基于轻量化网络模型的水电机组转轮缺陷检测模型研究

基于轻量化网络模型的水电机组转轮缺陷检测模型研究

蒲小霞1，侯文赛1，刘涛涛1，刘成1，李显勇1

(重庆科技学院 安全工程学院，重庆市 401331

【摘要】水电机组转轮是水力发电机组的核心部位，其质量的好坏直接影响到水电机组的运行情况。为了保障水电机组的正常运行、及时发现故障而避免事故的发生，该文针对基于轻量化网络模型的水电机组转轮缺陷检测模型进行研究。首先，给出了检测硬件的设计方案；其次，设计出转轮缺陷检测系统方案；最后，重点研究并分析了视觉图像预处理技术、目标检测等可用于水力发电机组转轮缺陷检测的算法。利用“机检”代替“人检”的方式，实现检测自动化和智能化，为建设智慧水电厂提供参考。

【关键词】水电机组转轮 轻量化网络模型 视觉图像预处理技术 缺陷检测

0引言

随着现代化科学技术的快速发展，我国能源装备的尺寸逐步增大，结构日趋复杂，正在向复杂化、巨型化、集成化和智能化的方向发展，机组设备在设计、制作、安装等过程中可能会存在一些无法避免的技术难题[1]。水电机组转轮潜在的缺陷会极大地威胁到水电机组的安全运行，存在一系列的安全隐患容易造成安全事故，给水电站带来严重的经济损失和社会影响。比如俄罗斯的萨扬-舒申斯克水电站发生的重大事故原因之一就是没有能够有效地利用机组状态在线监测系统优化机组运行工况[2],而导致安全隐患造成事故的发生。我国目前对水电机组转轮的检测方式主要是以人工检测为主，人工在进行检测时需要通过在水电机组上安装吊钩，利用拉索将检测员拉到转轮位置进行检测。但由于水电机组转轮的操作空间狭窄、所处环境潮湿灰暗，操作人员没有着力点悬在空中进行作业。这种检测方式不仅效率低而且危险系数高、检测结果不准确。因此，非常有必要对水电机组转轮叶片裂纹、汽蚀等造成的缺陷进行检测与修复，早期辨识水电机组转轮的故障类型，对事故风险进行评估，进而采取有效的控制措施预防发生事故，保证水电机组正常运行的安全可靠性。

结合实际需求，本次研究的最终目的是利用硬件设施与检测系统相结合。硬件设备主要采用机器人本体上嵌入便携式设备对装备表面缺陷的图像进行采集。检测系统接收到机器人本体的采集数据后进行数据预处理，并设计开发出实时性好、鲁棒性强的轻量级水电机组表面缺陷检测算法，部署在迁移网络模型上，实现缺陷的自动检测与分类。搭建图像采集和离线传输系统来记录不同时刻下转轮表面的缺陷图像，整个机组的运行状态可进行全程记录。然后对有缺陷的图像进行数据诊断，提醒管理员需要及时检修水电机组的缺陷部位。

1 检测硬件设计方案

在采取大量缺陷图像的过程中，需要实时检测获取其相关信息、图片、视频资料等。结合水电机组实际作业的情况，缺陷检测硬件部分主要是通过在移动机器人上面安装工业相机进行拍摄转轮表面形貌特征。机器人本体结构是机器人的核心，本体的优劣直接决定了机器人能否达到工作的要求。机器人总体设计方案主要分为三大主要系统：本体结构、控制系统和检测装置。本体结构由移动机构、吸附力自调节机构、整体连接架所构成。整体上要求机器人移动灵活、安全可靠、小巧轻量。

水电机组转轮所处空间狭窄、光线昏暗的复杂环境，在设计的过程中移动机器人需考虑越障功能和曲面自适应性、良好的壁面吸附能力和负载能力。为了保证移动机器人在转轮表面安全、稳定的运动，设计增设吸附力自调节机构。机器人整体三维模型设计图（如图1）。

本文基于轻量化网络模型的图像检测技术，通过数据采集后上传到后台系统进行数据分析，系统自动显示出范围内的不同参数值，根据参数值解析出水电机组实时的运转状态。此外，检测硬件设计方案中不可轻视的是选取高清的工业摄像头，通过摄像头能够随机灵活地捕获到水电机组的不同运行状态，达到去噪去雾的效果。

