CN111784681A - 钢丝绳乱绳检测方法、装置、计算机设备和存储介质 - Google Patents
钢丝绳乱绳检测方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN111784681A CN111784681A CN202010650079.8A CN202010650079A CN111784681A CN 111784681 A CN111784681 A CN 111784681A CN 202010650079 A CN202010650079 A CN 202010650079A CN 111784681 A CN111784681 A CN 111784681A
- Authority
- CN
- China
- Prior art keywords
- wire rope
- detected
- steel wire
- area
- region
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 229910000831 Steel Inorganic materials 0.000 title claims abstract description 151
- 239000010959 steel Substances 0.000 title claims abstract description 151
- 238000001514 detection method Methods 0.000 title claims description 21
- 238000000034 method Methods 0.000 claims abstract description 53
- 238000012544 monitoring process Methods 0.000 claims abstract description 51
- 238000000605 extraction Methods 0.000 claims abstract description 46
- 238000012545 processing Methods 0.000 claims description 78
- 238000001914 filtration Methods 0.000 claims description 43
- 230000002159 abnormal effect Effects 0.000 claims description 33
- 238000004590 computer program Methods 0.000 claims description 25
- 238000007619 statistical method Methods 0.000 claims description 18
- 238000007781 pre-processing Methods 0.000 claims description 17
- 230000003247 decreasing effect Effects 0.000 claims description 6
- 238000013075 data extraction Methods 0.000 claims description 5
- 238000005429 filling process Methods 0.000 claims 1
- 230000008569 process Effects 0.000 abstract description 6
- 238000004891 communication Methods 0.000 description 22
- 238000010586 diagram Methods 0.000 description 11
- 230000008859 change Effects 0.000 description 5
- 238000005299 abrasion Methods 0.000 description 4
- 230000003044 adaptive effect Effects 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 4
- 238000010276 construction Methods 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 238000005260 corrosion Methods 0.000 description 2
- 230000007797 corrosion Effects 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000009434 installation Methods 0.000 description 2
- 238000004804 winding Methods 0.000 description 2
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000005530 etching Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/73—Deblurring; Sharpening
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
- Length Measuring Devices By Optical Means (AREA)
Abstract
本申请涉及一种钢丝绳乱绳检测方法、装置、计算机设备和存储介质。所述方法包括：从钢丝绳作业现场的监控图像中，提取出与预先确定的待检测钢丝绳区域对应的亮度信号数据，并对经预处理后的亮度信号数据进行边缘提取，得到与待检测钢丝绳区域对应的轮廓图像数据。删除与轮廓图像数据对应的二值图像中的孤立点，生成对应的待检测连通区域，对待检测连通区域进行统计，当确定各待检测连通区域的二值图像中的分界段数大于预设数值时，将待检测连通区域内宽度大于预设钢丝绳绳宽且朝向两端开叉的区域点，确定为乱绳区域。采用本方法能够对轮廓图像数据直接进行分析统计和区域识别，简化识别操作流程，提高对钢丝绳作业现场的监控图像的乱绳识别效率。
Description
技术领域
本申请涉及图像处理技术领域，特别是涉及一种钢丝绳乱绳检测方法、装置、计算机设备和存储介质。
背景技术
随着图像处理技术的发展，以及建设工程中塔机的广泛使用，而在塔机的工作过程中，卷扬乱绳现象较为常见。其中，卷扬乱绳现象是造成钢丝绳快速磨损、变形和结构破坏的主要原因，而钢丝绳磨损、断丝达到一定程度后会导致钢丝绳报废，需要重新更换新的钢丝绳，增加了机械运行成本和维护费用，如未及时更换新的钢丝绳导致出现事故，则会直接影响人身安全。
