CN114004783A - 一种基于图像识别的自动扶梯的扶手带剩余寿命的判断方法 - Google Patents
一种基于图像识别的自动扶梯的扶手带剩余寿命的判断方法 Download PDFInfo
- Publication number
- CN114004783A CN114004783A CN202110995133.7A CN202110995133A CN114004783A CN 114004783 A CN114004783 A CN 114004783A CN 202110995133 A CN202110995133 A CN 202110995133A CN 114004783 A CN114004783 A CN 114004783A
- Authority
- CN
- China
- Prior art keywords
- picture
- handrail belt
- handrail
- edge
- escalator
- 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
- 238000000034 method Methods 0.000 title claims abstract description 19
- 238000005520 cutting process Methods 0.000 claims abstract description 9
- 230000009466 transformation Effects 0.000 claims abstract description 9
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 claims abstract description 7
- 238000012545 processing Methods 0.000 claims abstract description 7
- 238000012544 monitoring process Methods 0.000 claims abstract description 5
- 230000000877 morphologic effect Effects 0.000 claims abstract description 5
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 3
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000012937 correction Methods 0.000 claims description 4
- 238000010801 machine learning Methods 0.000 claims description 4
- 239000011159 matrix material Substances 0.000 claims description 4
- 230000007797 corrosion Effects 0.000 claims description 3
- 238000005260 corrosion Methods 0.000 claims description 3
- 230000002452 interceptive effect Effects 0.000 claims description 3
- 238000011478 gradient descent method Methods 0.000 claims description 2
- 238000007477 logistic regression Methods 0.000 claims description 2
- 238000004519 manufacturing process Methods 0.000 claims description 2
- 238000005457 optimization Methods 0.000 claims description 2
- 238000012360 testing method Methods 0.000 claims description 2
- 238000012549 training Methods 0.000 claims description 2
- 238000012423 maintenance Methods 0.000 abstract description 7
- 230000003628 erosive effect Effects 0.000 abstract description 2
- 230000010339 dilation Effects 0.000 abstract 1
