一种电梯曳引轮绳槽磨损检测方法及系统与流程

本发明涉及磨损检测，更具体的说是涉及一种电梯曳引轮绳槽磨损检测方法及系统。

背景技术：

1、曳引式电梯以曳引轮取代了绳鼓。钢丝绳悬挂在曳引轮上，一端与轿厢连接，另一端与对重连接，曳引轮转动时，钢丝绳与绳轮之间的摩擦带动轿厢运行。曳引式电梯的特点是轿厢与对重作相反运动，一升一降，钢丝绳不需缠绕，长度和根数都不受到限制。这样使电梯的提升高度和载重量都得到了提高。此外，曳引式电梯是靠摩擦传动，当电梯失控冲顶时，只要被底坑中的缓冲器阻挡，钢丝绳与曳引轮绳槽间就会发生打滑，而避免发生冲击楼板的重大事故。由于曳引式电梯具有这些优点，因此得到发展，并一直沿用至今。而曳引驱动电梯主要靠曳引轮与钢丝绳摩擦带动轿厢实现运行，电梯在经过一段时间的运行后，曳引轮上与钢丝绳相接触的各轮槽会产生不同程度的磨损，随着磨损的日益增大，会影响电梯的乘坐舒适性及安全性。

2、因此，如何提供一种电梯曳引轮绳槽磨损检测方法及系统，有效监测和评估电梯曳引轮绳槽的磨损情况，提高电梯的安全性和可靠性是本领域技术人员亟需解决的问题。

技术实现思路

1、有鉴于此，本发明提供了一种电梯曳引轮绳槽磨损检测方法及系统，有效监测和评估电梯曳引轮绳槽的磨损情况，提高电梯的安全性和可靠性，确保乘坐舒适性；在发现曳引轮绳槽磨损严重时，及时进行维护和修复，保障乘客和电梯设备的安全。

2、为了实现上述目的，本发明采用如下技术方案：一种电梯曳引轮绳槽磨损检测方法，包括：

3、采集曳引轮的多组绳槽图像；

4、基于曳引轮绳槽轮廓标准图像，构建特征提取网络模型，通过resnext+特征金字塔网络和非极大值抑制算法提取多组绳槽图像的磨损区域；

5、提取磨损区域中绳槽磨损的轮廓点，基于所述轮廓点，将所述磨损区域拟合为椭圆；

6、将拟合后得到的磨损区域转换为磨损量，通过所述磨损量检测电梯曳引轮绳槽磨损程度。

7、实现对电梯曳引轮绳槽的磨损程度进行准确检测和量化，并根据磨损量判断磨损程度，进一步实施维护和保养措施，确保电梯设备的安全和可靠运行。

8、优选的，基于曳引轮绳槽轮廓标准图像，构建特征提取网络模型，通过特征匹配算法提取多组绳槽图像的磨损区域，包括：

9、采集绳槽磨损图像数据集，对所述数据集进行预处理；

10、基于resnext+特征金字塔网络构建特征提取网络模型，通过绳槽磨损特征对所述resnext+特征金字塔网络进行改进，通过迁移学习的方法将绳槽磨损图像数据集上训练得到的网络参数值作为此网络的初始参数，同时通过缩减卷积网络层级调整特征提取网络的结构。

11、通过绳槽磨损特征改进的resnext+fpn特征提取网络，在resnext+fpn的基础上，将在绳槽磨损图像数据集上训练好的网络参数值作为初始参数值进行迁移学习，对特征提取网络的层数进行了缩减。

12、利用基于非极大值抑制算法改进的mask-r模型，对绳槽磨损图像进行磨损检测和实例分割，得到磨损区域。

13、优选的，所述特征提取网络模型的结构包括：

14、在第一阶段中网络设置为2个卷积层，第一阶段第一层网络卷积核个数为64，每个卷积核大小为7×7，做卷积时步长设置为2，该层之后连接一个采用线性整流函数的激活函数；第一阶段第二层网络与第一阶段第一层网络的设置相同，并在第一阶段第二层网络与第二阶段网络的中间加上一个最大值池化层，步长设为2；

15、对于池化层前面的卷积网络设置，对网络输入大小为224×224的图像，将卷积层分为五个阶段；

16、第二阶段的卷积网络通过重复3个block实现，每个block中包含32个分支，每个分支由三层卷积构成，卷积核大小分别为1×1、3×3和1×1，卷积核个数分别为64、64和256；后面的每一阶段卷积网络，卷积核个数依次翻一倍，其他设置与第二阶段相同；

17、特征提取网络模型的最后一阶段设置为两层，第一层的网络层数与前面阶段保持同步；第一层与第二层之间设置一个参数为0.5的dropout层，防止在训练阶段产生过拟合，连接函数使用线性整流函数激活函数；对于最后一阶段第二层网络，连接一个softmax函数用于分类任务。

18、优选的，基于非极大值抑制算法改进的mask-r模型，包括：

19、将所述特征提取网络模型分成并行的两层：一层计算候选窗口分类概率；另一层确定候选窗口位置；在候选窗口周围添加平均值池化层；

20、在候选窗口生成时，将非极大值抑制算法改进为神经网络实现；

21、在第一层网络中，设置两个并行的分层，分别从边框中得到score map和ioulayer两个信息；

22、第一分层用于得到一个w×h×2的分数图，由两个通道得到：第一个通道大小为w×h×1，其中每一个点在原图中表示一个4×4大小的区域；对于一个边框，计算其中心判断其属于哪个区域，然后将该边框的得分填入分数图对应的位置，如果有多个边框的中心落入同一区域，则记录最高得分；第二通道与第一通道大小相同，由传统非极大值抑制处理得到，记为s(t)，t表示nms网络中的阈值；

