锅炉水冷壁管缺陷分类识别数据集的构建

1 数据来源

锅炉水冷壁管缺陷分类识别数据是国家电力投资集团下子公司在锅炉机组停机检查时，使用相机收集的水冷壁管缺陷图像数据和无人机采集的原始图像数据，无人机采集的图像通过专业缺陷检修人员识别缺陷类别。包括abrasion(磨损）、burner（燃烧器）、coking（结焦）、damaged（破损）、normal（正常）和 rot（腐蚀），共 6 类不同的锅炉水冷壁管图片，如图 3 所示。

2 数据标注

根据锅炉水冷壁管缺陷图像所呈现的缺陷图像特征，由专业的锅炉检修人员对我们进行指导和培训，学习锅炉水冷壁不同缺陷类别的特征，对图像进行标注，将相同类型的缺陷图像放置于同一个文件夹下，由专业的锅炉检修人员确认缺陷分类类别的确认，得到的锅炉水冷壁缺陷分类识别数据集如下图 4 所示。

3 数据集划分

锅炉水冷壁管缺陷分类数据集图像共有 3595 张图像，共有 6 个类别。按照8:1:1 的比例随机抽取划分为训练集、测试集和验证集。其中训练集有 2879 张图像，测试集有 358 张图像，验证集有 358 张图像，详细的数据分布如图 5 所示。

4 数据集优化

由于前期缺陷特征理解的不准确，训练算法模型的精度和准确率都在 80%左右。前期在数据集训练的 ResNet101 模型的各个类别的精度如表 1 所示。通过模型推理和混淆矩阵分析，很明显的类别特征但是出现了分类识别错误的情况，去训练数据集中发现这张检测图像分错了类别。通过专业的培训，学习缺陷特征。对前期的数据集进行优化，最后由专业的锅炉水冷壁管检修人员进行确认，得到最终的锅炉水冷壁管缺陷分类识别数据集。ResNet101 模型在优化前和优化后在测试集的评价指标对比表如表 3 所示。

微信公众号：人工智能感知信息处理算法研究院

知乎主页：AI高级人工智能