1 數據來源

鍋爐水冷壁管缺陷分類識別數據是國家電力投資集團下子公司在鍋爐機組停機檢查時，使用相機收集的水冷壁管缺陷圖像數據和無人機采集的原始圖像數據，無人機采集的圖像通過專業缺陷檢修人員識別缺陷類別。包括abrasion(磨損）、burner（燃燒器）、coking（結焦）、damaged（破損）、normal（正常）和 rot（腐蝕），共 6 類不同的鍋爐水冷壁管圖片，如圖 3 所示。

2 數據標注

根據鍋爐水冷壁管缺陷圖像所呈現的缺陷圖像特征，由專業的鍋爐檢修人員對我們進行指導和培訓，學習鍋爐水冷壁不同缺陷類別的特征，對圖像進行標注，將相同類型的缺陷圖像放置于同一個文件夾下，由專業的鍋爐檢修人員確認缺陷分類類別的確認，得到的鍋爐水冷壁缺陷分類識別數據集如下圖 4 所示。

3 數據集劃分

鍋爐水冷壁管缺陷分類數據集圖像共有 3595 張圖像，共有 6 個類別。按照8:1:1 的比例隨機抽取劃分為訓練集、測試集和驗證集。其中訓練集有 2879 張圖像，測試集有 358 張圖像，驗證集有 358 張圖像，詳細的數據分布如圖 5 所示。

4 數據集優化

由于前期缺陷特征理解的不準確，訓練算法模型的精度和準確率都在 80%左右。前期在數據集訓練的 ResNet101 模型的各個類別的精度如表 1 所示。通過模型推理和混淆矩陣分析，很明顯的類別特征但是出現了分類識別錯誤的情況，去訓練數據集中發現這張檢測圖像分錯了類別。通過專業的培訓，學習缺陷特征。對前期的數據集進行優化，最后由專業的鍋爐水冷壁管檢修人員進行確認，得到最終的鍋爐水冷壁管缺陷分類識別數據集。ResNet101 模型在優化前和優化后在測試集的評價指標對比表如表 3 所示。

微信公眾號：人工智能感知信息處理算法研究院

知乎主頁：AI高級人工智能