为及时获知钢丝绳的实际情况，需要对塔机卷筒进行钢丝绳乱绳进行识别。目前对于塔机卷筒的乱绳状况识别，主要是依靠人工直接检查或视频监控人工判断，通常由于操作人员疏忽，未能及时排除乱绳状况，容易给工程施工留下较大安全隐患。
因此，目前通过人工直接实地检查或基于监控视频进行人工判断的方式，人工依赖程度较高，一旦操作人员疏忽，容易导致安全隐患和事故，识别效率不够高。
发明内容
基于此，有必要针对上述技术问题，提供一种能够提高的钢丝绳乱绳识别效率的钢丝绳乱绳检测方法、装置、计算机设备和存储介质。
一种钢丝绳乱绳检测方法，所述方法包括：
从钢丝绳作业现场的监控图像中，提取出与预先确定的待检测钢丝绳区域对应的亮度信号数据；
对所述亮度信号数据进行预处理；
对经预处理后的所述亮度信号数据进行边缘提取，得到与所述待检测钢丝绳区域对应的轮廓图像数据；
对所述轮廓图像数据进行二值化处理，得到对应的二值图像；
删除所述二值图像中的孤立点，生成对应的待检测连通区域；
对各所述待检测连通区域进行统计分析，当确定各所述待检测连通区域的二值图像中的分界段数大于预设数值时，将所述待检测连通区域内宽度大于预设钢丝绳绳宽且朝向两端开叉的区域点，确定为乱绳区域。
在其中一个实施例中，所述对所述轮廓图像数据进行二值化处理，得到对应的二值图像，包括：
获取所述轮廓图像数据的边缘线；
以所述边缘线为界限，统计所述轮廓图像数据的灰度梯度分布；
根据所述灰度梯度分布，确定对应的二值化灰度阈值；所述二值化灰度阈值分别对应钢丝绳和间隙；
根据所述二值化灰度阈值，对所述轮廓图像数据进行二值填充处理，生成对应的二值图像。
在其中一个实施例中，所述从钢丝绳作业现场的监控图像中，提取出与预先确定的待检测钢丝绳区域对应的亮度信号数据，包括：
对所述钢丝绳作业现场的监控图像进行锐度增强处理；
获取预先确定的待检测钢丝绳区域的区域参数；所述区域参数包括区域大小和数据信号类型，所述数据信号类型包括亮度信号；
根据所述区域大小，对经锐度增强处理后的所述钢丝绳作业现场的监控图像进行区域缩放处理；
根据所述数据信号类型，从经缩放处理后的所述钢丝绳作业现场的监控图像中，提取出与所述预先确定的待检测钢丝绳区域对应的亮度信号数据。
在其中一个实施例中，对所述亮度信号数据进行预处理，包括：
获取预先配置的滤波模板；
根据所述滤波模板对所述亮度信号数据进行高斯滤波处理；
对经高斯滤波处理后的所述亮度信号数据进行直方图统计，生成所述亮度信号数据的灰度分布情况。
在其中一个实施例中，所述对经预处理后的所述亮度信号数据进行边缘提取，得到与所述待检测钢丝绳区域对应的轮廓图像数据，包括：
根据所述亮度信号数据的灰度分布情况，确定边缘提取算子的高低灰度阈值；
利用已确定高低灰度阈值的所述边缘提取算子，对经高斯滤波处理后的所述亮度信号数据进行边缘提取，得到与所述待检测钢丝绳区域对应的轮廓图像数据。
在其中一个实施例中，所述根据所述二值化灰度阈值，对所述轮廓图像数据进行二值填充处理，生成对应的二值图像，包括：
将灰度值小于所述二值化灰度阈值且向边缘线呈梯度增大的区域填充为第一预设数值，将灰度值大于所述二值化灰度阈值且向边缘线梯度减小，背离边缘线梯度增大的区域填充为第二预设数值，生成与所述轮廓图像数据对应的二值图像；所述第一预设数值与所述钢丝绳对应，所述第二预设数值与所述间隙对应。
在其中一个实施例中，所述方法还包括：
合并相邻的各所述乱绳区域得到对应的异常区域合集；
将所述异常区域合集在显示设备上展示；
输出根据所述异常区域合集生成的警告提示信息。
一种钢丝绳乱绳检测装置，所述装置包括：
亮度信号数据提取模块，用于从钢丝绳作业现场的监控图像中，提取出与预先确定的待检测钢丝绳区域对应的亮度信号数据；
预处理模块，用于对所述亮度信号数据进行预处理；
轮廓图像数据生成模块，用于对经预处理后的所述亮度信号数据进行边缘提取，得到与所述待检测钢丝绳区域对应的轮廓图像数据；
二值化处理模块，用于对所述轮廓图像数据进行二值化处理，得到对应的二值图像；
待检测连通区域生成模块，用于删除所述二值图像中的孤立点，生成对应的待检测连通区域；
乱绳区域确定模块，用于对各所述待检测连通区域进行统计分析，当确定各所述待检测连通区域的二值图像中的分界段数大于预设数值时，将所述待检测连通区域内宽度大于预设钢丝绳绳宽且朝向两端开叉的区域点，确定为乱绳区域。
一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
从钢丝绳作业现场的监控图像中，提取出与预先确定的待检测钢丝绳区域对应的亮度信号数据；
对所述亮度信号数据进行预处理；
对经预处理后的所述亮度信号数据进行边缘提取，得到与所述待检测钢丝绳区域对应的轮廓图像数据；
对所述轮廓图像数据进行二值化处理，得到对应的二值图像；
删除所述二值图像中的孤立点，生成对应的待检测连通区域；
对各所述待检测连通区域进行统计分析，当确定各所述待检测连通区域的二值图像中的分界段数大于预设数值时，将所述待检测连通区域内宽度大于预设钢丝绳绳宽且朝向两端开叉的区域点，确定为乱绳区域。
一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：
从钢丝绳作业现场的监控图像中，提取出与预先确定的待检测钢丝绳区域对应的亮度信号数据；
对所述亮度信号数据进行预处理；
对经预处理后的所述亮度信号数据进行边缘提取，得到与所述待检测钢丝绳区域对应的轮廓图像数据；
对所述轮廓图像数据进行二值化处理，得到对应的二值图像；
删除所述二值图像中的孤立点，生成对应的待检测连通区域；
对各所述待检测连通区域进行统计分析，当确定各所述待检测连通区域的二值图像中的分界段数大于预设数值时，将所述待检测连通区域内宽度大于预设钢丝绳绳宽且朝向两端开叉的区域点，确定为乱绳区域。
上述钢丝绳乱绳检测方法、装置、计算机设备和存储介质，通过从钢丝绳作业现场的监控图像中，提取出与预先确定的待检测钢丝绳区域对应的亮度信号数据，并对亮度信号数据进行预处理。通过对经预处理后的亮度信号数据进行边缘提取，得到与待检测钢丝绳区域对应的轮廓图像数据，并对轮廓图像数据进行二值化处理，得到对应的二值图像，进而删除二值图像中的孤立点，生成对应的待检测连通区域。通过对各待检测连通区域进行统计分析，当确定各待检测连通区域的二值图像中的分界段数大于预设数值时，将待检测连通区域内宽度大于预设钢丝绳绳宽且朝向两端开叉的区域点，确定为乱绳区域。实现了针对根据亮度信号数据得到的轮廓图像数据直接进行分析统计和区域识别，而无需依赖于根据大量样本图像数据训练得到的模型进行识别，避免出现传统识别方式下因样本数据数量不足而识别成功概率较低的问题，对环境亮度变化具有良好的适应，同时在简化识别操作流程的基础上，进一步提高了对钢丝绳作业现场的监控图像的乱绳识别效率。
附图说明
图1为一个实施例中钢丝绳乱绳检测方法的应用环境图；
