基于机器视觉的电梯钢丝绳缺陷检测系统

摘要：钢丝绳作为电梯的重要部件，对于电梯使用安全有着举足轻重的作用。目前对于电梯钢丝绳缺陷检测存在难度大、效率低的问题，针对这一问题本文提出了一种基于机器视觉的电梯钢丝绳缺陷检测系统，给出了系统的硬件构成和软件算法。硬件包括工业相机和工控机，软件算法包括图像预处理、图像分割和缺陷检测。通过实验结果表明，本文设计的基于机器视觉的电梯钢丝绳缺陷检测系统能够识别出电梯钢丝绳中的磨损、断丝、锈蚀等缺陷，并且在准确率和效率上都有显著的提升，基本满足了电梯钢丝绳缺陷自动检测的需求。

关键词：电梯、钢丝绳、检测

1.引言

近年来，随着工业和城市化的快速发展，电梯作为高层建筑中不可或缺的运输工具，其安全性成为了社会关注的焦点。钢丝绳作为电梯的重要部件，在使用过程中容易发生磨损、断丝、断股甚至断裂，直接影响设备和人身安全。因此，对于电梯钢丝绳缺陷的检测是确保电梯安全运行的关键。

由于电梯钢丝绳运行速度快，距离较长，传统的目测方法对于钢丝绳缺陷的检验检测难度大、效率低，远远无法满足现在的检验需求。随着机器视觉快速发展，基于视觉的图像处理技术在检验检测中的应用也越来越广泛。本文提出的一种基于视觉的电梯钢丝绳缺陷检系统的设计通过光源、工业相机和工控机的硬件支持对钢丝绳表面图像的获取和软件计算处理，可以准确识别和定位钢丝的断裂、磨损等缺陷，极大提高了检测的效率和准确性。

2.电梯钢丝绳缺陷检测系统总体设计

根据电梯钢丝绳缺陷检测实际工况需要，本文设计的基于视觉的电梯钢丝绳缺陷检测系统是由硬件设备和软件算法两部分组成。硬件设备部分包括硬件支架、工业相机、光源及嵌入式工控机，其中嵌入式工控机最核心的部件便是计算处理器。硬件部分主要是负责完成电梯钢丝绳图像的采集工作；软件部分主要包括图像预处理模块、图像分割模块、缺陷检测模块以及其他数据分析保存模块、人机交互模块等。

2.1硬件主要构成

基于机器视觉的电梯钢丝绳缺陷检测系统的主要硬件部分结构如下图所示，主要由光电传感器和工控机组成，监测中心是对检测结果输出监测。其中光电传感器主要由工业相机和镜头组成。

图1钢丝绳缺陷检测系统硬件结构图

设定直径为10mm的若干根电梯钢丝绳以0.50m/s额定速度运行时的工况为标准工况，工业相机架设位置与电梯钢丝绳之间的距离为500mm，在该标准工况下对系统的硬件型号进行选择，具体的选择如下。

工业相机的选型需要集高分辨率、高速度、优秀图像质量和强环境适应性于一体。综合考虑电梯钢丝绳的成像大小和电梯钢丝绳的额定运动速度，选择的相机型号为Basler acA1600-60gc，选择的镜头型号为Basler Lens C23-2518-2M-S f25mm。该相机分辨率为200万像素，成像尺寸为1600px×1200px，帧速率为60fps。该镜头焦距为25mm，分辨率为200万像素，最小工作距离300mm。在上述硬件型号下，光电传感器的视场大小为137mm×103mm，能够适应的钢丝绳最大运行速度约为6m/s，每根钢丝绳成像尺寸约为116px×1200px，能够较好的满足电梯钢丝绳缺陷检测系统软件的成像需求。

工控机的选型直接关系到整个系统的性能、功耗、成本以及可扩展性。综合考虑电梯钢丝绳缺陷检测系统软件的内存占用与运行速率，选择的工控机型号为东田工控机DTB-3049-H310。该工控机CPU型号为I7-9700，内存为32GB DDR4 SDRAM，稳定兼容Windows、Linux、CentOS等操作系统，具备较高性能计算能力以及相对低功耗特性，能够满足电梯钢丝绳缺陷检测系统软件的运行需求。

2.2 软件算法

基于机器视觉的电梯钢丝绳缺陷检测系统软件算法部分主要由图像预处理、图像分割和缺陷检测三部分组成，其运行流程如下图所示。首先对相机采集的图像进行图像预处理，然后再进行图像分割提取各部分电梯钢丝绳区域图像，之后对各电梯钢丝绳区域图像进行缺陷检测得到检测结果。若检测结果无异常，则保存该图像进行下一次检测，若检测结果异常，则保存图像并且声光报警。保存的图像不仅可用于对报警进行人工确认，还可用于更新丰富数据集，以进一步提高缺陷检测的精度。