23、第二分层用于制作一个iou layer，该层反映每一个边框之间的交互关系：其中1×1×(11×11)表示以任意一点为中心，然后计算11×11范围内的随机一个点对应的边框与该点所对应的边框的交并比得到一个iou值，该层最终输出一个大小为w×h×(11×11)的iou layer；

24、对于一个大小为w×h的图像，经过候选窗口分类得到一个大小为w×h的分数图，其中w，h与w，h之间的关系为w＝w/4，h＝h/4。

25、第二层网络是将第一层网络两个分层的输出拼接，并在之后的网络中采用大小统一的分数图进行卷积运算，之后所有的卷积层都是1×1；理想的输出是一个同输入尺寸完全一致的分数图，在该图中，每一个目标只拥有一个score，相应地也只对应了一个边框；为了权衡正负样本数量的不均衡，采用先加权平衡后计算loss损失函数的方式予以解决；所述损失函数如下：

26、

27、上述公式中，p属于g表示score map中有数值的点，xp是位置p的特征描述符，f(xp)是位置p的网络输出，yp是为输入网格中的每个位置p生成一个标签，为选择权重；

28、对于每个roialign区域特征聚集层来说，多任务损失函数如下：

29、l＝lcls+lbox+lmask；

30、所述多任务损失函数包括分类损失函数lcls、回归损失函数lbox和掩码损失函数lmask三部分，其中，lcls表示分类得分，计算loss贡献时交叉熵会对每个框进行输出一个值，如果这个框最大的得分类别不属于预设类别，则不计本框loss；lbox表示回归得分，由于预测对于每个框体的每个类别都有回归输出，仅计算真实类别的回归loss；lmask表示掩码得分，每个roialign对应k×m^2维度的输出，k对应类别个数，即输出k个mask，m对应池化分辨率7×7；

31、通过迭代训练直到模型收敛，保存训练的权重参数，用于对绳槽磨损图像进行磨损检测和实例分割，得到磨损区域。

32、优选的，提取磨损区域中绳槽磨损的轮廓点，基于所述轮廓点将所述磨损区域拟合为椭圆，包括：

33、采用最小二乘拟合椭圆算法将磨损区域的轮廓点集拟合为椭圆；

34、计算椭圆的长轴和短轴长度，根据所述椭圆的长轴和短轴长度得到椭圆面积。

35、优选的，将拟合后得到的磨损区域转换为磨损量，包括：

36、建立磨损深度与椭圆参数之间的关系模型，所述椭圆参数包括椭圆的长轴和短轴长度；

37、根据椭圆参数的值确定磨损深度；

38、基于磨损深度和椭圆面积，计算得到磨损量。

39、优选的，收集一系列不同磨损深度下的椭圆参数数据；

40、采用线性多项式拟合得到磨损深度与椭圆参数之间的关系模型；

41、通过将椭圆参数代入建立的关系模型中得到磨损深度；

42、将椭圆面积乘以磨损深度得到磨损量。

43、优选的，通过所述磨损量检测电梯曳引轮绳槽磨损程度，包括：

44、基于所述磨损量，分别设置第一阈值、第二阈值和第三阈值；

45、当所述磨损量达到第一阈值时，判断为轻微磨损；

46、当所述磨损量达到第二阈值时，判断为正常磨损；

47、当所述磨损量达到第三阈值时，判断为严重磨损。

48、优选的，一种电梯曳引轮绳槽磨损检测系统，包括：

49、绳槽图像采集模块，用于采集曳引轮的多组绳槽图像；

50、磨损区域提取模块，用于基于曳引轮绳槽轮廓标准图像，构建特征提取网络模型，通过resnext+特征金字塔网络和非极大值抑制算法提取多组绳槽图像的磨损区域；

51、拟合模块，用于提取磨损区域中绳槽磨损的轮廓点，基于所述轮廓点，将所述磨损区域拟合为椭圆；

52、计算模块，用于将拟合后得到的磨损区域转换为磨损量，通过所述磨损量检测电梯曳引轮绳槽磨损程度。

53、经由上述的技术方案可知，与现有技术相比，本发明公开提供了一种电梯曳引轮绳槽磨损检测方法及系统，包括：采集曳引轮的多组绳槽图像；基于曳引轮绳槽轮廓标准图像，构建特征提取网络模型，通过resnext+特征金字塔网络和非极大值抑制算法提取多组绳槽图像的磨损区域；提取磨损区域中绳槽磨损的轮廓点，基于所述轮廓点，将所述磨损区域拟合为椭圆；将拟合后得到的磨损区域转换为磨损量，通过所述磨损量检测电梯曳引轮绳槽磨损程度。本发明能够有效监测和评估电梯曳引轮绳槽的磨损情况，提高电梯的安全性和可靠性，确保乘坐舒适性；在发现曳引轮绳槽磨损严重时，及时进行维护和修复，保障乘客和电梯设备的安全。