CN116883503A - 一种立井提升机尾绳缠绕ai视觉识别检测方法 - Google Patents

一种立井提升机尾绳缠绕ai视觉识别检测方法 Download PDF

Info

Publication number
CN116883503A
CN116883503A CN202311146548.2A CN202311146548A CN116883503A CN 116883503 A CN116883503 A CN 116883503A CN 202311146548 A CN202311146548 A CN 202311146548A CN 116883503 A CN116883503 A CN 116883503A
Authority
CN
China
Prior art keywords
tail rope
winding
image
tail
winding drum
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
CN202311146548.2A
Other languages
English (en)
Inventor
张国军
岳跃州
秘成良
张文刚
张修辉
程善鹏
郭振振
张兴奎
刘斌
邵博
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.)
Shandong Qianyi Technology Co ltd
Original Assignee
Shandong Qianyi 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 Shandong Qianyi Technology Co ltd filed Critical Shandong Qianyi Technology Co ltd
Priority to CN202311146548.2A priority Critical patent/CN116883503A/zh
Publication of CN116883503A publication Critical patent/CN116883503A/zh
Pending legal-status Critical Current

Links

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B66—HOISTING; LIFTING; HAULING
    • B66B—ELEVATORS; ESCALATORS OR MOVING WALKWAYS
    • B66B5/00—Applications of checking, fault-correcting, or safety devices in elevators
    • B66B5/0006—Monitoring devices or performance analysers
    • B66B5/0018—Devices monitoring the operating condition of the elevator system
    • B66B5/0031—Devices monitoring the operating condition of the elevator system for safety reasons
    • 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
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/13—Edge detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/66—Analysis of geometric attributes of image moments or centre of gravity
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
    • G06T7/74—Determining position or orientation of objects or cameras using feature-based methods involving reference images or patches
    • 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
    • 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
    • G06T2207/30232—Surveillance
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Geometry (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及立井提升机视觉识别技术，特别是一种立井提升机尾绳缠绕AI视觉识别检测方法，包括如下步骤：通过单目摄像机实时拍摄立井提升机运作时的卷筒尾绳图像和卷筒端面图像，并对采集的图像进行预处理操作；对尾绳缠绕图像进行分析，通过LSD直线检测算法对尾绳的位置进行定位并筛选出准确的尾绳线段，实现尾绳特征的跟踪识别；对卷筒侧面图像进行分析，找出卷筒的旋转中心，通过比较前后两帧画面的不同得到两帧之间卷筒转过的角度；设置缠绕异常阈值，根据尾绳出点位置和旋转角度周期分别判断卷筒第一层、层间过渡处和第二层尾绳的缠绕情况。本发明很好地实现了AI机器视觉技术对井提升机尾绳的缠绕情况的检测。

