CN112991322A - 一种非接触式的电梯钢筋绳缺陷检测方法 - Google Patents

一种非接触式的电梯钢筋绳缺陷检测方法 Download PDF

Info

Publication number
CN112991322A
CN112991322A CN202110378369.6A CN202110378369A CN112991322A CN 112991322 A CN112991322 A CN 112991322A CN 202110378369 A CN202110378369 A CN 202110378369A CN 112991322 A CN112991322 A CN 112991322A
Authority
CN
China
Prior art keywords
reinforcing steel
elevator
steel rope
elevator reinforcing
defect detection
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
Application number
CN202110378369.6A
Other languages
English (en)
Inventor
王松
吴新伟
吴远皓
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Xinyi Huike Intelligent Technology Co ltd
Original Assignee
Xinyi Huike Intelligent Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Xinyi Huike Intelligent Technology Co ltd filed Critical Xinyi Huike Intelligent Technology Co ltd
Priority to CN202110378369.6A priority Critical patent/CN112991322A/zh
Publication of CN112991322A publication Critical patent/CN112991322A/zh
Pending legal-status Critical Current

Links

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
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10024—Color image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]

Landscapes

  • Engineering & Computer Science (AREA)
  • Quality & Reliability (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Investigating Or Analyzing Materials By The Use Of Magnetic Means (AREA)
  • Lift-Guide Devices, And Elevator Ropes And Cables (AREA)

Abstract

本发明公开了一种非接触式的电梯钢筋绳缺陷检测方法，包括，通过TDI‑CCD传感器采集电梯钢筋绳图像，并对电梯钢筋绳图像进行预处理；基于人工神经网络构建电梯钢筋绳缺陷检测模型；利用图形用户接口和预处理后的电梯钢筋绳图像训练电梯钢筋绳缺陷检测模型，提取电梯钢筋绳缺陷特征向量；通过电梯钢筋绳缺陷特征向量和梯度上升策略拟合电梯钢筋绳缺陷检测模型的权重系数，完成电梯钢筋绳缺陷检测模型的优化；利用优化后的电梯钢筋绳缺陷检测模型检测电梯钢筋绳缺陷；本发明基于人工神经网络构建电梯钢筋绳缺陷检测模型，并做了相关的参数优化，鲁棒性较强，对电梯钢筋绳实现了无接触的自动检测，且检测精度高，速度快。

