[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

说明书

本发明公开了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，属于机械零部件损伤监测与诊断领域，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；本发明提出了在钢丝绳表面图像采集前进行污垢自动清除，以减少对缺陷识别的影响；本发明克服了钢丝绳位姿不正和图像背景信息的影响，可提高算法的工作环境适应性和鲁棒性；所提出的WR‑CNN算法能够达到99％的诊断精度，且只消耗8ms/样本，可满足实时性的要求；可一定程度上实时发现钢丝绳断丝、磨损损伤，并可在此基础上扩展缺陷类型，以检测更多类型缺陷，克服了人工巡检的效率低、检测周期长和无法及时发现的问题。

技术领域

本发明属于机械零部件损伤监测与诊断领域，尤其涉及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。

背景技术

钢丝绳作为矿井提升机、工程起重机、索道、电梯等复杂机械系统的重要承载部件，其健康状况直接关系到使用者的生命和财产安全。所以对钢丝绳的健康状况进行实时的监测和诊断显得十分重要。通过视觉方法检测钢丝绳表面状况是一种直观、有效的方法。

目前采用的机器视觉方法主要存在以下问题：1)现有的研究多默认为获取的钢丝绳图像数据规范，即钢丝绳位姿正常，而实际中由于工作环境和监测对象的影响，所获取的钢丝绳图像不一定位于图像正中间且不一定处于水平或垂直状态；所获取的图像含有大量背景信息，从而造成不必要的计算，同时诊断结果受到背景信息的影响。2)现有诊断方法需人工选择和提取特征，机器学习从原始数据中不能生成有辨别能力的特征；同时，缺陷样本的数量不足以训练一个健壮的分类器。

随着人工智能的快速发展，结合适当的图像预处理，深度学习可作为一种解决上述问题的高效方法。深度学习作为一种先进的端对端方法，可自适应的从原始信号中学习特征的深层次表达，可避免复杂的人工特征提取过程。自从2006年深度学习的提出，深度学习已被广泛应用于文字识别、语音识别、图像识别等领域。在机械损伤检测与诊断领域，一些深度学习算法也已经被逐渐利用，取得了较传统算法更好的结果。

鉴于传统方法的局限性以及深度学习的优势，本发明将深度学习方法引入到钢丝绳表面缺陷的监测当中，对保障钢丝绳的可靠性和安全性意义重大。

发明内容

本发明针对上述不足提供了一种基于图像处理和深度学习的钢丝绳表面缺陷智能检测方法与系统，融合机器视觉技术、图像处理方法和深度学习算法，以高效地检测和识别钢丝绳表面缺陷。

本发明采用如下技术方案：

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。

作为本发明一种基于深度学习的在役钢丝绳表面缺陷检测方法的进一步优选方案，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：