图2为一个实施例中钢丝绳乱绳检测方法的流程示意图；
图3为一个实施例中钢丝绳乱绳检测方法的滤波模板示意图；
图4为一个实施例中亮度信号数据的高斯滤波处理结果示意图；
图5为一个实施例中钢丝绳乱绳检测方法的待检测连通区域示意图；
图6为一个实施例中钢丝绳乱绳检测方法的检测结果示意图；
图7为另一个实施例中钢丝绳乱绳检测方法的流程示意图；
图8为一个实施例中钢丝绳乱绳检测装置的结构框图；
图9为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
本申请提供的钢丝绳乱绳检测方法，可以应用于如图1所示的应用环境中。其中，终端102与服务器104通过网络进行通信。通过从钢丝绳作业现场的监控图像中，提取出与预先确定的待检测钢丝绳区域对应的亮度信号数据，并对亮度信号数据进行预处理。其中，钢丝绳作业现场的监控图像可存储在终端102本地，考虑到本地存储容量较小，也可上传至服务器104端的云端存储，当需要进行乱绳检测时，从服务器104的云端存储中获取对应的钢丝绳作业现场的监控图像。通过对经预处理后的亮度信号数据进行边缘提取，得到与待检测钢丝绳区域对应的轮廓图像数据，并对轮廓图像数据进行二值化处理，得到对应的二值图像，进而删除二值图像中的孤立点，生成对应的待检测连通区域。通过对各待检测连通区域进行统计分析，当确定各待检测连通区域的二值图像中的分界段数大于预设数值时，将待检测连通区域内宽度大于预设钢丝绳绳宽且朝向两端开叉的区域点，确定为乱绳区域。其中，所确定的乱绳区域，可在设置与终端102上的显示设备进行展示。其中，终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机和平板电脑，服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一个实施例中，如图2所示，提供了一种钢丝绳乱绳检测方法，以该方法应用于图1中的终端为例进行说明，包括以下步骤：
步骤S202，从钢丝绳作业现场的监控图像中，提取出与预先确定的待检测钢丝绳区域对应的亮度信号数据。
其中，首次进行乱绳检测操作时，工作人员需要进行设备安装，并预先设置待检测的钢丝绳区域的区域参数，包括区域大小、数据信号类型和预设钢丝绳绳宽。其中，信号数据类型表示在乱绳检测操作过程中需要关注的信号数据为亮度信号数据。
具体地，通过对钢丝绳作业现场的监控图像进行锐度增强处理，提高钢丝绳作业现场的监控图像的边缘对比度。进而通过获取预先确定的待检测钢丝绳区域的区域大小，对经锐度增强处理后的钢丝绳作业现场的监控图像进行区域缩放处理，提取出符合区域大小要求的待检测钢丝绳区域。
进一步地，根据预先确定的数据信号类型，从经缩放处理后的钢丝绳作业现场的监控图像，即符合区域大小要求的待检测钢丝绳区域中，提取出对应的亮度信号数据。
在一个实施例中，执行乱绳检测操作的芯片设置有处理能力限制，以芯片可处理的区域像素最大值高720*宽640为例，当钢丝绳选取区域未超出处理能力宽720高640时，则不需要进行缩放操作，可直接进行下一步操作处理。当如宽度超出720，则宽缩放到720，如高度超640，则高度缩放到640，以使得所选定的区域符合预设区域大小。
步骤S204，对亮度信号数据进行预处理。
具体地，通过获取预先配置的滤波模板，并根据滤波模板对亮度信号数据进行滤波处理，并对经高斯滤波处理后的亮度信号数据进行直方图统计，生成亮度信号数据的灰度分布情况。
其中，采用预先配置的如图3所示的5X5滤波模板，对亮度信号数据进行滤波处理，消除亮度信号数据的部分噪声，得到如图4所示的经高斯滤波处理后的亮度信号数据。
在一个实施例中，采用以下公式(1)计算得到直方图统计操作的统计结果：
其中，I(i,j)表示所输入的经高斯滤波处理后的亮度信号数据，Iout(x)表示直方图统计结果，即亮度信号数据的灰度分布情况。高斯滤波表示对整幅图像进行加权平均的过程，每一个像素点的值，都由其本身和邻域内的其他像素值经过加权平均后得到。
进一步地，灰度直方图统计表示将数字图像中的所有像素，按照灰度值的大小，统计其出现的频率。灰度直方图是灰度级的函数，它表示图像中具有某种灰度级的像素的个数，反映了图像中某种灰度出现的频率。在本实施例中，利用直方图对亮度信号数据进行灰度统计，即表示分别统计输入的亮度信号数据中各个灰阶占得像素点数，确定亮度信号数据中灰度值为0的总共有多少个点，灰度值为1的总共有多少个点，依次统计到灰度值为255。而在统计结果中，钢丝绳区域和间隙区域的统计值相对集中，由于钢丝绳的灰度值较高，而间隙的灰度值较低，则可得到相应的低灰度值集中区域中心和高灰度值集中中心。其中，低灰度阈值取低灰度中心加上高低灰度中心的差值，高灰度阈值取高灰度中心减去高低灰度中心的差值。
步骤S206，对经预处理后的亮度信号数据进行边缘提取，得到与待检测钢丝绳区域对应的轮廓图像数据。
具体地，根据亮度信号数据的灰度分布情况，确定边缘提取算子的高低灰度阈值，并利用已确定高低灰度阈值的边缘提取算子，对经高斯滤波处理后的亮度信号数据进行边缘提取，得到与待检测钢丝绳区域对应的轮廓图像数据。
进一步地，在本实施例中，采用canny边缘提取算法，对亮度信号数据进行边缘提取。具体来说，基于亮度信号数据的灰度分布情况，确定canny边缘提取算子的高低灰度阈值，并利用已确定高低灰度阈值的边缘提取算子，对经高斯滤波处理后的亮度信号数据进行边缘提取，确定出输入图像即亮度信号数据的边缘轮廓点，并连接各边缘轮廓点，生成与待检测钢丝绳区域对应的轮廓图像数据。其中，还可以采用Sobel算子以及Laplacian算子等边缘检测算子，实现对亮度信号数据的边缘提取。
步骤S208，对轮廓图像数据进行二值化处理，得到对应的二值图像。
具体地，通过获取轮廓图像数据的边缘线，并以边缘线为界限，统计轮廓图像数据的灰度梯度分布，进而根据灰度梯度分布，确定对应的二值化灰度阈值，进一步根据二值化灰度阈值，对轮廓图像数据进行二值填充处理，生成对应的二值图像。其中，二值化灰度阈值分别对应钢丝绳和间隙。
其中，Canny边缘提取算法提取到的是边缘图，是白色的轮廓图，需要以得到的白色轮廓图为基准来填充得到新的二值图，其中，二值图像表示亮度值只有两个状态：黑(0)和白(255)，由黑白2个状态标识的图像，在本实施例中，二值图的白色区域代表钢丝绳，黑色区域代表间隙。对白色轮廓图进行填充的依据是计算轮廓线位置原始输入图像的灰度变化情况，如梯度递减，梯度递增，则钢丝绳区域必定是向区域中心灰度递增，而间隙区域则相反，向区域中心灰度递减。其中，轮廓图和原始图位置一一对应。
进一步地，根据二值化灰度阈值，对轮廓图像数据进行二值填充处理，生成对应的二值图像的步骤，具体包括：
通过将灰度值小于二值化灰度阈值且向边缘线呈梯度增大的区域填充为第一预设数值，将灰度值大于二值化灰度阈值且向边缘线梯度减小，背离边缘线梯度增大的区域填充为第二预设数值，生成与轮廓图像数据对应的二值图像。
