CN115018785A - 基于视觉振频识别的提升钢丝绳张力检测方法 - Google Patents

Abstract

本发明公开一种基于视觉振频识别的提升钢丝绳张力检测方法，对正交式双目相机采集到的提升钢丝绳运行振动图像进行处理，通过提升钢丝绳的振动固有频率来计算其所受张力大小，从而达到完成对提升钢丝绳张力的实时检测。本发明通过倾斜矩形拟合的方式提高了算法的抗干扰性能、通过基于差分理论的绝对均值数据坏点清洗方法提高了算法的检测精度，获得了良好的检测效果。

Description

基于视觉振频识别的提升钢丝绳张力检测方法

技术领域

本发明涉及一种基于视觉振频识别的提升钢丝绳张力检测领域，具体是一种基于视觉振频识别的提升钢丝绳张力检测方法。

背景技术

在矿井提升系统的运行过程当中，钢丝绳会不可避免地产生振动，这将导致钢丝绳承受张力的大小发生变化，严重时会造成钢丝绳的疲劳变形甚至断裂，给矿井提升系统的安全运行造成严重的威胁。因此，如何准确高效地检测钢丝绳的张力对于预防矿井事故具有重大意义，是煤矿生产领域亟需解决的科学问题。

然而，矿井提升结构复杂，提升系统的张力检测难度较大，现有技术多使用传感器对钢丝绳进行张力检测，这些方法存在着一些局限性，例如设备不易安装、传感器会对待测钢丝绳的运行产生影响等问题，不利于钢丝绳张力的长期检测。

机器视觉技术为解决该问题提供了新的方法，即通过计算机来分析待测钢丝绳的振动图像以获取其振动参数，进而计算得到钢丝绳所受张力的值。现有基于机器视觉的检测算法抗干扰性较差，对残影、阴影等异常现象较为敏感；另一方面，现有钢丝绳振动数据坏点清洗方法也存在局限性，不能正确筛除修正样本数据中的迟滞性误差，影响最终检测结果的准确性。

发明内容

本发明旨在解决上述问题，提供一种基于视觉振频识别的提升钢丝绳张力检测方法，克服了上述传统检测方法带来的设备不易安装、易对待测钢丝绳产生影响等问题，提高了检测的效率与安全可靠性，同时提高了钢丝绳图像识别算法的抗干扰性，提高了张力检测的精确性。

