[发明专利]一种基于视觉-电磁检测的钢丝绳状态综合监测系统及方法

说明书

本发明公开了一种基于视觉‑电磁检测的钢丝绳状态综合监测系统及方法，属于机械零部件损伤检测领域。首先通过机器视觉法检测钢丝绳表面的断丝、磨损、锈蚀损伤，利用深度卷积神经网络自适应识别外形正常和异常钢丝绳，并利用改进主干网络的yolov3算法准确识别表面损伤的类型和位置；然后采用电磁检测仪检测钢丝绳的剩余有效截面积以及内部的断丝、磨损、锈蚀等损伤；接着依据检测数据更新所建立的基于视觉‑电磁检测的钢丝绳累积损伤可测模型；最后根据损伤程度对钢丝绳健康状态作出分级评价。本发明结合视觉检测和电磁测量技术，可综合掌握在役钢丝绳的内外部损伤，为钢丝绳的可靠运行提供保障。

技术领域

本发明属于机械零部件损伤检测领域，尤其涉及一种基于视觉-电磁检测的钢丝绳状态综合监测系统及方法。

背景技术

钢丝绳广泛应用在各种提升、牵引、承载系统中，如提升机、起重机、索道、斜拉桥等。钢丝绳的健康状况直接关系到人们的生命财产安全。所以，应加强对钢丝绳健康状况的检测。目前存在多种钢丝绳损伤检测方法，如电磁法、视觉法、声发射法、超声导波法等，然而还没有一种方法得到使用者的完全信任。各检测方法都具有一定优缺点，且并不能综合检测钢丝绳内外部状态。其中，视觉法可高效检测钢丝绳表面损伤类型和形貌，但检测精度和效率有待进一步提高；电磁法可检测钢丝绳剩余有效截面积，但在多种缺陷同时存在时难以区分且不易检测断口不明显的断丝(如翘起后搭接)，同时无法掌握损伤的形貌特征。所以，缺乏一种能够同时检测钢丝绳内外部缺陷的综合检测方法，以高效地检测和识别钢丝绳内外部缺陷、掌握钢丝绳的健康状况。

发明内容

发明目的：针对以上问题，本发明提出一种基于视觉与电磁检测的钢丝绳状态综合监测方法和系统，融合机器视觉和电磁检测技术，并引入和改进深度迁移学习算法和目标检测算法，以高效地检测和识别钢丝绳内外部损伤。

技术方案：为实现本发明的目的，本发明所采用的技术方案是：一种基于视觉-电磁检测的钢丝绳状态综合监测方法，包括以下步骤：

第一步：采集绳系统中钢丝绳的图像和电磁数据，所述绳系统是指以钢丝绳为部件的提升、牵引、承载系统；

第二步：对图像数据进行预处理，通过迁移学习TL结合卷积神经网络CNN，构建WR-TLDCNN模型，利用该模型判断钢丝绳外形是否异常；若外形异常，分析异常类型并报警；若外形正常，进入下一步；

第三步：将yolov3模型的原主干网络改为MobileNet网络，构建WR-yolov3模型，将第二步预处理后的图像作为该网络模型的输入，对外形正常钢丝绳的图像进行分析，得到钢丝绳全绳的外部损伤类型和位置；

第四步：根据钢丝绳的电磁数据，检测出钢丝绳内部损伤类型和位置以及全绳各截面的有效截面积；查找全绳最大集中损伤处、最小横截面积，求出动态安全系数，进行状态安全评价，得出钢丝绳的健康状况，并划分危险等级和设定预警阈值；

第五步：重复第一步至第四步，将每轮测量结果与前一轮进行对比，添加新增的损伤类型及位置信息，改变原有损伤的损伤程度，并结合划分的危险等级，对全绳危险程度进行更新并对超出预警阈值的损伤发出预警。

所述第五步中，在输出图像上将损伤用矩形框标记出，并标注其类别和置信度；健康的钢丝绳，不做任何标记。

本发明所述的基于视觉-电磁检测的钢丝绳状态综合监测方法构建了一种在役钢丝绳累积损伤可测模型，包括视觉检测、电磁测量、损伤累积、安全评价和模型更新。

视觉检测；通过深度学习结合迁移学习算法(深度迁移学习)区别钢丝绳外形正常和外形异常；通过改进的目标检测算法WR-yolov3(将yolov3的原主干网络改为适合移动端部署的轻量化网络MobileNet)识别出外形正常钢丝绳表面的缺陷类型和位置；WR-yolov3是一种处理图像数据的目标检测算法，可以识别出钢丝绳表面的多种损伤。