其中，第一预设数值与钢丝绳对应，第二预设数值与间隙对应，即第一预设数值为0，与间隙对应，在二值图像中显示为黑色，第二预设数值为255，与钢丝绳对应，在二值图像中显示为白色。
步骤S210，删除二值图像中的孤立点，生成对应的待检测连通区域。
具体地，通过对二值图像进行腐蚀操作，删除如图4中所示的孤立点，即显示颜色为黑色的孤立点，得到对应的待检测连通区域，得到的白色区域组成的待检测连通区域的示意图如图5所示。
步骤S212，对各待检测连通区域进行统计分析，当确定各待检测连通区域的二值图像中的分界段数大于预设数值时，将待检测连通区域内宽度大于预设钢丝绳绳宽且朝向两端开叉的区域点，确定为乱绳区域。
其中，通过对各待检测连通区域进行统计分析，首先判定各待检测连通区域的宽度与2倍预设钢丝绳绳宽之间的大小，当存在宽度小于2倍预设钢丝绳绳宽的待检测的连通区域时，直接剔除该些待检测的连通区域，实现对待检测的连通区域的预先过滤。
具体地，当确定各待检测连通区域的宽度均大于2倍预设钢丝绳绳宽，即黑白相间段数大于等于5时，满足一定的置信度，进而对各待检测连通区域进行交叉检测。其中，在待检测连通区域内存在明显的黑白间隙，白色段表示钢丝绳，黑色段代表阴影或间隙，当根据待检测连通区域的钢丝绳宽度情况，确定待检测连通区域内黑色段和白色段的分布，满足分界段数大于预设数值时，从上至下扫描待检测连通区域，从待检测连通区域中确定出宽度值大于预设钢丝绳绳宽的各个区域，根据各个区域得到相应的大于预设钢丝绳绳宽的区域集合。
进一步地，通过对大于钢丝绳绳宽的区域集合中确定出存在间隙区域成单调递增趋势，即朝向两端开叉的区域点，确定待检测连通区域中存在钢丝绳交点，即出现乱绳情况，从而将待检测连通区域内宽度大于预设钢丝绳绳宽且朝向两端开叉的区域点，确定为乱绳区域。其中，预设数值取钢丝绳的绳数量×2+1。
在一个实施例中，如图6所示，图6提供了一种钢丝绳乱绳检测方法的检测结果示意图，参照图6，标注了3个大的区域，包括1区域、2区域和3区域。其中，1区域代表正常情况下的排绳情况，2区域和3区域均出现乱绳情况，位于2区域中的4区域表示出现夹绳情况引起的乱绳，而位于3区域中的5区域和6区域代表的出现空槽情况引起的乱绳，其中，4区域至6区域表示宽度大于预设钢丝绳绳宽的区域，通过对待检测连通区域的检测操作，可确定出4区域至6区域均为乱绳区域，进一步则确定面积较大的2区域和3区域也均为乱绳区域。
上述钢丝绳乱绳检测方法，通过从钢丝绳作业现场的监控图像中，提取出与预先确定的待检测钢丝绳区域对应的亮度信号数据，并对亮度信号数据进行预处理。通过对经预处理后的亮度信号数据进行边缘提取，得到与待检测钢丝绳区域对应的轮廓图像数据，并对轮廓图像数据进行二值化处理，得到对应的二值图像，进而删除二值图像中的孤立点，生成对应的待检测连通区域。通过对各待检测连通区域进行统计分析，当确定各待检测连通区域的二值图像中的分界段数大于预设数值时，将待检测连通区域内宽度大于预设钢丝绳绳宽且朝向两端开叉的区域点，确定为乱绳区域。实现了针对根据亮度信号数据得到的轮廓图像数据直接进行分析统计和区域识别，而无需依赖于根据大量样本图像数据训练得到的模型进行识别，避免出现传统识别方式下因样本数据数量不足而识别成功概率较低的问题，对环境亮度变化具有良好的适应，同时在简化识别操作流程的基础上，进一步提高了对钢丝绳作业现场的监控图像的乱绳识别效率。
在一个实施例中，在对各待检测连通区域进行统计分析，当确定各待检测连通区域的二值图像中的分界段数大于预设数值时，将待检测连通区域内宽度大于预设钢丝绳绳宽且朝向两端开叉的区域点，确定为乱绳区域之后，还包括：
合并相邻的各乱绳区域得到对应的异常区域合集；
将异常区域合集在显示设备上展示；
输出根据异常区域合集生成的警告提示信息。
具体地，通过将相邻的两个或两个以上的乱绳区域进行合并，得到想相应的异常区域合集，并在显示设备上展示合并后的异常区域合集，同时也展示不相邻的无法合并的其他乱绳区域。
其中，在终端的显示设备上设置有多个用于展示乱绳区域的显示区域，各显示区域对乱绳显示区域的大小不做限定，可以理解的是，当对相邻的乱绳区域进行合并，得到异常区域合集后，可在同一显示区域对多个相邻的乱绳区域进行展示，则可实现对更多不相邻的乱绳区域进行展示，减少相邻乱绳区域对显示区域的占用。
本实施例中，通过合并相邻的各乱绳区域得到对应的异常区域合集，并将异常区域合集在显示设备上展示，进而输出根据异常区域合集生成的警告提示信息。实现了对乱绳区域的实时展示，同时输出用于提示用户的警告提示信息，使得可及时对乱绳区域的乱绳情况进行处理，减少钢丝绳的磨损，进一步减少潜在安全隐患，保证安全施工作业。
在一个实施例中，如图7所示，提供了另一种钢丝绳乱绳检测方法，具体包括安装调校、图像数据获取、图像处理以及结果输出四个部分，其中：
第一部分，安装调校，包括：
1)安装设备。
2)预先确定待检测钢丝绳区域。
3)确定区域参数，即预先确定并保存待检测钢丝绳区域的区域参数。
其中，区域参数包括区域大小和数据信号类型，数据信号类型包括亮度信号。
第二部分，图像数据获取，包括：
4)获取钢丝绳作业现场的监控图像。
5)锐度增强处理，即对钢丝绳作业现场的监控图像进行锐度增强处理。
6)获取区域参数，即获取预先确定的待检测钢丝绳区域的区域参数。
7)区域缩放处理，即根据区域大小，对经锐度增强处理后的钢丝绳作业现场的监控图像进行区域缩放处理。
8)提取亮度信号数据，即根据数据信号类型，从经缩放处理后的原始图像数据钢丝绳作业现场的监控图像中，提取出与预先确定的待检测钢丝绳区域对应的亮度信号数据。
第三部分，图像处理，包括：
9)获取预先配置的滤波模板。
10)高斯滤波处理，即根据滤波模板对亮度信号数据进行高斯滤波处理。
11)直方图统计，即对经高斯滤波处理后的亮度信号数据进行直方图统计，生成亮度信号数据的灰度分布情况。
12)确定高低灰度阈值，即根据亮度信号数据的灰度分布情况，确定边缘提取算子的高低灰度阈值。
13)生成轮廓图像数据，即利用已确定高低灰度阈值的边缘提取算子，对经高斯滤波处理后的亮度信号数据进行边缘提取，得到与待检测钢丝绳区域对应的轮廓图像数据。
14)获取轮廓图像数据的边缘线。
15)统计灰度梯度分布，即以边缘线为界限，统计轮廓图像数据的灰度梯度分布。
16)确定二值化灰度阈值，即根据灰度梯度分布，确定对应的二值化灰度阈值；二值化灰度阈值分别对应钢丝绳和间隙。
17)二值填充，即根据二值化灰度阈值，对轮廓图像数据进行二值填充处理，生成对应的二值图像。
18)图像腐蚀，即对二值图像进行图像腐蚀，删除二值图像中的孤立点，生成对应的待检测连通区域。
19)确定乱绳区域，即通过对各待检测连通区域进行统计分析，当确定各待检测连通区域的二值图像中的分界段数大于预设数值时，将待检测连通区域内宽度大于预设钢丝绳绳宽且朝向两端开叉的区域点，确定为乱绳区域。
第四部分，结果输出，包括：
20)生成异常区域合集，即通过合并相邻的各乱绳区域得到对应的异常区域合集。