2 水电机组转轮缺陷智能检测系统研究

近年来，随着信息化产业的飞速发展，以计算机视觉和机器学习为基础的缺陷检测方法已成为当下研究的热点，利用计算机视觉技术对产品缺陷进行精确的检测也逐渐增多。通过收集装备表面的缺陷图像，将转轮缺陷检测与深度学习相结合，搭建图像采集传输系统，利用已经训练好的缺陷检测算法和迁移学习模型对视觉检测设备传回的图像数据进行自动识别、分类，提高检测速度和检测准确率。本文所设计系统的整体流程图如下图2。

3 改进轻量化网络模型

3.1 YOLOv4网络结构

YOLOv4是YOLOv3的改进，在YOLOv3的基础上结合了很多的训练技巧，完美平衡了速度和精度。YOLOv4整个网络结构可以分为三个部分（如图3）。

第一部分主干特征提取网络（CSPDarkNet53）的作用是对图片进行初步的特征提取,能够增强卷积神经网络的学习能力。第二部分空间池化金字塔（Spatial Pyramid Pooling，SPP）和加强特征提取网络（Path Aggregation Network

，PANet）的作用是加强特征提取。我们可以对三个初步的有效特征层进行特征融合，提取出更好的特征，获得三个更有效的有效特征层。第三部分预测网络的功能是利用更有效的有效特征层获得预测结果。

3.2 数据增强

Mosaic数据增强参考了CutMix[3]数据增强的方式，Mosaic数据增强采用四张图片随机缩放、裁剪、排列布置等方式进行拼接，将拼接后的图像传输到神经网络中进行训练[4]。能够丰富数据集及检测物体的背景，并且在BN计算的时候能够很灵敏地计算出四张图片的数据。Mosaic数据增强可以分为三步骤。

a.从数据集中读取四张图片；

b.分别对四张图片进行翻转、缩放、色域变化等操作，并且按照四个方向位置摆好；

c.进行图片的组合和框的组合。

在水电机组转轮表面缺陷检测方面，尤其是光照条件不足，光照不均，小目标，复杂背景的条件下需要进一步的优化。运用Mosaic数据增强明显能节约空间大小和提高网络的鲁棒性。

4 结语
为了实时监测水电机组的运行状态、及时发现水电机组关键部件潜在的危险因素，结合项目的实际需求，本文针对基于轻量化网络模型的水电机组转轮缺陷检测模型进行如下研究：

1）给出了检测硬件的设计方案，主要是采用带有工业摄像头的移动机器人对水电机组运行过程进行实时监测；

2）设计出水电机组转轮缺陷检测系统的方案，检测过程分为五个部分：图像采集、图像预处理、训练模型、缺陷识别和显示分类结果；

3）研究并分析了运用于水电机组转轮缺陷检测的视觉图像预处理技术、目标检测以及轻量化网络模型。

本文研究的最终目的是设计出轻量化水电机组转轮缺陷检测模型，可以部署在便携式和嵌入式设备上使用，为后续设备状态维修提供依据。克服复杂环境带来的干扰，降低检测成本，缩短监测周期，实现对缺陷精确的检测。

参考文献：

[1]李松领. 基于故障树分析的水电机组振动故障诊断研究[D].南昌工程学院,2015.

[2]张冬生,付晓宇,李金明,杨永洪,杨华秋,王志.从“萨扬事故”探究水电机组实施状态在线监测系统的重要意义[J].电子世界,2012(23):98-100.

[3]YUN S, HAN D, OH S J, et al. CutMix: regularization strategy to train strong classifiers with localizable features[C]//International Conference on Computer  Vision. Seoul, Korea (South): IEEE, 2019:659-668.

[4]陈翠琴,范亚臣,王林.基于改进Mosaic数据增强和特征融合的Logo检测[J/OL].计算机测量与控制:1-11[2022-07-19].

基金项目：重庆科技学院科技创新研究生项目（YKJCX2120727） 重庆科技学院科技创新研究生项目（YKJCX2120713）

作者简介：蒲小霞（2000—），女，重庆市，硕士研究生，主要从事目标检测，智能运维与健康管理方面的研究。