- 230000008859 change Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000001514 detection method Methods 0.000 description 2
- 229910000831 Steel Inorganic materials 0.000 description 1
- 239000002390 adhesive tape Substances 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 239000004744 fabric Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 239000010959 steel Substances 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
- G06T5/30—Erosion or dilatation, e.g. thinning
-
- 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
- G06T2207/20048—Transform domain processing
- G06T2207/20061—Hough transform
-
- 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
- G06T2207/20112—Image segmentation details
- G06T2207/20132—Image cropping
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30164—Workpiece; Machine component
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Escalators And Moving Walkways (AREA)
Abstract
本发明公开了一种基于图像识别的自动扶梯的扶手带剩余寿命的判断方法,包括:在左、右两边自动扶梯扶手带监测点处各安装一个摄像头,对摄像头所拍摄的扶手带照片进行局部裁剪;确定图片中扶手带裂纹的所在区域,并对该区域进行裁剪;进行仿射变换操作来矫正照片中图形并进行再一次裁剪;使用图片增强、图片的二值化和形态学的腐蚀和膨胀处理照片:扫描照片上的每一行数据,计算出裂纹的尺寸;基于裂纹的大小,长短以及数量建立不同使用年限的扶手带裂纹模型,再通过卷积神经网络制作出模型,采集到的实时数据与建立的模型对比,可及时观测到扶手带上裂纹的数量和尺寸,判断扶手带的剩余寿命,保证保养人员可以及时的更换扶手带,处理安全隐患。
Description
技术领域
本发明涉及故障诊断领域,具体涉及一种基于图像识别的自动扶梯的扶手带剩余寿命的判断方法。
背景技术
自动扶梯作为一种大型运输机械,在铁路、城市轨道交通、商场、机场等有着广泛的应用,扶手带位于扶手装置的顶面,与梯级、踏板或胶带同步运行,供乘客扶握的带状部件,其作为自动扶梯这种大型回转装置的一个重要组成部分,扶手带的状态与旅客的安全有着直接的关系。扶手带作为自动扶梯的易损件,其结构主要由橡胶层、帘子布层、钢丝层、摩擦层构成。扶手带的驱动方式主要有:
1)摩擦轮驱动,2)压轮驱动,都是利用机械滚轮的摩擦力带动扶手带运行。扶手带在发生老化的时候,首先会在扶手带边缘部位产生裂纹,这些裂纹的数量和尺寸会随着扶手带老化程度的加重而增加,严重时会直接造成扶手带断裂,会直接影响自动扶梯的安全运行。
现有的扶手带质量检测主要是通过维保人员定时维保来进行检查,无法实时的观测到扶手带上裂纹的数量和尺寸,导致维修保养人员不能及时的更换扶手带,处理安全隐患。
发明内容
为解决现有技术的不足,本发明要解决的现有技术中现有的扶手带质量检测主要是通过维保人员定时维保来进行检查,无法实时的观测到扶手带上裂纹的数量和尺寸,导致维修保养人员不能及时的更换扶手带,处理安全隐患的问题。
为了实现上述目的,—种基于图像识别的自动扶梯的扶手带剩余寿命的判断方法,其特征在于包括如下步骤:
步骤1:在左、右两边自动扶梯扶手带监测点处各安装一个摄像头,当扶手带处于运行状态时,摄像头实时拍摄扶手带;
步骤2:摄像头对左边或右边扶手带居中拍照,然后对步骤1中摄像头所拍摄的扶手带照片进行裁剪只保留扶手带的部分;
步骤3:对步骤2中进行局部裁剪后的照片,再次裁剪(左边缩减1100个像素),得到扶手带的图片,截取该图片的下部分(顶部缩减500个像素);
步骤4:由于电梯内部空间影响,摄像头会无法垂直拍摄扶手带,导致图片中扶手带边缘与图片边缘呈倾斜角度,所以对该图片进行霍夫变换操作,为了截图方便以及尽可能保留裂纹相关的数据,计算扶手带边缘相对图片边缘的倾斜角度,依据倾斜角度对倾斜的扶手带图片进行仿射变换操作来矫正角度,使扶手带边缘与图片边缘保持平行状态;