Description

一种立井提升机尾绳缠绕AI视觉识别检测方法
技术领域
本发明涉及立井提升机视觉识别技术，特别是一种立井提升机尾绳缠绕AI视觉识别检测方法。
背景技术
立井提升机是一种用于垂直运输物料或人员的机械设备，主要应用于矿井、建筑工地、港口等场所，其工作原理是通过电动机或液压系统驱动升降装置，使物料或人员垂直移动，它通常由一个或多个升降车厢和一个垂直导向系统组成。在立井提升机运作时，尾绳需要缠绕在卷筒上，在缠绕过程中可能会产生一些乱绳现象，进而会导致提升机的停机或运行不稳定，所以对于尾绳缠绕状态的监测是保证提升机的正常运行和使用的重要因素。
AI视觉识别是指利用人工智能技术和计算机视觉算法对图像、视频等视觉数据进行分析和识别的过程。通过模拟人类视觉系统的功能，在计算机系统中实现对图像中物体、场景和特征的自动识别和解释。将AI视觉识别与立井提升机尾绳缠绕检测结合可以实现对立井提升机尾绳缠绕情况的自动化检测。
传统的检测方式需要人工观察和判断，耗时耗力且存在主观误判的风险。而利用AI视觉识别，可以实时监测尾绳状态并及时发出警报，提高检测效率和准确性；借助AI视觉识别技术，也可以对立井提升机尾绳进行实时监控。通过图像或视频数据的处理和分析，可以及时发现尾绳缠绕或扭曲的情况，帮助运维人员及时采取措施，防止绳子缠绕问题引发事故。
目前，尽管AI视觉识别技术在图像处理和物体识别方面取得了很大的进展，但由于各种因素的影响，仍然存在一定的误识别和漏识别的情况，因此，尾绳缠绕检测的准确性仍待进一步提高。其次，尾绳缠绕检测需要对复杂的绳子状态进行识别和分析，包括绳子的形状、位置、扭曲程度等，这需要应用计算机视觉技术，对数据进行处理和分析。因此，本发明提供一种立井提升机尾绳缠绕AI视觉识别检测方法。
发明内容
（一）解决的技术问题
针对现有技术的不足，本发明提供了一种立井提升机尾绳缠绕AI视觉识别检测方法，通过单目摄像机实时拍摄立井提升机运作时的卷筒尾绳图像和卷筒端面图像，并对采集的图像进行预处理操作；对尾绳缠绕图像进行分析，通过LSD直线检测算法对尾绳的位置进行定位并筛选出准确的尾绳线段，实现尾绳特征的跟踪识别；对卷筒侧面图像进行分析，找出卷筒的旋转中心，通过比较前后两帧画面的不同得到两帧之间卷筒转过的角度；设置缠绕异常阈值，根据尾绳出点位置和旋转角度周期分别判断卷筒第一层、层间过渡处和第二层尾绳的缠绕情况。实现了对尾绳出点位置的识别和定位，以及对旋转周期的严密监控，使立井提升机尾绳缠绕检测更加精准。
（二）技术方案
为实现以上目的，本发明通过以下技术方案予以实现：一种立井提升机尾绳缠绕AI视觉识别检测方法，具体包括：
S1、通过单目摄像机实时拍摄立井提升机运作时的卷筒尾绳图像和卷筒端面图像；
S2、对采集的图像进行预处理操作，包括图像尺寸归一化、降噪和图像增强处理；
S3、对尾绳缠绕图像进行分析，通过LSD直线检测算法对尾绳的位置进行定位并筛选出准确的尾绳线段，实现尾绳特征的跟踪识别；
S4、对卷筒侧面图像进行分析，找出卷筒的旋转中心，通过比较前后两帧画面的不同得到两帧之间卷筒转过的角度；
S5、设置缠绕异常阈值，根据尾绳出点位置和旋转角度周期分别判断卷筒第一层、层间过渡处和第二层尾绳的缠绕情况。
具体的，建立空间直角坐标系O-XYZ，该坐标系的原点O位于左右两卷筒的中心，XOY平面垂直于卷筒轴线，Z轴指向卷筒右侧。
具体的，选择LSD直线检测算法对尾绳缠绕图像进行直线识别，具体步骤如下：
S31、将采集到的彩色图像转换为灰度图像：，式中Y是转换后的灰度图像像素值，R、G、B分别为转换前的彩色图像红、绿、蓝色彩通道像素值；
S32、利用0.8的尺度系数对原图像进行高斯模糊处理，以消除可能出现的锯齿效应；
S33、计算所有像素的梯度值，包括梯度的大小和方向；
S34、根据梯度值对像素进行排序，找到梯度最大的点，将其作为直线检测的种子点；
S35、从种子点出发遍历其周围像素点，形成一个直线候选区域；
