[发明专利]一种基于深度学习的在役钢丝绳表面缺陷检测方法与系统

权利要求书

1.一种基于深度学习的在役钢丝绳表面缺陷检测方法，包括图像采集、原始图像数据规范化预处理、建立分类器和在线智能诊断四个步骤，具体步骤如下：

步骤1，图像采集：对运行中的钢丝绳图像进行周向采集，记录下每张图像中钢丝绳在全绳中的位置；

步骤2，原始图像数据规范化预处理；具体如下，

步骤2.1，位姿调整：采用边缘检测和形态学方法实现钢丝绳图像分割，利用霍夫变换实现边界识别，计算其边界斜率，将图像进行旋转；

步骤2.2，ROI提取：对图像进行垂直灰度投影，得到垂直灰度分布图；根据钢丝绳直径大小，结合灰度积分公式，计算灰度积分值最小的区间，并将其切割出来，切割为等长度的子图，从而建立起满足训练和测试用的钢丝绳表面状态大数据集；

步骤3，建立分类器：对传统的CNN即LeNet-5进行改进，包括其结构和参数，命名为WR-CNN，然后设置分类器WR-CNN的结构和参数；

步骤4，在线智能诊断：在得到集成算法模型后，配置检测系统的软硬件，实现钢丝绳表面缺陷在线实时检测，并根据检测结果作出合理预警。

2.根据权利要求1所述的一种基于深度学习的在役钢丝绳表面缺陷检测方法，其特征在于：在步骤2.1中，位姿调整为不规范钢丝绳位姿调整过程，其具体过程如下：

步骤A.同态高斯滤波：建立同态滤波器H_hf(u,v)＝(γ_H-γ_L)[cH(u,v)]+γ_L，其中H_l(u,v)＝exp[-(D(u,v)/D₀)²ⁿ]，设置公式中的参数γ_H,γ_L,c,n,D₀，其中，H(u,v)为传递函数，D₀为截至频率，u和v分别为图像中像素点坐标x和y进行傅里叶变换后对应的量，n为阶数，常数c用于控制坡度的锐利度，它在γ_H和γ_L之间过渡，其中γ_L<1且γ_H>1；对图像I进行滤波，得到滤波后的图像I1；

步骤B.纹理检测：设置Sobel的阈值g，根据公式计算梯度图像G(x,y)，与阈值进行比较，忽略小于阈值的边缘，得到二值纹理图像I2；其中，

式中，f(x+i,y+j)为偏离点(x,y)的点(x+i,y+j)的灰度值，a_x(i,j)和a_y(i,j)分别是x方向和y方向上的Sobel边缘算子；

步骤C.边界确认：设置结构元素B1，进行膨胀运算，得到膨胀图像I3；进行孔洞填充运算，得到填充图像I4；设置结构元素B2，连续两次腐蚀运算，得到腐蚀图像I5；

步骤D.姿态旋转：进行霍夫变换，寻找峰值，提取直线段，直线段为设置线段合并阈值和检测的直线断的最小长度，找到钢丝绳边界直线，得到钢丝绳边界图像I6；接着计算边界的斜率，根据斜率对滤波图像I1进行旋转；完成旋转后，得到旋转图像J。

3.根据权利要求2所述的一种基于深度学习的在役钢丝绳表面缺陷检测方法，其特征在于：在步骤A至步骤D中，将参数设置为：γ_H＝2.2,γ_L＝0.25,c＝2,n＝1,D0＝50；_g＝0.5·g′g′为自适应阈值；膨胀运算中，对于线性结构元素B1，元素长度为3，角度为0度和90度；腐蚀运算中，对于菱形结构元素B2，结构元素原点到顶点距离为1；寻找的峰值数目设为4，在Hough矩阵中寻找前4个大于Hough矩阵中最大值0.3倍的峰值；线段合并阈值设为50，检测直线段的最小长度设为70；图像旋转时，根据斜率值反向旋转。