21)展示异常区域合集，即将异常区域合集在显示设备上展示。
22)输出警告提示信息，即输出根据异常区域合集生成的警告提示信息。
本实施例中，通过从钢丝绳作业现场的监控图像中，提取出与预先确定的待检测钢丝绳区域对应的亮度信号数据，并对亮度信号数据进行预处理。通过对经预处理后的亮度信号数据进行边缘提取，得到与待检测钢丝绳区域对应的轮廓图像数据，并对轮廓图像数据进行二值化处理，得到对应的二值图像，进而删除二值图像中的孤立点，生成对应的待检测连通区域。通过对各待检测连通区域进行统计分析，当确定各待检测连通区域的二值图像中的分界段数大于预设数值时，将待检测连通区域内宽度大于预设钢丝绳绳宽且朝向两端开叉的区域点，确定为乱绳区域。实现了针对根据亮度信号数据得到的轮廓图像数据直接进行分析统计和区域识别，而无需依赖于根据大量样本图像数据训练得到的模型进行识别，避免出现传统识别方式下因样本数据数量不足而识别成功概率较低的问题，对环境亮度变化具有良好的适应，同时在简化识别操作流程的基础上，进一步提高了对钢丝绳作业现场的监控图像的乱绳识别效率。
应该理解的是，虽然图2和图7的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图2和图7中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中，如图8所示，提供了一种钢丝绳乱绳检测装置，包括：亮度信号数据提取模块802、预处理模块804、轮廓图像数据生成模块806、二值化处理模块808、待检测连通区域生成模块810以及乱绳区域确定模块812，其中：
亮度信号数据提取模块802，用于从钢丝绳作业现场的监控图像中，提取出与预先确定的待检测钢丝绳区域对应的亮度信号数据。
预处理模块804，用于对亮度信号数据进行预处理。
轮廓图像数据生成模块806，用于对经预处理后的亮度信号数据进行边缘提取，得到与待检测钢丝绳区域对应的轮廓图像数据。
二值化处理模块808，用于对轮廓图像数据进行二值化处理，得到对应的二值图像。
待检测连通区域生成模块810，用于删除二值图像中的孤立点，生成对应的待检测连通区域。
乱绳区域确定模块812，用于对各待检测连通区域进行统计分析，当确定各待检测连通区域的二值图像中的分界段数大于预设数值时，将待检测连通区域内宽度大于预设钢丝绳绳宽且朝向两端开叉的区域点，确定为乱绳区域。
上述钢丝绳乱绳检测装置，通过从钢丝绳作业现场的监控图像中，提取出与预先确定的待检测钢丝绳区域对应的亮度信号数据，并对亮度信号数据进行预处理。通过对经预处理后的亮度信号数据进行边缘提取，得到与待检测钢丝绳区域对应的轮廓图像数据，并对轮廓图像数据进行二值化处理，得到对应的二值图像，进而删除二值图像中的孤立点，生成对应的待检测连通区域。通过对各待检测连通区域进行统计分析，当确定各待检测连通区域的二值图像中的分界段数大于预设数值时，将待检测连通区域内宽度大于预设钢丝绳绳宽且朝向两端开叉的区域点，确定为乱绳区域。实现了针对根据亮度信号数据得到的轮廓图像数据直接进行分析统计和区域识别，而无需依赖于根据大量样本图像数据训练得到的模型进行识别，避免出现传统识别方式下因样本数据数量不足而识别成功概率较低的问题，对环境亮度变化具有良好的适应，同时在简化识别操作流程的基础上，进一步提高了对钢丝绳作业现场的监控图像的乱绳识别效率。
在一个实施例中，钢丝绳乱绳检测装置还包括：
乱绳区域合并模块，用于合并相邻的各乱绳区域得到对应的异常区域合集；
异常区域合集展示模块，用于将异常区域合集在显示设备上展示；
警告提示信息输出模块，用于输出根据异常区域合集生成的警告提示信息。
本实施例中，通过合并相邻的各乱绳区域得到对应的异常区域合集，并将异常区域合集在显示设备上展示，进而输出根据异常区域合集生成的警告提示信息。实现了对乱绳区域的实时展示，同时输出用于提示用户的警告提示信息，使得可及时对乱绳区域的乱绳情况进行处理，减少钢丝绳的磨损，进一步减少潜在安全隐患，保证安全施工作业。
在一个实施例中，二值化处理模块，还用于：
获取轮廓图像数据的边缘线；
以边缘线为界限，统计轮廓图像数据的灰度梯度分布；
根据灰度梯度分布，确定对应的二值化灰度阈值；二值化灰度阈值分别对应钢丝绳和间隙；
根据二值化灰度阈值，对轮廓图像数据进行二值填充处理，生成对应的二值图像。
在一个实施例中，二值化处理模块，还用于：
将灰度值小于二值化灰度阈值且向边缘线呈梯度增大的区域填充为第一预设数值，将灰度值大于二值化灰度阈值且向边缘线梯度减小，背离边缘线梯度增大的区域填充为第二预设数值，生成与轮廓图像数据对应的二值图像；第一预设数值与钢丝绳对应，第二预设数值与间隙对应。
在一个实施例中，亮度信号数据提取模块，还用于：
对钢丝绳作业现场的监控图像进行锐度增强处理；
获取预先确定的待检测钢丝绳区域的区域参数；区域参数包括区域大小和数据信号类型，数据信号类型包括亮度信号；
根据区域大小，对经锐度增强处理后的钢丝绳作业现场的监控图像进行区域缩放处理；
根据数据信号类型，从经缩放处理后的钢丝绳作业现场的监控图像中，提取出与预先确定的待检测钢丝绳区域对应的亮度信号数据。
在一个实施例中，预处理模块，还用于：
获取预先配置的滤波模板；
根据滤波模板对亮度信号数据进行高斯滤波处理；
对经高斯滤波处理后的亮度信号数据进行直方图统计，生成亮度信号数据的灰度分布情况。
在一个实施例中，轮廓图像数据生成模块，还用于：
根据亮度信号数据的灰度分布情况，确定边缘提取算子的高低灰度阈值；
利用已确定高低灰度阈值的边缘提取算子，对经高斯滤波处理后的亮度信号数据进行边缘提取，得到与待检测钢丝绳区域对应的轮廓图像数据。
关于钢丝绳乱绳检测装置的具体限定可以参见上文中对于钢丝绳乱绳检测方法的限定，在此不再赘述。上述钢丝绳乱绳检测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是终端，其内部结构图可以如图9所示。该计算机设备包括通过系统总线连接的处理器、存储器、通信接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信，无线方式可通过WIFI、运营商网络、NFC(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种钢丝绳乱绳检测方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解，图9中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现以下步骤：
从钢丝绳作业现场的监控图像中，提取出与预先确定的待检测钢丝绳区域对应的亮度信号数据；
对亮度信号数据进行预处理；
对经预处理后的亮度信号数据进行边缘提取，得到与待检测钢丝绳区域对应的轮廓图像数据；
对轮廓图像数据进行二值化处理，得到对应的二值图像；