S36、对候选区域进行判断，输出满足要求的直线；
S37、重复S35和S36，直到遍历完所有像素。
进一步的，假设卷筒尾绳的两条边缘直线分别为和/>，并记两直线与水平线间的夹角为/>和/>，从如下四个方面对目标尾绳直线进行筛选：
第一方面，直线和/>的上端点会靠近图像的上边界：
其中，和/>分别为直线/>和/>的最高点处的y坐标，/>是直线/>和/>与图像上边界的距离阈值；
第二方面：直线和/>和图像横轴的夹角应在相应范围内：
其中为卷筒右侧边缘与图像横轴的夹角，/>为卷筒左侧边缘与图像横轴的夹角；
从第一第二方面判断筛选出的直线中选取能够组合成尾绳两侧边缘的直线对，进行第三和第四方面的筛选；
第三方面：两直线间的夹角应在一定阈值范围内：
其中，表示两直线夹角的阈值；
第四方面：两直线间的距离与尾绳直径/>的差值应在一定阈值范围内：
其中，为两直线间距离阈值；
进一步的，若上述四个方面筛选之后得到唯一的直线对，则将该直线对作为尾绳在图像中的表示；若上述四个方面筛选之后未得到直线对或得到多个直线对，则需要重新识别筛选。
进一步的，得到尾绳直线对后，需进一步计算尾绳出绳点在卷筒上的位置，令直线和/>的下端点分别为/>和/>，/>和/>的已在上述利用LSD算法对尾绳图像的分析结果中得到，取两点的中点/>作为尾绳此刻在卷筒上的位置：/>。
具体的，通过拟合卷筒上的椭圆来寻找旋转中心，具体步骤为：
S41、确定一个易辨识的卷筒断面空间圆特征；
S42、将图像转为灰度图像；
S43、利用Canny边缘检测算子提取图像边缘特征；
S44、通过点选提取出足够多的卷筒端面上的圆形轮廓特征点；
S45、利用椭圆拟合函数和选取的轮廓特征点计算选取的轮廓的拟合椭圆方程，进而得到旋转中心位置。
进一步的，利用得到的卷筒端面旋转中心和标定的椭圆信息，将图像中的椭圆还原成正圆，正圆上的各点坐标映射为椭圆上点的坐标，通过椭圆上各点的像素可以得到圆上的均匀分布的点的像素值；将所述卷筒旋转中心为圆心，在还原的正圆中画一个圆弧，要求该圆弧能够覆盖到卷筒端面有明显旋转变化特征的部分，计算圆弧上的像素灰度值并将前后两帧图像上的灰度值做成折线图，两帧图像的灰度平移值即为卷筒转动的角度值。
具体的，设置缠绕异常上阈值 =/>和下阈值/> =/>，其中/>为尾绳的直径，为设定的正常缠绕运动范围，通过卷筒侧面图像记录卷筒的旋转角度，通过尾绳缠绕图像记录卷筒左右两端点的坐标/>（/>包括左端点坐标/>和右端点坐标/>）；
进一步的，根据、尾绳缠绕方向判断尾绳当前位置：
1）当尾绳在卷筒第一层缠绕时，记录尾绳在卷筒缠绕2π周期间隔的尾绳出点位置坐标和/>，计算/>与/>之差的绝对值，若该绝对值大于缠绕异常上阈值/>，则认为尾绳在第一层缠绕出现空圈缠绕；若该绝对值小于缠绕异常下阈值/>，则认为尾绳在第一层缠绕出现重叠缠绕；
2）当尾绳在层间过渡处缠绕时，即尾绳进入层间运动达到左右两端点的位置时，记录尾绳在卷筒缠绕2π周期间隔的两个位置坐标/>和/>，分别计算/>与/>之差的绝对值与/>与/>之差的绝对值，再将两个绝对值相加，若得到的结果大于缠绕异常上阈值/>，则认为尾绳在层间过渡处出现空圈缠绕；若得到的结果小于缠绕异常下阈值/>，则认为尾绳在层间过渡处出现重叠缠绕；
3）当尾绳在卷筒第二层缠绕时，记录尾绳在卷筒缠绕周期间隔的尾绳出点位置坐标/>和/>，计算/>与/>之差的绝对值，若该绝对值大于缠绕异常上阈值/>，则认为尾绳在第一层缠绕出现空圈缠绕；若该绝对值小于缠绕异常下阈值/>，则认为尾绳在第一层缠绕出现重叠缠绕。
（三）有益效果
本发明提供了一种立井提升机尾绳缠绕AI视觉识别检测方法，具备以下有益效果：
1、采用两个单目摄像机对卷筒尾绳和卷筒端面进行监测，两个监测过程互不打扰，减少了将数据放在同一个图像中可能会产生的误差；
