签，构建YOLOv3网络模型，对模型重要参数进行调整并做出样本增广与平衡化改进处理，提高了锅炉水冷壁视觉检测的性能。针对330MW的一组锅炉检测，裂缝检测率达到90%，氧化检测率79.7%，磨损检测率72.7%。对比改进前后YOLOv3模型数据，改进后模型mAP提高111.4%，速度提高3倍之多，验证了锅炉水冷壁视觉检测的可行性，有效降低人力成本和检测风险。在未来研究和工作中，通过增加训练和细化失效形式，进一步提高水冷壁实际检测性能。另外，将深度检测网络轻量化，移植于嵌入式系统，以实时方式做出处理，且将结果传至云端。