删除二值图像中的孤立点，生成对应的待检测连通区域；
对各待检测连通区域进行统计分析，当确定各待检测连通区域的二值图像中的分界段数大于预设数值时，将待检测连通区域内宽度大于预设钢丝绳绳宽且朝向两端开叉的区域点，确定为乱绳区域。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
获取轮廓图像数据的边缘线；
以边缘线为界限，统计轮廓图像数据的灰度梯度分布；
根据灰度梯度分布，确定对应的二值化灰度阈值；二值化灰度阈值分别对应钢丝绳和间隙；
根据二值化灰度阈值，对轮廓图像数据进行二值填充处理，生成对应的二值图像。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
对钢丝绳作业现场的监控图像进行锐度增强处理；
获取预先确定的待检测钢丝绳区域的区域参数；区域参数包括区域大小和数据信号类型，数据信号类型包括亮度信号；
根据区域大小，对经锐度增强处理后的钢丝绳作业现场的监控图像进行区域缩放处理；
根据数据信号类型，从经缩放处理后的钢丝绳作业现场的监控图像中，提取出与预先确定的待检测钢丝绳区域对应的亮度信号数据。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
获取预先配置的滤波模板；
根据滤波模板对亮度信号数据进行高斯滤波处理；
对经高斯滤波处理后的亮度信号数据进行直方图统计，生成亮度信号数据的灰度分布情况。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
根据亮度信号数据的灰度分布情况，确定边缘提取算子的高低灰度阈值；
利用已确定高低灰度阈值的边缘提取算子，对经高斯滤波处理后的亮度信号数据进行边缘提取，得到与待检测钢丝绳区域对应的轮廓图像数据。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
将灰度值小于二值化灰度阈值且向边缘线呈梯度增大的区域填充为第一预设数值，将灰度值大于二值化灰度阈值且向边缘线梯度减小，背离边缘线梯度增大的区域填充为第二预设数值，生成与轮廓图像数据对应的二值图像；第一预设数值与钢丝绳对应，第二预设数值与间隙对应。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
合并相邻的各乱绳区域得到对应的异常区域合集；
将异常区域合集在显示设备上展示；
输出根据异常区域合集生成的警告提示信息。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：
从钢丝绳作业现场的监控图像中，提取出与预先确定的待检测钢丝绳区域对应的亮度信号数据；
对亮度信号数据进行预处理；
对经预处理后的亮度信号数据进行边缘提取，得到与待检测钢丝绳区域对应的轮廓图像数据；
对轮廓图像数据进行二值化处理，得到对应的二值图像；
删除二值图像中的孤立点，生成对应的待检测连通区域；
对各待检测连通区域进行统计分析，当确定各待检测连通区域的二值图像中的分界段数大于预设数值时，将待检测连通区域内宽度大于预设钢丝绳绳宽且朝向两端开叉的区域点，确定为乱绳区域。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
获取轮廓图像数据的边缘线；
以边缘线为界限，统计轮廓图像数据的灰度梯度分布；
根据灰度梯度分布，确定对应的二值化灰度阈值；二值化灰度阈值分别对应钢丝绳和间隙；
根据二值化灰度阈值，对轮廓图像数据进行二值填充处理，生成对应的二值图像。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
对钢丝绳作业现场的监控图像进行锐度增强处理；
获取预先确定的待检测钢丝绳区域的区域参数；区域参数包括区域大小和数据信号类型，数据信号类型包括亮度信号；
根据区域大小，对经锐度增强处理后的钢丝绳作业现场的监控图像进行区域缩放处理；
根据数据信号类型，从经缩放处理后的钢丝绳作业现场的监控图像中，提取出与预先确定的待检测钢丝绳区域对应的亮度信号数据。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
获取预先配置的滤波模板；
根据滤波模板对亮度信号数据进行高斯滤波处理；
对经高斯滤波处理后的亮度信号数据进行直方图统计，生成亮度信号数据的灰度分布情况。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
根据亮度信号数据的灰度分布情况，确定边缘提取算子的高低灰度阈值；
利用已确定高低灰度阈值的边缘提取算子，对经高斯滤波处理后的亮度信号数据进行边缘提取，得到与待检测钢丝绳区域对应的轮廓图像数据。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
将灰度值小于二值化灰度阈值且向边缘线呈梯度增大的区域填充为第一预设数值，将灰度值大于二值化灰度阈值且向边缘线梯度减小，背离边缘线梯度增大的区域填充为第二预设数值，生成与轮廓图像数据对应的二值图像；第一预设数值与钢丝绳对应，第二预设数值与间隙对应。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
合并相邻的各乱绳区域得到对应的异常区域合集；
将异常区域合集在显示设备上展示；
输出根据异常区域合集生成的警告提示信息。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-Only Memory，ROM)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(Random Access Memory，RAM)或外部高速缓冲存储器。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器(Static Random Access Memory，SRAM)或动态随机存取存储器(Dynamic Random Access Memory，DRAM)等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种钢丝绳乱绳检测方法，其特征在于，所述方法包括：
从钢丝绳作业现场的监控图像中，提取出与预先确定的待检测钢丝绳区域对应的亮度信号数据；
对所述亮度信号数据进行预处理；
对经预处理后的所述亮度信号数据进行边缘提取，得到与所述待检测钢丝绳区域对应的轮廓图像数据；
对所述轮廓图像数据进行二值化处理，得到对应的二值图像；
删除所述二值图像中的孤立点，生成对应的待检测连通区域；
对各所述待检测连通区域进行统计分析，当确定各所述待检测连通区域的二值图像中的分界段数大于预设数值时，将所述待检测连通区域内宽度大于预设钢丝绳绳宽且朝向两端开叉的区域点，确定为乱绳区域。