步骤5:使用图片增强、图片的二值化和形态学的腐蚀和膨胀处理步骤 4得到照片的杂点,去除多余的干扰因子;
步骤6:对步骤5中得到的图片进行扫描以获取扶手带上裂纹的宽度和长度;
步骤7:基于裂纹的大小,长短以及数量建立不同使用年限的扶手带裂纹模型,再通过卷积神经网络制作出模型,采集到的实时数据与建立的模型对比,即可判断出扶手带的剩余寿命。
进一步的,所述步骤1中监测点是指扶手带压带轮或摩擦轮或张紧轮上方。
进一步的,所述摄像头的像素不低于2000万。
进一步的,所述步骤4中,计算扶手带边缘相对图片边缘的倾斜角度的方法为对步骤三中图片进行霍夫变换操作,得到扶手带边缘形状,绘制扶手带的边缘线,并计算边缘线的斜率,再转化为边缘线的倾斜角度,最终得到扶手带边缘相对图片边缘的倾斜角度。
进一步的,所述步骤4中仿射变换操作矫正以后,如果图片中仍然存在干扰裂纹的多余图像,需要对矫正后的图片进行再一次裁剪,得到二次裁剪的裂纹图片。
进一步的,步骤6中得到的图片进行扫描以获取扶手带上裂纹的宽度和长度的方法为:将步骤5中得到的图片,白色的像素点标记为0,黑色的像素点标记为1,逐步扫描步骤5得到的照片上的每一行像素点,当扫描到黑色像素点时,记下此处的纵坐标位置y1,然后继续向下扫描,知道扫描到像素点标记为0处,记下此处的纵坐标位置y2,此时,裂纹影响扶手带的宽度为y2-y1;根据y1和y2,截取该部分的图片,对图片进行从左往右,逐列扫描,遇到像素点标记为1时,记下此处的横坐标x1,继续扫描,直到扫描到像素点标记为0时,记下此处的横坐标x2,此时,裂纹影响扶手带的长度为x2-x1。
进一步的,所述步骤7具体方法为:
步骤7.1:对扶手带以使用年数为单位进行分组(例如将使用了一年的扶手带为一组,使用了两年的扶手带为一组,使用了三年的扶手带为一组,使用了四年的扶手带为一组,使用了五年的扶手带为一组,总共五组),每组扶手带拍摄照片不少于300张,通过以上步骤可以得出每张图片中扶手带的影响面积s,长度l,数量n,所以每照片可以得出一个1*3的矩阵 [s1 l1 n1];
步骤7.2:接下来在机器学习模型里面里设定逻辑回归的参数,回归的公式为Y=w*X+b,将上面1*3的矩阵[s1 l1 n1]作为为X输入,Y为计算结果,w为权重参数,b为修正参数,其中w和b是要训练修正的参数, w初始值为一个随机的变数,标准差为0.01,b初始值为0,训练里判断计算结果好坏就是要判断计算出来的Y损失值和实际的Y损失值(loss) 是多少,并减少Y损失值;
步骤7.3:设定优化方式,使用梯度下降法,并将参数初始化,运行机器学习模型;然后可以得出一个能够测试不同使用年份的扶手带的模型,通过传入扶手带照片,可分析出扶手带的使用年份。
总体而言,通过本发明所构思的以上技术方案与现有技术相比,能够取得下列有益效果:
可及时观测到扶手带上裂纹的数量和尺寸,判断扶手带的剩余寿命,保证保养人员可以及时的更换扶手带,处理安全隐患。
附图说明:
图1是本发明较佳实施例的安装结构示意图;
图2是本发明较佳实施例的另一种安装结构示意图;
图3是本发明较佳实施例进行局部裁剪后的图片变化示意图;
图4是本发明较佳实施例的进行霍夫变换操作后的图片变化示意图;
图5是本发明较佳实施例的进行仿射变换操作的图片变化示意图;
图6是本发明较佳实施例的进行图片增强、图片的二值化和形态学的腐蚀和膨胀处理的图片变化示意图(处理过程中出现变色现象,所以保留了颜色);
具体实施方式:
—种基于图像识别的自动扶梯的扶手带剩余寿命的判断方法,包括如下步骤:
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明的进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明的,并不用于限定本发明的。此外,下面所描述的本发明的各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
请参考图1-3,摄像头对扶手带居中拍照,然后对扶手带照片进行裁剪 (左边缩减300个像素单位,右边缩减300个像素单位),只保留扶手带的部分,如图所示
请参考图4,以扶手带右边为例,对上步中的照片,再次裁剪(左边缩减1100个像素),得到扶手带右部分的图片,截取该图片的下部分(顶部缩减500个像素),得到图片,,对该图片进行霍夫变换操作,绘制扶手带的边缘白线,并计算白线的斜率,再转化为直线的倾斜角度,最终得到扶手带右边部分的倾斜角度;
请参考图5,由于摄像的角度会造成扶手带在照片中出现视觉上的倾斜,通过对步骤3中最后裁剪得到的照片进行仿射变换操作来矫正照片中图形;
请参考图6,图片矫正以后,由于图片中仍然存在干扰裂纹的多余图像,所以,对步骤4中矫正后的照片进行再一次裁剪,得到图片;
使用图片增强、图片的二值化和形态学的腐蚀和膨胀处理步骤5得到照片的杂点,去除多余的干扰因子,得到图片;
步骤6中的图片进行了二值化处理,白色的像素点为0,黑色的像素点1,逐步扫描步骤6得到的照片上的每一行数据,当扫描到黑色像素点时,记下此处的纵坐标位置y1,然后继续向下扫描,知道扫描到像素点值为0处,记下此处的纵坐标位置y2,此时,裂纹影响扶手带的宽度为y2-y1,根据y1 和y2,截取该部分的图片,对图片进行从左往右,逐列扫描,遇到像素点为1时,记下此处的横坐标x1,继续扫描,直到扫描到像素点0或扫描到图片末尾x1,此时,裂纹影响扶手带的长度为x2-x1;
根据上一步的操作,即可得出裂纹的数量和影响范围,扶手带的左边部分计算方式与右边相同。得到扶手带两边的裂纹数量和裂纹大小数据。
本领域的技术人员容易理解,以上所述仅为本发明的较佳实施例而已,并不用于限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (7)
1.一种基于图像识别的自动扶梯的扶手带剩余寿命的判断方法,其特征在于包括如下步骤:
步骤1:在左、右两边自动扶梯扶手带监测点处各安装一个摄像头,当扶手带处于运行状态时,摄像头实时拍摄扶手带;
步骤2:摄像头对左边或右边扶手带居中拍照,然后对步骤1中摄像头所拍摄的扶手带照片进行裁剪只保留扶手带的部分;
步骤3:对步骤2中进行局部裁剪后的照片,再次裁剪,得到扶手带的图片,截取该图片的下部分;
步骤4:由于电梯内部空间影响,摄像头会无法垂直拍摄扶手带,导致图片中扶手带边缘与图片边缘呈倾斜角度,所以对该图片进行霍夫变换操作,为了截图方便以及尽可能保留裂纹相关的数据,计算扶手带边缘相对图片边缘的倾斜角度,依据倾斜角度对倾斜的扶手带图片进行仿射变换操作来矫正角度,使扶手带边缘与图片边缘保持平行状态;
步骤5:使用图片增强、图片的二值化和形态学的腐蚀和膨胀处理步骤4得到照片的杂点,去除多余的干扰因子;
步骤6:对步骤5中得到的图片进行扫描以获取扶手带上裂纹的宽度和长度;
步骤7:基于裂纹的大小,长短以及数量建立不同使用年限的扶手带裂纹模型,再通过卷积神经网络制作出模型,采集到的实时数据与建立的模型对比,即可判断出扶手带的剩余寿命。
2.根据权利要求1所述的基于图像识别的自动扶梯的扶手带剩余寿命的判断方法,其特征在于,所述步骤1中监测点是指扶手带压带轮或摩擦轮或张紧轮上方。
3.根据权利要求1所述的基于图像识别的自动扶梯的扶手带剩余寿命的判断方法,其特征在于,所述摄像头的像素不低于2000万。
4.根据权利要求1所述的基于图像识别的自动扶梯的扶手带剩余寿命的判断方法,其特征在于,所述步骤4中,计算扶手带边缘相对图片边缘的倾斜角度的方法为对步骤三中图片进行霍夫变换操作,得到扶手带边缘形状,绘制扶手带的边缘线,并计算边缘线的斜率,再转化为边缘线的倾斜角度,最终得到扶手带边缘相对图片边缘的倾斜角度。
5.根据权利要求1所述的基于图像识别的自动扶梯的扶手带剩余寿命的判断方法,其特征在于,所述步骤4中仿射变换操作矫正以后,如果图片中仍然存在干扰裂纹的多余图像,需要对矫正后的图片进行再一次裁剪,得到二次裁剪的裂纹图片。
6.根据权利要求1所述的基于图像识别的自动扶梯的扶手带剩余寿命的判断方法,其特征在于,步骤6中得到的图片进行扫描以获取扶手带上裂纹的宽度和长度的方法为:将步骤5中得到的图片,白色的像素点标记为0,黑色的像素点标记为1,逐步扫描步骤5得到的照片上的每一行像素点,当扫描到黑色像素点时,记下此处的纵坐标位置y1,然后继续向下扫描,知道扫描到像素点标记为0处,记下此处的纵坐标位置y2,此时,裂纹影响扶手带的宽度为y2-y1;根据y1和y2,截取该部分的图片,对图片进行从左往右,逐列扫描,遇到像素点标记为1时,记下此处的横坐标x1,继续扫描,直到扫描到像素点标记为0时,记下此处的横坐标x2,此时,裂纹影响扶手带的长度为x2-x1。
7.根据权利要求4所述的基于图像识别的自动扶梯的扶手带剩余寿命的判断方法,其特征在于,所述步骤7具体方法为:
步骤7.1:对扶手带以使用年数为单位进行分组(例如将使用了一年的扶手带为一组,使用了两年的扶手带为一组,使用了三年的扶手带为一组,使用了四年的扶手带为一组,使用了五年的扶手带为一组,总共五组),每组扶手带拍摄照片不少于300张,通过以上步骤可以得出每张图片中扶手带的影响面积s,长度l,数量n,所以每照片可以得出一个1*3的矩阵[s1 l1 n1];
步骤7.2:接下来在机器学习模型里面里设定逻辑回归的参数,回归的公式为Y=w*X+b,将上面1*3的矩阵[s1 l1 n1]作为为X输入,Y为计算结果,w为权重参数,b为修正参数,其中w和b是要训练修正的参数,w初始值为一个随机的变数,标准差为0.01,b初始值为0,训练里判断计算结果好坏就是要判断计算出来的Y损失值和实际的Y损失值(loss)是多少,并减少Y损失值;
步骤7.3:设定优化方式,使用梯度下降法,并将参数初始化,运行机器学习模型;然后可以得出一个能够测试不同使用年份的扶手带的模型,通过传入扶手带照片,可分析出扶手带的使用年份。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110995133.7A CN114004783A (zh) | 2021-08-27 | 2021-08-27 | 一种基于图像识别的自动扶梯的扶手带剩余寿命的判断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110995133.7A CN114004783A (zh) | 2021-08-27 | 2021-08-27 | 一种基于图像识别的自动扶梯的扶手带剩余寿命的判断方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114004783A true CN114004783A (zh) | 2022-02-01 |
Family
ID=79921132
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110995133.7A Pending CN114004783A (zh) | 2021-08-27 | 2021-08-27 | 一种基于图像识别的自动扶梯的扶手带剩余寿命的判断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114004783A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116002319A (zh) * | 2023-02-13 | 2023-04-25 | 山东超晟光电科技有限公司 | 一种基于改进YOLOv5的皮带撕裂及使用寿命检测方法 |
-
2021
- 2021-08-27 CN CN202110995133.7A patent/CN114004783A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116002319A (zh) * | 2023-02-13 | 2023-04-25 | 山东超晟光电科技有限公司 | 一种基于改进YOLOv5的皮带撕裂及使用寿命检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2021248554A1 (zh) | 高速高精度锂离子电池极片的毛刺检测方法及检测系统 | |
CN111080598B (zh) | 一种钩尾销安全吊的螺栓、螺母缺失检测方法 | |
CN109115785B (zh) | 一种铸件打磨质量检测方法、装置及其使用方法 | |
CN115272334B (zh) | 用于复杂背景下的钢轨表面微小缺陷检测方法 | |
CN111402209B (zh) | 一种基于U-Net的高速铁路钢轨损伤检测方法 | |
CN108492291B (zh) | 一种基于cnn分割的太阳能光伏硅片瑕疵检测系统及方法 | |
KR20210157000A (ko) | 차량 하부 검사 시스템 및 그 방법 | |
CN111080601A (zh) | 铁路货车脱轨制动装置拉环磨轴故障图像识别方法 | |
CN114004783A (zh) | 一种基于图像识别的自动扶梯的扶手带剩余寿命的判断方法 | |
CN113155851A (zh) | 基于深度学习的覆铜板表面缺陷视觉在线检测方法及装置 | |
CN115953398B (zh) | 一种用于带钢表面的缺陷识别方法 | |
CN113139572B (zh) | 一种基于图像的列车空气弹簧的故障检测方法 | |
CN111598858B (zh) | 一种基于迁移学习的橡胶手套的检测方法及系统 | |
CN111127448A (zh) | 一种基于孤立森林检测空气弹簧故障的模型及方法 | |
CN115272980A (zh) | 一种基于机器视觉的运输皮带表面检测方法及系统 | |
CN111598846A (zh) | 一种基于yolo的隧道内铁轨缺陷检测方法 | |
CN114897908A (zh) | 基于机器视觉的激光选区铺粉烧结面缺陷分析方法及系统 | |
CN114821452A (zh) | 一种彩绘列车车号识别方法、系统及介质 | |
CN116309375B (zh) | 实木板材双面缺陷检测及智能加工坐标确定方法 | |
JP5286331B2 (ja) | 乗客コンベアのハンドレール点検装置および乗客コンベアの保全方法 | |
CN116342540A (zh) | 包装膜缺陷检测方法、装置、设备及存储介质 | |
JP2019142304A (ja) | 落下物検出装置及び落下物検出方法 | |
CN112001396B (zh) | 一种轴承表面形变及文字混合缺陷图像检测方法 | |
CN111833323B (zh) | 基于稀疏表示与svm的分任务铁路货车图像质量判断方法 | |
CN112330633B (zh) | 基于自适应带通滤波的跨接线胶带破损故障图像分割方法 |
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 |