Description

一种非接触式的电梯钢筋绳缺陷检测方法
技术领域
本发明涉及网络安全的技术领域，尤其涉及一种非接触式的电梯钢筋绳缺陷检测方法。
背景技术
钢筋绳作为电梯主要的提升、牵引和承重构件，在工作过程中，不可避免地出现如断丝、磨损、锈蚀等各种损伤。其运行和工作状态直接关系到人身财产安全，因此对钢筋绳的工作状态进行实时监测意义重大。钢筋绳故障检测系统存在灵敏度低、稳定性差等缺点。如何提高钢筋绳故障检测精度是及早发现钢筋绳故障，消除事故隐患的关键。
电梯是一种直接关系到人民群众生命安全的特种设备，如何保障电梯的安全运行是政府极为重视的问题，电梯钢筋绳承载电梯轿厢和对重的全部重量，是保障电梯安全运行的重要部件。
目前对钢筋绳缺陷的检测多数采用漏磁检测法进行检测，传统的漏磁检测法对检测设备和检测环境的要求较高，再加上钢筋绳本身尺寸的复杂性，使得传统的漏磁检测法的检测结果与实际缺陷情况存在较大的偏差。
发明内容
本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊，而这种简化或省略不能用于限制本发明的范围。
鉴于上述现有存在的问题，提出了本发明。
因此，本发明提供了一种非接触式的电梯钢筋绳缺陷检测方法，能够解决对于含有污渍的电梯钢绳难以检测的问题。
为解决上述技术问题，本发明提供如下技术方案：包括，通过TDI-CCD传感器采集电梯钢筋绳图像，并对所述电梯钢筋绳图像进行预处理；基于人工神经网络构建电梯钢筋绳缺陷检测模型；利用图形用户接口和预处理后的电梯钢筋绳图像训练所述电梯钢筋绳缺陷检测模型，提取电梯钢筋绳缺陷特征向量；通过所述电梯钢筋绳缺陷特征向量和梯度上升策略拟合电梯钢筋绳缺陷检测模型的权重系数，完成电梯钢筋绳缺陷检测模型的优化；利用优化后的电梯钢筋绳缺陷检测模型检测电梯钢筋绳缺陷。
作为本发明所述的非接触式的电梯钢筋绳缺陷检测方法的一种优选方案，其中：所述预处理包括，灰度化所述电梯钢筋绳图像；通过小波分析策略去除电梯钢筋绳灰度图像的噪声；通过LoG滤波器增强电梯钢筋绳灰度图像的边缘。
作为本发明所述的非接触式的电梯钢筋绳缺陷检测方法的一种优选方案，其中：所述去除噪声包括，选择小波基函数和小波分解层数，将所述电梯钢筋绳灰度图像进行小波分解，得到小波分解系数；通过软阈值函数对所述小波分解系数进行阈值量化，获得估计小波系数；根据所述小波系数，利用重构算法进行小波重构，去除所述电梯钢筋绳灰度图像的噪声。
作为本发明所述的非接触式的电梯钢筋绳缺陷检测方法的一种优选方案，其中：所述电梯钢筋绳缺陷检测模型包括输入层、隐含层和输出层；其中输入层的节点数为6，输出层的节点数为4。
作为本发明所述的非接触式的电梯钢筋绳缺陷检测方法的一种优选方案，其中：所述训练包括，根据柯尔莫哥洛夫强大数律设置隐含层的节点数，并设置训练误差值为0.005，当所述电梯钢筋绳缺陷检测模型收敛时停止训练。
作为本发明所述的非接触式的电梯钢筋绳缺陷检测方法的一种优选方案，其中：拟合所述电梯钢筋绳缺陷检测模型的权重系数包括，初始化所述电梯钢筋绳缺陷检测模型的权重系数；计算电梯钢筋绳缺陷特征向量的梯度；通过步长和所述梯度更新权重系数。
作为本发明所述的非接触式的电梯钢筋绳缺陷检测方法的一种优选方案，其中：计算所述电梯钢筋绳缺陷特征向量的梯度包括，设定电梯钢筋绳缺陷特征向量为I(x，y)，根据下式计算所述电梯钢筋绳缺陷特征向量的梯度：
Figure BDA0003012161630000021
其中，
Figure BDA0003012161630000023
为所述电梯钢筋绳缺陷特征向量的梯度。
作为本发明所述的非接触式的电梯钢筋绳缺陷检测方法的一种优选方案，其中：更新所述权重系数包括，
Figure BDA0003012161630000022
其中，ω为更新的权重系数，δ为所述步长。
本发明的有益效果：本发明基于人工神经网络构建电梯钢筋绳缺陷检测模型，并做了相关的参数优化，鲁棒性较强，对电梯钢筋绳实现了无接触的自动检测，且检测精度高，速度快。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。其中：
图1为本发明第一个实施例所述的非接触式的电梯钢筋绳缺陷检测方法的流程示意图；
图2为本发明第一个实施例所述的非接触式的电梯钢筋绳缺陷检测方法的电梯钢筋绳缺陷检测模型结构示意图；
图3为本发明第一个实施例所述的非接触式的电梯钢筋绳缺陷检测方法的训练结果示意图；