图2 钢丝绳缺陷检测系统软件流程图

2.2.1图像预处理

电梯钢丝绳图像在现场采集时，会受到光线、振动等多种干扰影响而产生噪声。所以，在缺陷检测前必须对图像进行预处理，以保证后续图像处理的顺利进行。为了消除图像中无关的信息，滤除干扰、噪声，恢复有用的真实信息，本检测系统采用维纳滤波快速算法，在对图像进行降噪的同时还对模糊和弱化的纹理信息进行了复原，增强了有关信息的可检测性。算法根据目标像素漂移尺度自适应调整预处理参数，有效提升了图像质量，提高了后续场景分析和理解的准确性。例如下图所示，图(a)为电梯钢丝绳灰度图，图(b)为经过滤波降噪后生成的滤波图，图(c)为对滤波图进一步增强处理后得到的轮廓增强图。

图2 钢丝绳图像预处理

从图中可以看出，待检测的图片首先经过图片预处理，经过一系列降噪锐化处理后，大大增强了相关信息的可检测性。

2.2.2 图像分割

待检测的钢丝绳图片首先在图像预处理后，通过图像的直方图信息获取轮廓，从而自适应选定灰度阈值，对图像进行分割，将电梯钢丝绳图像与背景图像分离，得到电梯钢丝绳图像。由于采集的图像中包含多根电梯钢丝绳，因此还需对电梯钢丝绳图像进行进一步分割，提取得到每根电梯钢丝绳区域的图像，以便进行下一步的缺陷分类检测。如下图所示，图(a)为阈值分割后得到的二值图，图(b)为二值图进过进一步分割后得到的电梯钢丝绳区域图像。

图3 钢丝绳图像分割

2.2.3 缺陷检测

本项目根据检测需求对AlexNet模型进行适应性改进，提出一种电梯钢丝绳缺陷检测网络模型，对电梯钢丝绳区域图像进行分类识别，网络模型结构示意图如下图所示。图像类别主要分为无缺陷、磨损、钢丝突出、单股钢丝绳绳心挤出、绳股突出或扭曲、断丝等类型。该网络模型主要由卷积层、池化层和全连接层组成，能够自适应地提取图像特征，具有较好的检测精度与鲁棒性，且其结构相对较为简单，处理速度能够满足检测需求。

图4 电梯钢丝绳缺陷检测网络模型结构图

电梯钢丝绳缺陷检测的整体流程主要分为三个阶段，第一阶段是网络模型训练阶段，该阶段利用预先收集的训练集数据对电梯钢丝绳缺陷检测网络模型进行训练；第二阶段是网络模型测试阶段，在训练次数达限后即进入网络模型测试阶段，该阶段利用预先设定的测试集数据对电梯钢丝绳缺陷检测网络模型的准确率进行测试，若准确率达标，则保存网络模型参数，进入网络模型应用阶段，否则需要重新设置超参数，再次进入网络模型训练阶段；最后阶段为网络模型应用阶段，该阶段将调试完成后的电梯钢丝绳缺陷检测网络模型部署于工控机上，在实际场景中运用网络模型对电梯钢丝绳区域图像进行识别分类。应用阶段还可以保存实际拍摄图像，对数据集进行更新，从而对电梯钢丝绳缺陷检测网络模型进行更新训练，以进一步提高网络模型的准确率。

小结

本文设计的基于机器视觉的电梯钢丝绳缺陷检测系统通过对钢丝绳表面图像的获取和处理，可以准确识别和定位钢丝的磨损、断丝等缺陷，极大提高了检测的效率和准确性，实现了对电梯钢丝绳缺陷的动态识别。与目前传统检测方法相比，在准确率和效率上都有显著的提升，体现出机器视觉技术在钢丝绳缺陷检测中明显优势，为电梯的安全运行提供了更可靠的保障，该设计基本满足了电梯钢丝绳缺陷自动检测的需求。

参考文献

[1] 李丹丹. 钢丝绳断丝损伤识别方法研究[D]. 徐州: 中国矿业大学, 2019.

[2] 战卫侠. 钢丝绳断丝损伤信号处理及定量识别方法研究[D]. 青岛: 青岛理工大学, 2013.

[3] 周继惠, 刘丹, 何悦海, 等. 基于 BP 神经网络的钢丝绳电涡流无损定量检测技术[J]. 机床与液压, 2012, 40(01): 34-38.