2.根据权利要求1所述的方法，其特征在于，所述对所述轮廓图像数据进行二值化处理，得到对应的二值图像，包括：
获取所述轮廓图像数据的边缘线；
以所述边缘线为界限，统计所述轮廓图像数据的灰度梯度分布；
根据所述灰度梯度分布，确定对应的二值化灰度阈值；所述二值化灰度阈值分别对应钢丝绳和间隙；
根据所述二值化灰度阈值，对所述轮廓图像数据进行二值填充处理，生成对应的二值图像。
3.根据权利要求1所述的方法，其特征在于，所述从钢丝绳作业现场的监控图像中，提取出与预先确定的待检测钢丝绳区域对应的亮度信号数据，包括：
对所述钢丝绳作业现场的监控图像进行锐度增强处理；
获取预先确定的待检测钢丝绳区域的区域参数；所述区域参数包括区域大小和数据信号类型，所述数据信号类型包括亮度信号；
根据所述区域大小，对经锐度增强处理后的所述钢丝绳作业现场的监控图像进行区域缩放处理；
根据所述数据信号类型，从经缩放处理后的所述钢丝绳作业现场的监控图像中，提取出与所述预先确定的待检测钢丝绳区域对应的亮度信号数据。
4.根据权利要求1至3任意一项所述的方法，其特征在于，对所述亮度信号数据进行预处理，包括：
获取预先配置的滤波模板；
根据所述滤波模板对所述亮度信号数据进行高斯滤波处理；
对经高斯滤波处理后的所述亮度信号数据进行直方图统计，生成所述亮度信号数据的灰度分布情况。
5.根据权利要求4所述的方法，其特征在于，所述对经预处理后的所述亮度信号数据进行边缘提取，得到与所述待检测钢丝绳区域对应的轮廓图像数据，包括：
根据所述亮度信号数据的灰度分布情况，确定边缘提取算子的高低灰度阈值；
利用已确定高低灰度阈值的所述边缘提取算子，对经高斯滤波处理后的所述亮度信号数据进行边缘提取，得到与所述待检测钢丝绳区域对应的轮廓图像数据。
6.根据权利要求2所述的方法，其特征在于，所述根据所述二值化灰度阈值，对所述轮廓图像数据进行二值填充处理，生成对应的二值图像，包括：
将灰度值小于所述二值化灰度阈值且向边缘线呈梯度增大的区域填充为第一预设数值，将灰度值大于所述二值化灰度阈值且向边缘线梯度减小，背离边缘线梯度增大的区域填充为第二预设数值，生成与所述轮廓图像数据对应的二值图像；所述第一预设数值与所述钢丝绳对应，所述第二预设数值与所述间隙对应。
7.根据权利要求1至3任意一项所述的方法，其特征在于，所述方法还包括：
合并相邻的各所述乱绳区域得到对应的异常区域合集；
将所述异常区域合集在显示设备上展示；
输出根据所述异常区域合集生成的警告提示信息。
8.一种钢丝绳乱绳检测装置，其特征在于，所述装置包括：
亮度信号数据提取模块，用于从钢丝绳作业现场的监控图像中，提取出与预先确定的待检测钢丝绳区域对应的亮度信号数据；
预处理模块，用于对所述亮度信号数据进行预处理；
轮廓图像数据生成模块，用于对经预处理后的所述亮度信号数据进行边缘提取，得到与所述待检测钢丝绳区域对应的轮廓图像数据；
二值化处理模块，用于对所述轮廓图像数据进行二值化处理，得到对应的二值图像；
待检测连通区域生成模块，用于删除所述二值图像中的孤立点，生成对应的待检测连通区域；
乱绳区域确定模块，用于对各所述待检测连通区域进行统计分析，当确定各所述待检测连通区域的二值图像中的分界段数大于预设数值时，将所述待检测连通区域内宽度大于预设钢丝绳绳宽且朝向两端开叉的区域点，确定为乱绳区域。
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010650079.8A CN111784681A (zh) | 2020-07-08 | 2020-07-08 | 钢丝绳乱绳检测方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010650079.8A CN111784681A (zh) | 2020-07-08 | 2020-07-08 | 钢丝绳乱绳检测方法、装置、计算机设备和存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111784681A true CN111784681A (zh) | 2020-10-16 |
Family
ID=72758140
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010650079.8A Pending CN111784681A (zh) | 2020-07-08 | 2020-07-08 | 钢丝绳乱绳检测方法、装置、计算机设备和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111784681A (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112669315A (zh) * | 2021-01-27 | 2021-04-16 | 长沙理工大学 | 一种卷扬机钢丝绳断丝检测方法及装置 |
| CN112862817A (zh) * | 2021-03-16 | 2021-05-28 | 精英数智科技股份有限公司 | 一种基于机器视觉的滚筒乱绳检测方法及装置 |
| CN113247812A (zh) * | 2021-06-03 | 2021-08-13 | 中国海洋石油集团有限公司 | 利用红外测距技术的钢丝绳卷筒乱绳故障预警装置 |
| CN115147416A (zh) * | 2022-09-02 | 2022-10-04 | 山东大山不锈钢制品有限公司 | 一种倒绳机乱绳检测方法、装置和计算机设备 |
| WO2023071207A1 (zh) * | 2021-10-28 | 2023-05-04 | 湖南三一中型起重机械有限公司 | 双卷扬乱绳识别方法、装置、吊装机械、电子设备、计算机可读存储介质以及计算机产品 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH09136792A (ja) * | 1995-11-09 | 1997-05-27 | Sumitomo Constr Mach Co Ltd | ワイヤロープ損傷検出装置 |
| CN105438983A (zh) * | 2014-07-28 | 2016-03-30 | 徐州重型机械有限公司 | 一种工程机械及其卷扬乱绳监测装置和方法 |
| CN106815831A (zh) * | 2016-12-21 | 2017-06-09 | 深圳增强现实技术有限公司 | 一种钢丝绳磨损的检测方法及装置 |
| CN107403443A (zh) * | 2017-07-28 | 2017-11-28 | 中南大学 | 一种基于机器视觉的多绳多层缠绕排绳状态在线检测方法及装置 |
| CN109635823A (zh) * | 2018-12-07 | 2019-04-16 | 湖南中联重科智能技术有限公司 | 用于识别卷扬乱绳的方法和装置及工程机械 |