为了实现上述目标，本发明采用如下技术方案：

基于视觉振频识别的提升钢丝绳张力检测方法，包括以下步骤：

步骤A，实时采集提升钢丝绳的振动图像，对图像进行预处理，获得钢丝绳与背景分割效果良好的黑白图像；

步骤B，对步骤A获得的黑白图像分割结果进行边缘特征提取与基于倾斜矩形法的轮廓拟合,具体步骤如下：

B1，对步骤A得到的提升钢丝绳目标图像进行边缘检测；

B2，对检测到的边缘进行倾斜矩形拟合，排除因钢丝绳移动较快或图像采集设备达不到使用要求等问题导致的拍摄残影误差；还包括：

步骤C，对步骤B中拟合的倾斜矩形进行特征筛选与几何形心定位，确定钢丝绳的时域振动数据；

步骤D，对步骤C得到的钢丝绳的时域振动数据进行进一步处理，采用基于差分理论的绝对均值法过滤算法异常工况下检测到的数据坏点，提高数据的准确性，具体包括以下子步骤：

D1，确定待处理原始数组a_o，并计算其差分数组a_d；

D2，定义过滤阈值T作为数据坏点筛选依据；

D3，对数据坏点进行识别与修正；

步骤E，对清洗后的数据进行傅里叶变换，获得其振动固有频率，结合钢丝绳张力-振频公式计算得到钢丝绳所受张力。

进一步的，所述异常工况包括强风、照明失效和人为干扰。

进一步的，步骤A具体包括以下子步骤：

A1，以钢丝绳在图像中活动区域为基准选定ROI区域，减少算法总计算量；

A2，对ROI区域进行灰度转化；

A3，对步骤A2获得的ROI灰度图进行自适应阈值分割；

A4，对步骤A3获得的黑白图像进行高斯滤波操作，减少背景干扰；

A5，对步骤A4获得的滤波结果进行形态学处理，填补钢丝绳目标中的内部空洞。

进一步的，步骤C具体包括以下子步骤：

C1，定义步骤B2中倾斜矩形的紧凑度、顶点高度、横纵比三个特征参数；

C2，结合ROI区域的截割逻辑定义C1中三个特征参数的置信区间，并对区间外的非期望目标拟合矩形进行筛除，排除因背景阴影、油污或划痕造成的干扰；

C3，确定步骤C2中筛选得到的目标矩形的几何形心，作为当前帧钢丝绳的位置，再通过逐帧采集形心最终确定钢丝绳的时域振动数据。

进一步的，所述步骤B1包括以下子步骤：

B11，为步骤A中得到的黑白图像的上下边缘添加宽度为两个像素的白边，使图片中存在一条闭合的轮廓能够完整覆盖钢丝绳目标的所有边缘；

B12，使用Canny边缘算子对提升钢丝绳目标区域进行边缘提取；

步骤B2包括以下子步骤：

B21，对步骤B1提取的目标边缘，采用倾斜外接矩形的方式对轮廓进行拟合。倾斜矩形的拟合原理为：选取钢丝绳边缘中y值最大的点作为外接矩形的下顶点Point 0，以其为顶点沿与x轴平行的方向做两条射线L₁与L₂，以点Point 0为中心顺时针旋转L₁，当L₁接触到待测钢丝绳边缘时停止，以此时边缘与L₁的交点Point 1作为矩形的第二个顶点,这样就确定了矩形的第一条边。然后做这条边的垂线，与L₂的夹角为θ₂，然后在该方向确定点Point3，使Point 0到Point 3的距离为钢丝绳的直径d₁，从而完成倾斜矩形的建立。

进一步的，所述步骤C1的具体步骤如下：

C11，计算步骤B2得到的倾斜矩形的横纵比F₁，计算公式为：

式中，a为倾斜矩形的长所占像素数，b为倾斜矩形宽所占像素数；

C12，计算步骤B2得到的倾斜矩形的紧凑度F₂，计算公式为：

式中，S₁为倾斜矩形所占总像素数，S₂为ROI区域的总像素数；

C13，计算步骤B2得到的倾斜矩形的顶点高度F₃，计算公式为：

式中，h₁为倾斜矩形最高顶点的纵坐标值，h₂为ROI区域的高度像素数；

所述步骤C2的具体步骤如下：

C21，设定倾斜矩形的横纵比F₁的置信区间Q₁为[1,5]，

倾斜矩形的紧凑度F₂的置信区间Q₂为[0.05,0.7]，倾斜矩形的顶点高度F₃的置信区间Q₃为[0,0.1]；如果倾斜拟合矩形的特征参数于置信区间外则将其作为干扰轮廓进行排除；

所述步骤C3的具体步骤如下：

C31，记录筛选得到的钢丝绳目标轮廓的几何形心，记录形心在ROI区域中的坐标P₁作为追踪依据，将其换算为原图坐标P₂，原图坐标P₂的横纵坐标的值与形心在ROI区域中的坐标P₁横纵坐标的值如下：

式中，k₁为截取ROI区域时的左上角顶点纵坐标；

x_P1为形心P₁的横坐标值，

x_P2为追踪点P₂的横坐标值，

y_P1为形心P₁的纵坐标值，

y_P2为追踪点P₂的纵坐标值；

C32，初始化一个原始数据数组a₀，将步骤C31按照图像帧的顺序得到的追踪点P₂的逐个添加到原始数据数组a₀中，完成对追踪目标一个周期内的信息记录，以供后续进行数据处理。

进一步的，所述步骤D1的具体步骤如下：

D11，将步骤C3中检测得到的钢丝绳振动位移按照帧数的顺序依次添加到原始数据数组a_o中，然后依照数值由小到大的规则对其重新排序为a_o[P_o1,P_o2,P_o3,…,P_on]，其中P_o1≤P_o2≤P_o3≤…≤P_on；

D12，接着，计算数组a_o的差分数组a_d，其计算方式由下式表达：

P_di＝P_o(i+1)-P_oi

式中，P_di代表差分数组a_d中序号为i的元素的值，

P_oi代表原始数组a_o中序号为i的元素的值，

接着，计算差分数组a_d的绝对均值

其计算方式可由下式表示：

式中，n为差分数组a_d中元素个数；

所述步骤D2的具体步骤如下：

D21，过滤阈值T的定义方法为：

式中，k为经验系数，取4～5之间的值，根据数据不同部分的分散程度，为不同的钢丝绳振动情况选取不同的k值，

数据的分散程度由未按照大小排序前的原始数据的标准差σ所决定，为计算标准差σ，需先确定数组a_o的残差数组a_e，a_e中各元素值的计算方式由下式确定：

式中，Pe_i代表残差数组a_e中序号为i的元素的值；

计算标准差σ为：

将未按照大小排序前的原始数据平均分割为N部分，以同样的方法分别计算每一部分的标准差σ₁,σ₂,σ₃,…,σ_N，然后分别确定每一部分的经验系数k为：

所述步骤D3的具体步骤如下：

D31，确定k值之后，根据过滤阈值T来检查差分数组a_d中的问题数据，若数组a_d中某元素P_dm满足：

则认为其对应的原始数据数组a_o中的P_om、P_o(m+1)两点至少存在一个数据坏点；

接着，分别对P_om、P_o(m+1)两个点进行是否为数据坏点的判断，若点P_om满足：

|[P_om-P_o(m-1)]-[P_o(m-1)-P_o(m-2)]|>σ

则认为P_om是数据坏点，对P_o(m+1)的判断方式同理；

D32，对判断后认定的数据坏点进行修正，修正方式为：

P_ow＝P_o(w-1)+P_d(w-1)

式中，P_ow为数据坏点，

P_o(w-1)为数组a_o中序号为w-1的元素数值，

P_d(w-1)为数组a_d中序号为w-1的元素数值；

若局部数据标准差σ_i近似为0，则认为这部分数据出现了迟滞误差，算法会将这部分数据予以警报并从样本中剔除，避免对后续参数计算结果造成影响；

将修正后的数组数值还原为原始采集序列，即完成钢丝绳横向振动数据的数据清洗工作。

有益效果：

本发明采用以上技术方案与现有技术相比，具有以下技术效果：

第一点：本发明能够有效减少由拍摄残影造成的检测误差，这是因为本发明采用了倾斜矩形拟合的方式对钢丝绳进行轮廓拟合与定位，在不涉及图像中钢丝绳残影生成区域的情况下完成对钢丝绳的定位。

第二点：本发明避免了检测背景中存在的油污、划痕或由光照不均导致的背景阴影等现象导致的错检现象，这是因为本发明通过倾斜矩形拟合的特征参数筛选对于图像中的背景干扰目标进行了筛除，仅保留了待测钢丝绳的目标轮廓。

第三点：本发明具有更好的钢丝绳振动数据坏点过滤效果，这是因为本发明采用了基于差分理论的绝对均值滤波法，该方法的优势在于：首先，该方法根据钢丝绳振动数据的波动程度设置不同的过滤阈值，针对钢丝绳振动数据在不同服役阶段波动程度不同的特点具有更好的过滤效果；然后，该方法能够基于差分法思想过滤钢丝绳振动数据中绝对值与其相邻点相差较大，但本身绝对值较小的潜藏坏点。因此，本发明的坏点过滤方法能够有效识别钢丝绳振动数据中的扩散性、隐蔽性与迟滞性误差，针对钢丝绳振动数据非正态分布、随机性强等特点具有更好的适用性。

附图说明

图1是本发明算法流程图。

图2是倾斜矩形拟合法的基本原理图。

图3是出现拍摄残影情况与未出现拍摄残影情况时，传统拟合算法与倾斜矩形拟合法的检测效果对比图。

图4是存在阴影的钢丝绳图片与图像分割效果图。

图5是传统算法的误检现象与本发明算法的筛选结果图。

图6是基于差分理论的绝对均值修正方法流程图。

具体实施方式

下面结合附图对本发明的技术方案做进一步的详细说明：

如图1所示，本发明提供一种基于视觉振频识别的提升钢丝绳张力检测方法，包括图像采集和预处理、目标边缘提取与倾斜矩形拟合、特征筛选与形心定位、数据处理与结果输出四个部分，其具体实施步骤如下：

A1，以钢丝绳在图像中活动区域为基准选定ROI区域，减少算法总计算量；

A2，对ROI区域进行灰度转化；

A3，对步骤A2获得的ROI灰度图进行自适应阈值分割；

A4，对步骤A3获得的黑白图像进行高斯滤波操作，减少背景干扰；

A5，对步骤A4获得的滤波结果进行形态学处理，填补钢丝绳目标中的内部空洞；

步骤B，对步骤A获得的图像分割结果进行边缘特征提取与基于倾斜矩形法的轮廓拟合,具体步骤如下：

B1，对步骤A得到的提升钢丝绳目标图像进行边缘检测；

B2，对检测到的边缘进行倾斜矩形拟合，排除因钢丝绳移动较快或图像采集设备达不到使用要求等问题导致的拍摄残影误差；

步骤C，对步骤B中拟合的倾斜矩形进行特征筛选与几何形心定位，具体包括以下步骤：

C1，定义步骤B2中倾斜矩形的紧凑度、顶点高度、横纵比三个特征参数；

C2，结合ROI区域的截割逻辑定义C1中三个特征参数的置信区间，并对区间外的非期望目标拟合矩形进行筛除，排除因背景阴影、油污或划痕造成的干扰；

C3，确定步骤C2中筛选得到的目标矩形的几何形心，作为当前帧钢丝绳的位置，再通过逐帧采集形心最终确定钢丝绳的横向振动位移曲线。

步骤D，对步骤D获得的钢丝绳横向振动参数进行数据处理，计算得到钢丝绳的张力大小，具体包括以下步骤：

步骤D，对检测到的数据进行进一步处理，采用基于差分理论的绝对均值法过滤算法异常工况下(强风、照明失效、人为干扰等)检测到的数据坏点，提高数据的准确性，该方法流程如图6所示。

D1，确定待处理原始数组a_o，并计算其差分数组a_d；

D2，定义过滤阈值T作为数据坏点筛选依据；

D3，对数据坏点进行识别与修正；

步骤E，对清洗后的数据进行进一步的数据处理，以得到钢丝绳张力，具体步骤如下：

E1，对数据进行傅里叶变换，获得钢丝绳振动固有频率；

E2，根据钢丝绳振动固有频率，计算其承受张力的值。

步骤A2具体步骤为：

A21，计算图像第i个像素点的灰度值为：

Gray_i＝0.299R_i+0.587G_i+0.114B_i

式中R_i、G_i、B_i为三通道彩色图像第i个像素点的红、绿、蓝通道的值。然后，将灰度值赋给此像素点，并遍历整幅图像，就完成了灰度图转化。

步骤A3具体步骤为：

A31.计算当前图片输入图像的灰度直方图确定一个均值M，以M值为分界线将直方图分为前后两个部分MA和MB，并定义MA部分所占像素数为PA，MB部分像素数为PB，通过类间方差定义：

ICV＝PA·(MA-M)²+PB·(MB-M)²

式中ICV为类间方差，使其取得最大值的阈值M即为最佳阈值；

A32.以阈值M为分界线将图片分割为目标和背景两部分。

步骤A4具体步骤为：

A41.定义一维离散零均值高斯滤波器函数g(x)为：

式中σ为高斯分布参数，它确定了高斯函数的宽度。本发明采用二维离散函数对图像进行平滑滤波，首先将图像与上述一维高斯函数进行卷积，之后再与一个相同但方向与卷积结果互相垂直的一维高斯函数卷积，得到二维高斯函数：

A42.通过对二维高斯函数进行离散化来获取离散点上的权值，例如，要获得一个大小为(2n+1)×(2n+1)的滤波模板，则以模板中心位置的像素作为中心元素来建立一个矩阵A[2n+1,2n+1]，矩阵内A[i,j]的值由如下公式确定：

之后对计算得到的各点的值进行归一化处理以得到各点权重V，计算过程为：

之后就能对图像各像素点进行加权平均以取得平滑滤波的效果。

步骤B1的具体步骤如下：

B11，为步骤A中得到的黑白图像的上下边缘添加宽度为两个像素的白边，使图片中存在一条闭合的轮廓能够完整覆盖钢丝绳目标的所有边缘；

B12，使用Canny边缘算子对提升钢丝绳目标区域进行边缘提取，本发明采用Canny算法中较为简单的一种卷积算子，表达如下：

式中x方向与y方向的一阶偏导矩阵P、Q，梯度幅值M和方向θ表达为：

P[i,j]＝(f[i,j+1]-f[i,j]+f[i+1,j+1]-f[i+1,j])/2

Q[i,j]＝(f[i,j]-f[i+1,j]+f[i,j+1]-f[i+1,j+1])/2

θ[i,j]＝tan^-1(Q[i,j]/P[i,j])

通过求解矩阵来进行进一步的运算，获得提升钢丝绳目标的边界图像。

步骤B2具体步骤为：

B21，对步骤B1提取的目标边缘，采用倾斜外接矩形的方式对轮廓进行拟合。倾斜矩形的拟合原理为：选取钢丝绳边缘中y值最大的点作为外接矩形的下顶点Point 0，以其为顶点沿与x轴平行的方向做两条射线L₁与L₂，以点Point 0为中心顺时针旋转L₁，当L₁接触到待测钢丝绳边缘时停止，以此时边缘与L₁的交点Point 1作为矩形的第二个顶点,这样就确定了矩形的第一条边。然后做这条边的垂线，与L₂的夹角为θ₂，然后在该方向确定点Point3，使Point 0到Point 3的距离为钢丝绳的直径d₁，从而完成倾斜矩形的建立。

步骤C1的具体步骤如下：

C11，计算步骤B2得到的倾斜矩形的横纵比F₁，计算公式为：

式中a为倾斜矩形的长所占像素数，b为倾斜矩形宽所占像素数；

C12，计算步骤B2得到的倾斜矩形的紧凑度F₂，计算公式为：

式中S₁为倾斜矩形所占总像素数，S₂为ROI区域的总像素数；

C13，计算步骤B2得到的倾斜矩形的顶点高度F₃，计算公式为：

式中h₁为倾斜矩形最高顶点的纵坐标值，S₂为ROI区域的高度像素数；

步骤C2的具体步骤如下：

C21，设定F₁的置信区间Q₁为[1,5]，F₂的置信区间Q₂为[0.05,0.7]，F₃的置信区间Q₃为[0,0.1]；如果倾斜拟合矩形的特征参数于置信区间外则将其作为干扰轮廓进行排除。

步骤C3的具体步骤如下：

C31，记录筛选得到的钢丝绳目标轮廓的几何形心，记录形心在ROI区域中的坐标P₁作为追踪依据，将其换算为原图坐标P₂，P₂的横纵坐标的值与P₁横纵坐标的值如下：

式中k₁为截取ROI区域时的左上角顶点纵坐标；x_P1为形心P₁的横坐标值，x_P2为追踪点P₂的横坐标值，y_P1为形心P₁的纵坐标值，y_P2为追踪点P₂的纵坐标值；

C32，初始化一个整形数组a₁，将步骤C31按照视频帧的顺序得到的追踪点P₂的逐个添加到a₁中，完成对追踪目标的信息记录，以供后续进行数据处理。

步骤D1的具体步骤如下：

D11，将C3中检测得到的钢丝绳振动位移按照帧数的顺序依次添加到原始数据数组a_o中，然后依照数值由小到大的规则对其重新排序为a_o[P_o1,P_o2,P_o3,…,P_on]，其中P_o1≤P_o2≤P_o3≤…≤P_on；

D12，接着，计算数组a_o的差分数组a_d，其计算方式可由下式表达：

P_di＝P_o(i+1)-P_oi

式中，P_di代表差分数组a_d中序号为i的元素的值，P_oi代表原始数组a_o中序号为i的元素的值。接着，计算差分数组a_d的绝对均值

其计算方式可由下式表示：

步骤D2的具体步骤如下：

D21，过滤阈值T的定义方法为：

式中k为经验系数，通常取4～5之间的值，本方法根据数据不同部分的分散程度，为不同的钢丝绳振动情况选取不同的k值。

数据的分散程度由未按照大小排序前的原始数据的标准差σ所决定，为计算标准差σ，需先确定数组a_o的残差数组a_e，a_e中各元素值的计算方式可由下式确定：

式中Pe_i代表残差数组a_e中序号为i的元素的值。

进一步地，可计算标准差σ为：

将未按照大小排序前的原始数据平均分割为N部分，以同样的方法分别计算每一部分的标准差σ₁,σ₂,σ₃,…,σ_N，然后分别确定每一部分的经验系数k为：

步骤D3的具体步骤如下：

D31确定k值之后，即可根据过滤阈值T来检查差分数组a_d中的问题数据，若数组a_d中某元素P_dm满足：

则认为其对应的原始数据数组a_o中的P_om、P_o(m+1)两点至少存在一个数据坏点。

接着，须分别对P_om、P_o(m+1)两个点进行是否为数据坏点的判断。若点P_om满足：

|[P_om-P_o(m-1)]-[P_o(m-1)-P_o(m-2)]|>σ

则认为P_om是数据坏点。对P_o(m+1)的判断方式同理。

D32，对判断后认定的数据坏点进行修正。修正方式为：

P_ow＝P_o(w-1)+P_d(w-1)

式中P_ow为数据坏点，通过其原始数据数组a_o序列中的上一个值与差分数组a_d中的对应元素相加来进行修正。

此外，若局部数据标准差σ_i近似为0，则认为这部分数据出现了迟滞误差，算法会将这部分数据予以警报并从样本中剔除，避免对后续参数计算结果造成影响。

将修正后的数组数值还原为原始采集序列，即完成钢丝绳横向振动数据的数据清洗工作。

步骤E1的具体步骤如下：

E11，对钢丝绳横向振动时域函数y(t)进行傅里叶变换：

式中Y(ω)即为变换后得到的频域信号函数，计算函数波形峰值以获得钢丝绳n阶振动固有频率ω_n；

步骤E2的具体步骤如下：

E21，根据步骤E11中得到的钢丝绳振动固有频率ω_n计算其所受张力为：

式中T_s为钢丝绳所受张力，ρ_s为钢丝绳线密度，l为钢丝绳绳长。通过该计算公式即可获得钢丝绳张力检测结果。

如图2所示为倾斜矩形拟合法的基本原理，首先选取钢丝绳边缘中y值最大的点作为外接矩形的下顶点Point 0，以其为顶点沿与x轴平行的方向做两条射线L₁与L₂，以点Point 0为中心顺时针旋转L₁，当L₁接触到待测钢丝绳边缘时停止，以此时边缘与L₁的交点Point 1作为矩形的第二个顶点,这样就确定了矩形的第一条边。然后做这条边的垂线，与L₂的夹角为θ₂，最后在该方向确定点Point 3，使Point 0到Point 3的距离为钢丝绳的直径d₁，从而完成倾斜矩形的建立。

当拍摄出现残影现象时，计算机会误把残影也当作钢丝绳目标的一部分，从而造成检测误差。但由于残影必定出现在钢丝绳运动方向的反方向，因此可以采用倾斜矩形拟合方式，在不接触可能产生残影的区域的情况下确定钢丝绳轮廓的外接矩形，然后通过矩形的几何形心来对待测钢丝绳进行定位，以减少残影现象带来的检测误差。

如图3所示为出现拍摄残影情况与未出现拍摄残影情况时，传统拟合算法与倾斜矩形拟合法的检测效果对比图。图中浅色为传统方法拟合效果，深色为本发明提出的倾斜矩形方法拟合效果，图①为高分辨率(1224×2448)且有拍摄残影情况下的检测效果对比；图②为高分辨率(1224×2448)且无拍摄残影情况下的检测效果对比；图③为低分辨率(480×640)且有拍摄残影情况下的检测效果对比；图④为低分辨率(480×640)且无拍摄残影情况下的检测效果对比。由图3可以看出，在分辨率不同的情况下，两种拟合方式在无残影现象时定位结果基本一致，但在有残影现象时出现了明显的定位偏差，这说明采用倾斜矩形拟合的方式对于抑制残影现象带来的定位偏差具有重要作用。

如图4所示为当拍摄图像存在背景阴影干扰时的图像分割结果。由于背景阴影干扰较为明显，面积较大，无法通过图像预处理的方式对其进行滤除。

如图5左侧所示为传统方法在背景阴影干扰下出现的误检现象，这是因为传统方法会将背景干扰也作为钢丝绳进行定位；图右侧为本发明经过矩形特征参数过滤后，正确筛选掉干扰轮廓，只保留目标轮廓的检测效果。

以上结合附图对本发明的具体实施方式作了说明，但这些说明不能被理解为限制了本发明的范围，任何在本发明权利要求基础上的改动都是本发明的保护范围。

Claims (7)

1.基于视觉振频识别的提升钢丝绳张力检测方法，包括以下步骤：

步骤A，实时采集提升钢丝绳的振动图像，对图像进行预处理，获得钢丝绳与背景分割效果良好的黑白图像；

步骤B，对步骤A获得的黑白图像分割结果进行边缘特征提取与基于倾斜矩形法的轮廓拟合,具体步骤如下：

B1，对步骤A得到的提升钢丝绳目标图像进行边缘检测；

B2，对检测到的边缘进行倾斜矩形拟合，排除因钢丝绳移动较快或图像采集设备达不到使用要求等问题导致的拍摄残影误差；其特征在于，还包括：

步骤C，对步骤B中拟合的倾斜矩形进行特征筛选与几何形心定位，确定钢丝绳的时域振动数据；

步骤D，对步骤C得到的钢丝绳的时域振动数据进行进一步处理，采用基于差分理论的绝对均值法过滤算法异常工况下检测到的数据坏点，提高数据的准确性，具体包括以下子步骤：

D1，确定待处理原始数组a_o，并计算其差分数组a_d；

D2，定义过滤阈值T作为数据坏点筛选依据；

D3，对数据坏点进行识别与修正；

步骤E，对清洗后的数据进行傅里叶变换，获得其振动固有频率，结合钢丝绳张力-振频公式计算得到钢丝绳所受张力。

2.根据权利要求1所述的基于视觉振频识别的提升钢丝绳张力检测方法，其特征在于，所述异常工况包括强风、照明失效和人为干扰。

3.根据权利要求1所述的基于视觉振频识别的提升钢丝绳张力检测方法，其特征在于，步骤A具体包括以下子步骤：

A1，以钢丝绳在图像中活动区域为基准选定ROI区域，减少算法总计算量；

A2，对ROI区域进行灰度转化；

A3，对步骤A2获得的ROI灰度图进行自适应阈值分割；

A4，对步骤A3获得的黑白图像进行高斯滤波操作，减少背景干扰；

A5，对步骤A4获得的滤波结果进行形态学处理，填补钢丝绳目标中的内部空洞。

4.根据权利要求1所述的基于视觉振频识别的提升钢丝绳张力检测方法，其特征在于，步骤C具体包括以下子步骤：

C1，定义步骤B2中倾斜矩形的紧凑度、顶点高度、横纵比三个特征参数；

C2，结合ROI区域的截割逻辑定义C1中三个特征参数的置信区间，并对区间外的非期望目标拟合矩形进行筛除，排除因背景阴影、油污或划痕造成的干扰；

C3，确定步骤C2中筛选得到的目标矩形的几何形心，作为当前帧钢丝绳的位置，再通过逐帧采集形心最终确定钢丝绳的时域振动数据。

5.根据权利要求1所述的基于视觉振频识别的提升钢丝绳张力检测方法，其特征在于，所述步骤B1包括以下子步骤：

B11，为步骤A中得到的黑白图像的上下边缘添加宽度为两个像素的白边，使图片中存在一条闭合的轮廓能够完整覆盖钢丝绳目标的所有边缘；

B12，使用Canny边缘算子对提升钢丝绳目标区域进行边缘提取；

步骤B2包括以下子步骤：

B21，对步骤B1提取的目标边缘，采用倾斜外接矩形的方式对轮廓进行拟合；倾斜矩形的拟合原理为：选取钢丝绳边缘中y值最大的点作为外接矩形的下顶点Point 0，以其为顶点沿与x轴平行的方向做两条射线L₁与L₂，以点Point 0为中心顺时针旋转L₁，当L₁接触到待测钢丝绳边缘时停止，以此时边缘与L₁的交点Point 1作为矩形的第二个顶点,这样就确定了矩形的第一条边；然后做这条边的垂线，与L₂的夹角为θ₂，然后在该方向确定点Point 3，使Point 0到Point 3的距离为钢丝绳的直径d₁，从而完成倾斜矩形的建立。

6.根据权利要求4所述的基于视觉振频识别的提升钢丝绳张力检测方法，其特征在于，所述步骤C1的具体步骤如下：

C11，计算步骤B2得到的倾斜矩形的横纵比F₁，计算公式为：

式中，a为倾斜矩形的长所占像素数，b为倾斜矩形宽所占像素数；

C12，计算步骤B2得到的倾斜矩形的紧凑度F₂，计算公式为：

式中，S₁为倾斜矩形所占总像素数，S₂为ROI区域的总像素数；

C13，计算步骤B2得到的倾斜矩形的顶点高度F₃，计算公式为：

式中，h₁为倾斜矩形最高顶点的纵坐标值，h₂为ROI区域的高度像素数；

所述步骤C2的具体步骤如下：

C21，设定倾斜矩形的横纵比F₁的置信区间Q₁为[1,5]，

倾斜矩形的紧凑度F₂的置信区间Q₂为[0.05,0.7]，倾斜矩形的顶点高度F₃的置信区间Q₃为[0,0.1]；如果倾斜拟合矩形的特征参数于置信区间外则将其作为干扰轮廓进行排除；

所述步骤C3的具体步骤如下：

C31，记录筛选得到的钢丝绳目标轮廓的几何形心，记录形心在ROI区域中的坐标P₁作为追踪依据，将其换算为原图坐标P₂，原图坐标P₂的横纵坐标的值与形心在ROI区域中的坐标P₁横纵坐标的值如下：

式中，k₁为截取ROI区域时的左上角顶点纵坐标；

x_P1为形心P₁的横坐标值，

x_P2为追踪点P₂的横坐标值，

y_P1为形心P₁的纵坐标值，

y_P2为追踪点P₂的纵坐标值；

C32，初始化一个原始数据数组a₀，将步骤C31按照图像帧的顺序得到的追踪点P₂的逐个添加到原始数据数组a₀中，完成对追踪目标一个周期内的信息记录，以供后续进行数据处理。

7.根据权利要求1所述的基于视觉振频识别的提升钢丝绳张力检测方法，其特征在于，所述步骤D1的具体步骤如下：

D11，将步骤C3中检测得到的钢丝绳振动位移按照帧数的顺序依次添加到原始数据数组a_o中，然后依照数值由小到大的规则对其重新排序为a_o[P_o1,P_o2,P_o3,…,P_on]，其中P_o1≤P_o2≤P_o3≤…≤P_on；

D12，接着，计算数组a_o的差分数组a_d，其计算方式由下式表达：

P_di＝P_o(i+1)-P_oi

式中，P_di代表差分数组a_d中序号为i的元素的值，

P_oi代表原始数组a_o中序号为i的元素的值，

接着，计算差分数组a_d的绝对均值

其计算方式可由下式表示：

式中，n为差分数组a_d中元素个数；

所述步骤D2的具体步骤如下：

D21，过滤阈值T的定义方法为：

式中，k为经验系数，取4～5之间的值，根据数据不同部分的分散程度，为不同的钢丝绳振动情况选取不同的k值，

数据的分散程度由未按照大小排序前的原始数据的标准差σ所决定，为计算标准差σ，需先确定数组a_o的残差数组a_e，a_e中各元素值的计算方式由下式确定：

式中，Pe_i代表残差数组a_e中序号为i的元素的值；

计算标准差σ为：

将未按照大小排序前的原始数据平均分割为N部分，以同样的方法分别计算每一部分的标准差σ₁,σ₂,σ₃,…,σ_N，然后分别确定每一部分的经验系数k为：

所述步骤D3的具体步骤如下：

D31，确定k值之后，根据过滤阈值T来检查差分数组a_d中的问题数据，若数组a_d中某元素P_dm满足：

则认为其对应的原始数据数组a_o中的P_om、P_o(m+1)两点至少存在一个数据坏点；

接着，分别对P_om、P_o(m+1)两个点进行是否为数据坏点的判断，若点P_om满足：

|[P_om-P_o(m-1)]-[P_o(m-1)-P_o(m-2)]|>σ

则认为P_om是数据坏点，对P_o(m+1)的判断方式同理；

D32，对判断后认定的数据坏点进行修正，修正方式为：

P_ow＝P_o(w-1)+P_d(w-1)

式中，P_ow为数据坏点，

P_o(w-1)为数组a_o中序号为w-1的元素数值，

P_d(w-1)为数组a_d中序号为w-1的元素数值；

若局部数据标准差σ_i近似为0，则认为这部分数据出现了迟滞误差，算法会将这部分数据予以警报并从样本中剔除，避免对后续参数计算结果造成影响；

将修正后的数组数值还原为原始采集序列，即完成钢丝绳横向振动数据的数据清洗工作。

Images