图4为本发明第二个实施例所述的非接触式的电梯钢筋绳缺陷检测方法的漏磁检测装置结构示意图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合说明书附图对本发明的具体实施方式做详细的说明，显然所描述的实施例是本发明的一部分实施例，而不是全部实施例。基于本发明中的实施例，本领域普通人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明的保护的范围。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是本发明还可以采用其他不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似推广，因此本发明不受下面公开的具体实施例的限制。
其次，此处所称的“一个实施例”或“实施例”是指可包含于本发明至少一个实现方式中的特定特征、结构或特性。在本说明书中不同地方出现的“在一个实施例中”并非均指同一个实施例，也不是单独的或选择性的与其他实施例互相排斥的实施例。
本发明结合示意图进行详细描述，在详述本发明实施例时，为便于说明，表示器件结构的剖面图会不依一般比例作局部放大，而且所述示意图只是示例，其在此不应限制本发明保护的范围。此外，在实际制作中应包含长度、宽度及深度的三维空间尺寸。
同时在本发明的描述中，需要说明的是，术语中的“上、下、内和外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一、第二或第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。
本发明中除非另有明确的规定和限定，术语“安装、相连、连接”应做广义理解，例如：可以是固定连接、可拆卸连接或一体式连接；同样可以是机械连接、电连接或直接连接，也可以通过中间媒介间接相连，也可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
实施例1
参照图1～图3，为本发明的第一个实施例，该实施例提供了一种非接触式的电梯钢筋绳缺陷检测方法，包括：
S1：通过TDI-CCD传感器采集电梯钢筋绳图像，并对电梯钢筋绳图像进行预处理。
其中需要说明的是，TDI-CCD(Time Delayed and Integration-Charge-coupledDevice，时间延迟积分电荷耦合元件)是一种新型光电传感器；TDI-CCD是基于对同一目标多次曝光，通过延迟积分的方法，大大增加了光能的收集，与一般线阵CCD相比，它具有响应度高、动态范围宽等优点。
预处理的步骤如下：
(1)灰度化电梯钢筋绳图像；
采用最大值法进行图像灰度化，即将彩色图像中的三分量亮度的最大值作为灰度图的灰度值，如下式所示：
Gray(i，j)＝max{R(i，j)，G(i，j)，B(i，j)}。
(2)通过小波分析策略去除电梯钢筋绳灰度图像的噪声；
①选择小波基函数和小波分解层数，将电梯钢筋绳灰度图像进行小波分解，得到小波分解系数；
选择Daubechies小波作为小波基函数，Daubechies小波简写为dbN，N为小波的阶数，小波
Figure BDA0003012161630000051
和尺度函数μ(t)中的支撑区为2N-1，
Figure BDA0003012161630000052
的消失矩为N；dbN无明确的表达式，其转换函数h的平方模如下：
Figure BDA0003012161630000053
其中，
Figure BDA0003012161630000054
进一步的，设置小波分解层数为6，通过小波基函数获得小波分解系数
Figure BDA0003012161630000058
。
②通过软阈值函数对小波分解系数进行阈值量化，获得估计小波系数；
软阈值函数为：
Figure BDA0003012161630000055
其中，
Figure BDA0003012161630000056
为第j层小波分解系数，T为阈值；当图像像素点的绝对值大于阈值T，则令该点的值为0；反之，则令该点的值为该点的绝对值与阈值T的差。
③根据小波系数，利用重构算法进行小波重构，去除电梯钢筋绳灰度图像的噪声。
根据小波分解后的第＜script type＝″math/tex″id＝″MathJax-Element-5″＞J＜/script＞层的尺度系数和经过阈值量化处理的各层小波系数利用重构算法进行小波重构，实现代码如下：
Figure BDA0003012161630000057
Figure BDA0003012161630000061
(3)通过LoG滤波器增强电梯钢筋绳灰度图像的边缘。
LoG(Laplacian of Gaussian)滤波器的工作原理为：先对图象平滑，后通过拉氏变换求二阶微分，等效于把拉氏变化作用于平滑函数，得到1个兼有平滑和二阶微分作用的模板，再与原来的图像进行卷积，从而使图像边缘更清晰；LoG滤波器使用以下式子定义：
Figure BDA0003012161630000062
其中，s为代表高斯滤波的标准差。
S2：基于人工神经网络构建电梯钢筋绳缺陷检测模型。
如图2所示，电梯钢筋绳缺陷检测模型包括输入层、隐含层和输出层；其中输入层的节点数为6，输出层的节点数为4。
假设电梯钢筋绳缺陷检测模型的隐含层节点数为p，输入层的节点数为a，输出层的节点数为b，根据柯尔莫哥洛夫强大数律求解隐含层的节点数：
Figure BDA0003012161630000063
q取3，求得隐含层的节点数为6。
S3：利用图形用户接口(GUI)和预处理后的电梯钢筋绳图像训练电梯钢筋绳缺陷检测模型，提取电梯钢筋绳缺陷特征向量。
GUI指的是图形用户界面(Graphical User Interface，GUI)，也称之为图形用户接口，GUI是用图形化方式显示的计算机操作用户界面(可视化)。
将预处理后的电梯钢筋绳图像进行归一化处理，图像尺寸为15cm*15cm，设置训练误差值为0.005，最大训练次数为5000次，学习率为0.01；利用Matlab神经网络工具箱进行训练，通过GUI实时查看训练进度；当电梯钢筋绳缺陷检测模型收敛时停止训练，训练结果如图3所示，识别率为97.36％。
S4：通过电梯钢筋绳缺陷特征向量和梯度上升策略拟合电梯钢筋绳缺陷检测模型的权重系数，完成电梯钢筋绳缺陷检测模型的优化。
拟合电梯钢筋绳缺陷检测模型的权重系数的步骤如下：
(1)初始化电梯钢筋绳缺陷检测模型的权重系数；
每个权重系数初始化为1。
(2)计算电梯钢筋绳缺陷特征向量的梯度；
设定电梯钢筋绳缺陷特征向量为I(x，y)，根据下式计算电梯钢筋绳缺陷特征向量的梯度：
Figure BDA0003012161630000071
其中，
Figure BDA0003012161630000072
为电梯钢筋绳缺陷特征向量的梯度。
(3)通过步长和梯度更新权重系数。
设定初始权重系数矩阵为W：
Figure BDA0003012161630000073
根据下式更新权重系数：
Figure BDA0003012161630000074
其中，ω为更新的权重系数，δ为步长，即迭代速度。
S5：利用优化后的电梯钢筋绳缺陷检测模型检测电梯钢筋绳缺陷。
将电梯钢筋绳图像输入至模型中，对电梯钢筋绳进行缺陷识别。
实施例2
为了对本方法中采用的技术效果加以验证说明，本实施例选择机器视觉检测法、漏磁检测法和采用本方法进行对比测试，以科学论证的手段对比试验结果，以验证本方法所具有的真实效果。
漏磁检测法对检测装置的安装精度要求非常严格，若长期使用，其传感器的应变元件容易产生塑变，导致检测精度低；机器视觉检测法检测精度高，但当电梯钢筋绳表面存在污渍时，识别精度会大大降低。
为验证本方法相对机器视觉检测法、三滚轮法具有较高鲁棒性和检测能力，本实施例中将机器视觉检测法、漏磁检测法和本方法分别对电梯钢筋绳进行缺陷检测对比。
钢筋绳是由良好的导磁性和强矫顽力的高碳钢经过多次反复的热处理与冷拔制作而成；如图4所示，漏磁检测装置主要由励磁器、基于聚磁原理的霍尔元件传感器和磁感线圈组成；基于漏磁检测原理的钢筋绳缺陷检测就是利用其导磁率高的特性，首先利用励磁源将被测钢筋绳磁化至饱和状态，当被检测钢筋绳出现损伤时，由于空气的导磁率远远小于铁磁性材料的导磁率，且根据磁感应线连续性原理，致使被检测钢筋绳缺陷处表面形成局部漏磁场；这一变化可以通过布局在钢筋绳周围的四路霍尔传感器检测得到。
分别采用机器视觉检测法、漏磁检测法和采用本方法对30台电梯的钢筋绳进行缺陷检测，每台电梯采集100张图像样本，共3000张图像，其中缺陷样本有1352张，缺陷种类有：笼状畸变、绳股挤出、钢筋挤出、绳径局部增大和扭结。
分别将3000张图像输入至机器视觉检测的模型和本方法的电梯钢筋绳缺陷检测模型中，通过Python3.7平台输出预测结果；同时利用漏磁检测法对采集图像点进行检测，检测结果如下表所示。
表1：电梯钢筋绳的检测准确率对比表。
方法 检测正确数 检测错误数 准确率 平均检测时间
漏磁检测法 1672 1328 55.73％ 3.783s
机器视觉检测法 2649 351 88.30％ 0.362s
本方法 2893 107 96.43％ 0.057s
其中，采集的图像中共有163张的电梯钢筋绳带有污渍，机器视觉检测法对于带有污渍的电梯钢筋绳的检测准确率为63.19％，本方法对于带有污渍的电梯钢筋绳的检测准确率为92.64％，检测效果明显优于机器视觉检测法和漏磁检测法。
应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。

Claims (8)

1.一种非接触式的电梯钢筋绳缺陷检测方法，其特征在于：包括，
通过TDI-CCD传感器采集电梯钢筋绳图像，并对所述电梯钢筋绳图像进行预处理；
基于人工神经网络构建电梯钢筋绳缺陷检测模型；
利用图形用户接口和预处理后的电梯钢筋绳图像训练所述电梯钢筋绳缺陷检测模型，提取电梯钢筋绳缺陷特征向量；
通过所述电梯钢筋绳缺陷特征向量和梯度上升策略拟合电梯钢筋绳缺陷检测模型的权重系数，完成电梯钢筋绳缺陷检测模型的优化；
利用优化后的电梯钢筋绳缺陷检测模型检测电梯钢筋绳缺陷。
2.如权利要求1所述的非接触式的电梯钢筋绳缺陷检测方法，其特征在于：所述预处理包括，
灰度化所述电梯钢筋绳图像；
通过小波分析策略去除电梯钢筋绳灰度图像的噪声；
通过LoG滤波器增强电梯钢筋绳灰度图像的边缘。
3.如权利要求2所述的非接触式的电梯钢筋绳缺陷检测方法，其特征在于：所述去除噪声包括，
选择小波基函数和小波分解层数，将所述电梯钢筋绳灰度图像进行小波分解，得到小波分解系数；
通过软阈值函数对所述小波分解系数进行阈值量化，获得估计小波系数；
根据所述小波系数，利用重构算法进行小波重构，去除所述电梯钢筋绳灰度图像的噪声。
4.如权利要求1或2所述的非接触式的电梯钢筋绳缺陷检测方法，其特征在于：所述电梯钢筋绳缺陷检测模型包括输入层、隐含层和输出层；
其中输入层的节点数为6，输出层的节点数为4。
5.如权利要求4所述的非接触式的电梯钢筋绳缺陷检测方法，其特征在于：所述训练包括，
根据柯尔莫哥洛夫强大数律设置隐含层的节点数，并设置训练误差值为0.005，当所述电梯钢筋绳缺陷检测模型收敛时停止训练。
6.如权利要求2、3、5任一所述的非接触式的电梯钢筋绳缺陷检测方法，其特征在于：拟合所述电梯钢筋绳缺陷检测模型的权重系数包括，
初始化所述电梯钢筋绳缺陷检测模型的权重系数；
计算电梯钢筋绳缺陷特征向量的梯度；
通过步长和所述梯度更新权重系数。
7.如权利要求6所述的非接触式的电梯钢筋绳缺陷检测方法，其特征在于：计算所述电梯钢筋绳缺陷特征向量的梯度包括，
设定电梯钢筋绳缺陷特征向量为I(x，y)，根据下式计算所述电梯钢筋绳缺陷特征向量的梯度：
Figure FDA0003012161620000021
其中，▽f(x,y)为所述电梯钢筋绳缺陷特征向量的梯度。
8.如权利要求6或7所述的非接触式的电梯钢筋绳缺陷检测方法，其特征在于：更新所述权重系数包括，
ω＝▽I(x,y)δ
其中，ω为更新的权重系数，δ为所述步长。
CN202110378369.6A 2021-04-08 2021-04-08 一种非接触式的电梯钢筋绳缺陷检测方法 Pending CN112991322A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110378369.6A CN112991322A (zh) 2021-04-08 2021-04-08 一种非接触式的电梯钢筋绳缺陷检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110378369.6A CN112991322A (zh) 2021-04-08 2021-04-08 一种非接触式的电梯钢筋绳缺陷检测方法

Publications (1)

Publication Number Publication Date
CN112991322A true CN112991322A (zh) 2021-06-18

Family

ID=76339558

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110378369.6A Pending CN112991322A (zh) 2021-04-08 2021-04-08 一种非接触式的电梯钢筋绳缺陷检测方法

Country Status (1)

Country Link
CN (1) CN112991322A (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106841381A (zh) * 2017-03-17 2017-06-13 太原理工大学 钢丝绳在线探伤监测系统、方法及矿用多绳摩擦提升系统
WO2018165972A1 (zh) * 2017-03-17 2018-09-20 太原理工大学 钢丝绳在线探伤监测系统、方法及矿用多绳摩擦提升系统
CN111310686A (zh) * 2020-02-25 2020-06-19 江西理工大学 一种ipso-bp神经网络的钢丝绳断丝损伤识别方法
CN112053332A (zh) * 2020-08-31 2020-12-08 安徽机电职业技术学院 一种基于机器视觉的曳引电梯钢丝绳检测系统控制方法
CN112258444A (zh) * 2020-07-13 2021-01-22 安徽机电职业技术学院 一种电梯钢丝绳检测方法
CN112270658A (zh) * 2020-07-13 2021-01-26 安徽机电职业技术学院 一种基于机器视觉的电梯钢丝绳检测方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106841381A (zh) * 2017-03-17 2017-06-13 太原理工大学 钢丝绳在线探伤监测系统、方法及矿用多绳摩擦提升系统
WO2018165972A1 (zh) * 2017-03-17 2018-09-20 太原理工大学 钢丝绳在线探伤监测系统、方法及矿用多绳摩擦提升系统
CN111310686A (zh) * 2020-02-25 2020-06-19 江西理工大学 一种ipso-bp神经网络的钢丝绳断丝损伤识别方法
CN112258444A (zh) * 2020-07-13 2021-01-22 安徽机电职业技术学院 一种电梯钢丝绳检测方法
CN112270658A (zh) * 2020-07-13 2021-01-26 安徽机电职业技术学院 一种基于机器视觉的电梯钢丝绳检测方法
CN112053332A (zh) * 2020-08-31 2020-12-08 安徽机电职业技术学院 一种基于机器视觉的曳引电梯钢丝绳检测系统控制方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
孙建平 等: "《基于信号处理的木质材料定量无损检测技术》", 31 December 2007 *
张新红: "《小波网络理论及其在经济建模中的应用》", 31 December 2008 *
朱振国: "基于权值变化的BP 神经网络自适应学习率改进研究", 《计算机系统应用》 *
知乎网友: "机器学习实战-logistic回归", 《网页：HTTPS://ZHUANLAN.ZHIHU.COM/P/88734927》 *
胡志峰: "基于小波变换图像去噪及边缘检测研究", 《中国优秀硕士学位论文全文数据库 (信息科技辑)》 *

Similar Documents

Publication Publication Date Title
CN112465748B (zh) 基于神经网络的裂缝识别方法、装置、设备及存储介质
CN108052980B (zh) 基于图像的空气质量等级检测方法
CN110060251A (zh) 一种基于U-Net的建筑物表面裂纹检测方法
CN104751472B (zh) 基于b样条小波和深度神经网络的织物疵点检测方法
WO2023082418A1 (zh) 基于人工智能技术的电力综合管廊沉降裂缝识别方法
CN111899225A (zh) 基于多尺度金字塔结构的核电管道缺陷检测方法
CN111079628A (zh) 地板破损故障图像识别方法
CN111091134A (zh) 一种基于多特征融合的色纺织物组织结构识别的方法
Hu et al. Automatic defect detection from X-ray scans for aluminum conductor composite core wire based on classification neutral network
CN111199194A (zh) 基于机器视觉和深度学习的汽车智能座舱仪表测试方法
CN113313107A (zh) 一种斜拉桥缆索表面多类型病害智能检测和识别方法
CN110660048B (zh) 一种基于形状特征的皮革表面缺陷检测方法
CN112258495A (zh) 一种基于卷积神经网络的建筑木材裂缝识别方法
CN114399763B (zh) 一种单样本与小样本微体古生物化石图像识别方法及系统
CN116563262A (zh) 基于多模态的建筑裂缝检测算法
CN115147439A (zh) 基于深度学习与注意力机制的混凝土裂缝分割方法及系统
CN113159052B (zh) 基于深度学习的受弯钢筋混凝土简支梁破坏模式识别方法
CN114612403A (zh) 一种上料皮带破损缺陷智能检测方法及系统
CN108242060A (zh) 一种基于Sobel算子的图像边缘检测方法
CN112991322A (zh) 一种非接触式的电梯钢筋绳缺陷检测方法
CN116309447B (zh) 一种基于深度学习的水坝斜坡裂缝检测方法
CN109859141B (zh) 一种深立井井壁图像去噪方法
CN116484258A (zh) 电梯曳引机轴承故障诊断方法
CN107993193A (zh) 基于光照均衡化和改进surf算法的隧道衬砌图像拼接方法
CN116740013A (zh) 基于YOLOv5改进网络的曳引钢丝绳缺陷检测方法

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