| CN109678060A (zh) * | 2019-01-22 | 2019-04-26 | 江苏徐工工程机械研究院有限公司 | 一种塔机卷扬钢丝绳乱绳智能监控方法及系统 |
-
2020
- 2020-07-08 CN CN202010650079.8A patent/CN111784681A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH09136792A (ja) * | 1995-11-09 | 1997-05-27 | Sumitomo Constr Mach Co Ltd | ワイヤロープ損傷検出装置 |
| CN105438983A (zh) * | 2014-07-28 | 2016-03-30 | 徐州重型机械有限公司 | 一种工程机械及其卷扬乱绳监测装置和方法 |
| CN106815831A (zh) * | 2016-12-21 | 2017-06-09 | 深圳增强现实技术有限公司 | 一种钢丝绳磨损的检测方法及装置 |
| CN107403443A (zh) * | 2017-07-28 | 2017-11-28 | 中南大学 | 一种基于机器视觉的多绳多层缠绕排绳状态在线检测方法及装置 |
| CN109635823A (zh) * | 2018-12-07 | 2019-04-16 | 湖南中联重科智能技术有限公司 | 用于识别卷扬乱绳的方法和装置及工程机械 |
| CN109678060A (zh) * | 2019-01-22 | 2019-04-26 | 江苏徐工工程机械研究院有限公司 | 一种塔机卷扬钢丝绳乱绳智能监控方法及系统 |
Non-Patent Citations (1)
| Title |
|---|
| 游维;付英雄;张二玲;: "一种大型塔机的机构乱绳智能识别技术研究", 建设机械技术与管理, no. 12, 20 December 2012 (2012-12-20), pages 124 * |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112669315A (zh) * | 2021-01-27 | 2021-04-16 | 长沙理工大学 | 一种卷扬机钢丝绳断丝检测方法及装置 |
| CN112669315B (zh) * | 2021-01-27 | 2023-02-03 | 长沙理工大学 | 一种卷扬机钢丝绳断丝检测方法及装置 |
| CN112862817A (zh) * | 2021-03-16 | 2021-05-28 | 精英数智科技股份有限公司 | 一种基于机器视觉的滚筒乱绳检测方法及装置 |
| CN113247812A (zh) * | 2021-06-03 | 2021-08-13 | 中国海洋石油集团有限公司 | 利用红外测距技术的钢丝绳卷筒乱绳故障预警装置 |
| WO2023071207A1 (zh) * | 2021-10-28 | 2023-05-04 | 湖南三一中型起重机械有限公司 | 双卷扬乱绳识别方法、装置、吊装机械、电子设备、计算机可读存储介质以及计算机产品 |
| CN115147416A (zh) * | 2022-09-02 | 2022-10-04 | 山东大山不锈钢制品有限公司 | 一种倒绳机乱绳检测方法、装置和计算机设备 |
| CN115147416B (zh) * | 2022-09-02 | 2022-11-15 | 山东大山不锈钢制品有限公司 | 一种倒绳机乱绳检测方法、装置和计算机设备 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111784681A (zh) | 钢丝绳乱绳检测方法、装置、计算机设备和存储介质 | |
| CN110008809B (zh) | 表格数据的获取方法、装置和服务器 | |
| US10977923B2 (en) | River risk level determining device, river risk level determining method, and storage medium | |
| CN115147416B (zh) | 一种倒绳机乱绳检测方法、装置和计算机设备 | |
| CN109635823B (zh) | 用于识别卷扬乱绳的方法和装置及工程机械 | |
| CN108665464A (zh) | 一种基于形态学的高压电塔及高压电线的异物检测方法 | |
| CN110443184B (zh) | 身份证信息提取方法、装置及计算机存储介质 | |
| CN113888514A (zh) | 导地线缺陷检测方法、装置、边缘计算设备和存储介质 | |
| CN111597845A (zh) | 一种二维码检测方法、装置、设备及可读存储介质 | |
| CN114241370A (zh) | 基于数字孪生变电站的入侵识别方法、装置和计算机设备 | |
| CN111461126A (zh) | 文本行中的空格识别方法、装置、电子设备及存储介质 | |
| CN113610854B (zh) | 一种线索缺陷检测方法、终端设备以及计算机存储介质 | |
| CN113989286A (zh) | 深度学习的皮带撕裂度量方法、装置、设备及存储介质 | |
| CN117853484A (zh) | 一种基于视觉的桥梁损伤智能监测方法及系统 | |
| CN109117843B (zh) | 字符遮挡检测方法及装置 | |
| CN113989285B (zh) | 基于图像的皮带偏移监测方法、装置、设备及存储介质 | |
| CN114399617B (zh) | 一种遮挡图案识别方法、装置、设备和介质 | |
| CN115797316A (zh) | 重载绳监测方法、装置、计算机设备及介质 | |
| CN117291859A (zh) | 一种页面异常检测方法、装置、电子设备和存储介质 | |
| CN115797279A (zh) | 基建现场的异常分析方法、装置、电子设备及存储介质 | |
| KR102585146B1 (ko) | 딥러닝 기반의 도로손상 탐지 장치 및 방법 | |
| CN111062309B (zh) | 一种雨天交通标志检测方法、存储介质及系统 | |
| CN106934814B (zh) | 一种基于图像的背景信息识别方法及装置 | |
| CN116403165B (zh) | 一种危险化学品泄露应急处理方法、装置及可读存储介质 | |
| JP4230960B2 (ja) | 画像処理装置、画像処理方法及び画像処理プログラム |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |