用于潮流涡轮叶片水下附着物分割的改进型U-net算法

《Ocean Engineering》:Improved U-net for underwater attachment segmentation on tidal current turbine blades

【字体: 大 中 小 】 时间:2026年08月02日 来源:Ocean Engineering 6.3

编辑推荐:

  •为多种浊度条件下的水下叶片附着物分割,专门构建了TCTBA数据集。•提出了一种结合RefConv、高效注意力机制以及聚焦交叉熵损失的RefEfficient U-Net模型,用于特征较弱的水下图像分割。•与普通U-Net相比,该模型将IoU值从86.44%提升至88.68%,D

  
  • •
    为多种浊度条件下的水下叶片附着物分割,专门构建了TCTBA数据集。
  • •
    提出了一种结合RefConv、高效注意力机制以及聚焦交叉熵损失的RefEfficient U-Net模型,用于特征较弱的水下图像分割。
  • •
    与普通U-Net相比,该模型将IoU值从86.44%提升至88.68%,Dice值从92.73%提升至94.00%,标准差从9.56%降低至7.38%,平均CKA值达到最高值0.89。同时通过消融实验验证了各模块的有效性。
  • •
    针对潮流涡轮机叶片,建立了附着物评估与维护建议框架。

引言

潮流能量转换技术作为可再生能源开发利用的重要组成部分,在满足能源需求及实现低碳发展目标方面具有巨大潜力(Yang等人,2024;Li和Zhu,2024)。与风能、太阳能相比,潮流能受自然波动影响较小,因此在稳定性和可预测性方面更具优势。近年来,许多国家都在探索潮流能设备的大规模应用。但随着使用时间的延长,叶片表面出现的海洋生物附着问题日益突出。这类附着物会增加流体阻力,降低能源效率,还会加速腐蚀和疲劳,从而严重影响系统性能(Zhang等人,2025)以及可靠性(Liu等人,2017)。例如,在设计工况下,藤壶附着可使功率系数降低约13%(Song等人,2020)。严重的生物污损还会大幅降低涡轮机的性能和推力(Rashid等人,2023;Robin等人,2021)。尤其是在深海环境中,人工检查和清洁成本极高,这进一步凸显了自动化检测的必要性。
传统的检测方法主要依靠人工视觉检查以及声学图像分析(Legg等人,2015;Bloomfield等人,2021)。人工检查既耗时又费力,还容易受到主观因素的影响;而声学传感方法的分辨率较低,细节表现不足,难以满足实时化和大规模运维的需求。因此,开发高效自动化的水下附着物识别方法具有重要意义。
在附着物检测研究中,数据集的质量直接影响模型的性能。然而现有的公开数据集仍存在明显缺陷。比如EILAT数据集(Shihavuddin等人,2013)和RSMAS数据集(Gómez-Ríos等人,2019)的样本量相对较少,且大多针对浅水环境,难以覆盖复杂的深海环境。虽然Fish4Knowledge数据集(Fisher等人,2016)包含大量图像,但其目标类别主要是鱼类,缺乏生物附着物的标注。SUIM数据集(Islam等人,2020a)提供了多种类型的水下实例分割功能,但分辨率较低,无法满足高精度分割的需求。这些局限性导致模型在复杂的深海环境中的识别性能显著下降。因此,亟需建立一种高质量的数据集,涵盖多种附着物类型和不同的水文条件,以支持模型的训练和评估。不过,现有的公开水下数据集主要用于鱼类检测、珊瑚监测或一般水下物体识别,缺乏针对潮流涡轮机叶片生物污损分割的精细标注。为此,本研究在受控水槽环境下构建了专用数据集,确保目标形态、成像条件以及标注标准的一致性。尽管如此,当前数据集仍受限于人工模拟的附着物、3D打印的叶片材料以及实验室内的图像采集条件。未来的工作将进一步收集真实的海上水下检测图像,提升模型的泛化能力,同时解决受控水槽实验与真实海洋环境之间的差异,如光照变化、浊度波动以及生物多样性等问题。
与此同时,深度学习的快速发展为解决这一问题提供了新的思路。卷积神经网络在图像识别和分割任务中展现了出色的性能(LeCun等人,2015)。作为典型的编解码器架构,U-Net是分割任务中最常用的框架。其中,具有对称结构及多尺度特征融合能力的U-Net模型(Ronneberger等人,2015)已被广泛应用于医学影像和水下图像处理领域。不过,标准U-Net在处理边界模糊、目标较小以及对比度低的区域时仍存在局限性。近年来,研究人员提出了多种改进型架构,如UNet++(Zhou等人,2018)、UNet3+(Huang等人,2020)、Attention U-Net(Oktay等人,2018)以及非局部U-Net(Wang等人,2018),旨在增强多尺度语义融合能力,聚焦关键区域,并建模长距离依赖关系。尽管这些方法在公共数据集上取得了显著提升,但现有的水下生物污损研究仍主要以物体检测、分类、迁移学习或基于YOLO的检测方法以及迁移学习辅助的水下目标识别等集成型CNN框架为主。这些方法主要侧重于判断是否存在污损或定位污损区域,但缺乏对附着物形态、边界连续性以及面积估算的像素级分割能力。因此,它们在应对潮流涡轮机叶片附着物的特点,如目标较小、边界模糊以及分布稀疏等问题时,适应性不足,难以在复杂的水下环境中实现定量维护评估和稳定的图像分割。
基于上述背景,本研究旨在为复杂海洋环境下的潮流涡轮机叶片开发一种准确且稳健的水下附着物分割框架。为实现这一目标,我们在受控水槽环境下构建了名为TCTBA的专用数据集,涵盖了多种附着物类型、叶片结构以及不同的浊度水平。此外,还提出了一种结合RefConv、高效注意力机制以及聚焦交叉熵损失的RefEfficient U-Net模型,以提高对小目标、边界模糊以及对比度低的水下区域的分割性能。同时通过消融实验、特征一致性分析以及损失函数敏感性分析,验证了所提方法的有效性。
最后,基于分割结果开发了附着物评估与维护建议框架,为潮流涡轮机叶片的智能化运维提供支撑。本研究的整体研究流程如图1所示,展示了从数据集构建与预处理到模型验证以及维护决策的完整流程。

章节摘要

水下图像分割数据集的现状

在水下附着物识别任务中,数据集的适用性直接影响模型训练效果以及实际应用成果。现有常用的水下语义分割数据集虽具有一定代表性,但普遍存在附着物标注准确性不足、成像条件多样性欠缺以及目标类型覆盖不全等问题。
UIEBD数据集主要用于图像增强研究,其部分图像可用于测试模型的鲁棒性。

TCTBA数据集概述

本研究构建了“潮流涡轮机叶片附着物数据集”(TCTBA数据集),用于对潮流涡轮机叶片表面的附着物进行语义分割。该数据集源自水下水槽实验,涵盖了叶片结构及其上的附着物。在数据采集、筛选、预处理以及标注等环节均进行了标准化处理,使得该数据集兼具环境真实性与语义清晰度。

RefEfficient U-net架构设计

本文提出的RefEfficient U-Net模型是对传统U-Net架构的优化,重点提升了编码路径的特征提取能力,从而更好地应对水下图像中背景复杂、边缘模糊以及目标对比度低等挑战。
该模型的整体架构依然采用带有跳接连接的对称编解码器结构,不同之处在于五个编码层中每个层都加入了RefEfficient模块。

叶片附着物检测与维护系统

为能够自动评估叶片的附着物状况并为主动维护提供决策支持,本研究开发了叶片附着物检测与维护系统,该系统是以RefEfficient U-Net分割模型为基础的维护决策框架。

结论与未来工作

本研究将基于深度学习的语义分割技术应用于潮流涡轮机叶片附着物的检测,并提出了一种改进型的RefEfficient U-Net模型。通过将重参数化卷积以及高效注意力机制整合到U-Net框架中,该模型显著提升了在边界模糊、目标较小以及对比度低区域的分割性能。结合FCE损失函数、Dice损失函数以及余弦退火策略,该模型取得了良好的分割效果。

CRediT作者贡献说明

徐俊毅:概念构思、数据整理、形式分析、研究调查、软件开发、模型验证、结果可视化、初稿撰写。朱万强:资金筹集、研究方法设计、项目管理、资源协调、研究指导、论文审阅与修改。郑彩霞:研究指导、论文审阅与修改。陈建梅:研究方法设计、研究指导。乔莹莹:数据整理、研究调查。温新泽:软件开发、模型验证。李益晓:软件开发、模型验证。马赫:软件开发、模型验证。

利益冲突声明

作者声明不存在任何可能影响本文研究结果的已知财务利益冲突或个人关系。

致谢

本研究得到了中国国家重点研发计划(项目编号:2024YFE0101200)以及中国吉林省科学技术发展计划项目(项目编号:20240101382JC)的支持。同时,作者也感谢开源工具及计算资源的帮助。
徐俊毅|朱万强|郑彩霞|陈建梅|乔莹莹|温新泽|李益晓|马赫
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号