2、在采用直线检测算法检测出卷筒尾绳图像中的所有直线后，又从四个方面对目标尾绳进行精确的筛选，精确的筛选结果使后面检测结果更加准确；
3、在卷筒端面旋转中心和旋转角度的确定过程中，将原本的圆形卷筒端面按照椭圆形来分析，很好的考虑到成像与实际不完全符合而产生的影响；
4、分别从尾绳在卷筒第一层、层间过渡处和卷筒第二层进行尾绳缠绕分析，使得检测范围更大，进而使得检测结果更加准确。
附图说明
图1为立井提升机尾绳缠绕AI视觉识别检测方法的步骤流程图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术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，都属于本发明保护的范围。
参考图1，本发明提供一种立井提升机尾绳缠绕AI视觉识别检测方法，包括如下步骤：
S1、通过单目摄像机实时拍摄立井提升机运作时的卷筒尾绳图像和卷筒端面图像；设置两台单目摄像机，实时采集尾绳运动画面和卷筒旋转运动画面；采集尾绳运动画面是为了测量钢丝绳的尾绳位置，采集卷筒旋转运动画面是为了测量卷筒的旋转角度，将两者结合来判断钢丝绳的当前位置，进而判断钢丝绳是否出现乱绳情况。
S2、对采集的图像进行预处理操作，包括图像尺寸归一化、降噪和图像增强处理；为了提高后续识别的准确性，需要对收集到的图像进行尺寸归一化、降噪和图像增强处理，具体为：
将图像按照最大边进行等比缩放，缩放后的图像尺寸与目标尺寸相等；使用高斯滤波技术，通过与高斯函数进行卷积来降低图像中的噪声，进而提高图像质量；通过调整图像的灰度级范围，扩展图像的对比度，使得图像中的细节更加明显。
S3、对尾绳缠绕图像进行分析，通过LSD直线检测算法对尾绳的位置进行定位并筛选出准确的尾绳线段，实现尾绳特征的跟踪识别；因为尾绳和背景之间的边界呈直线，因此选择利用直线检测识别尾绳的特征，本发明选择LSD直线检测算法，具体步骤如下：
S31、将采集到的彩色图像转换为灰度图像：
，
式中，Y是转换后的灰度图像像素值，R、G、B分别为转换前的彩色图像红、绿、蓝色彩通道像素值；
S32、利用0.8的尺度系数对原图像进行高斯模糊处理，以消除可能出现的锯齿效应；
S33、计算所有像素的梯度值，包括梯度的大小和方向；
S34、根据梯度值对像素进行排序，找到梯度最大的点，将其作为直线检测的种子点；
S35、从种子点出发遍历其周围像素点，形成一个直线候选区域；
S36、对候选区域进行判断，输出满足要求的直线；
S37、重复S35和S36，直到遍历完所有像素；
进行完上述直线检测步骤后，会发现除了检测出图像右上部的尾绳图像两侧的边缘线外，还检测到了图像中大量的无关直线，需要从这些直线中筛选出准确的卷筒尾绳的两条边缘直线。
建立空间直角坐标系O-XYZ，该坐标系的原点O位于左右两卷筒的中心，XOY平面垂直于卷筒轴线，Z轴指向卷筒右侧。假设卷筒尾绳的两条边缘直线分别为和/>，并记两直线与水平线间的夹角为/>和/>，从如下四个方面对目标尾绳直线进行筛选：
第一方面，钢丝绳的尾绳会不断往上延伸，而由于摄像机的成像范围的限制，尾绳会在图像的上侧并一直延伸至图像的上方，故和/>的上端点会靠近图像的上边界：
其中，和/>分别为直线/>和/>的最高点处的y坐标，/>是直线/>和/>与图像上边界的距离阈值；
第二方面：尾绳的下端不能越出卷筒两侧边缘，故直线和/>和图像横轴的夹角应在相应范围内：
其中为卷筒右侧边缘与图像横轴的夹角，/>为卷筒左侧边缘与图像横轴的夹角；
从第一第二方面判断筛选出的直线中选取能够组合成尾绳两侧边缘的直线对，进行第三和第四方面的筛选。
第三方面：两直线理论上应该平行，但由于单目摄像机成像的透视性，实际上两直线不能保证完全平行，但两直线间的夹角应在一定阈值范围内：
其中，表示两直线夹角的阈值；
第四方面：两直线间的距离理论上应该等于尾绳的直径长度/>，由于不可避免的误差，两直线间的距离不能保证与尾绳的直径完全相等，但两者的差值应在一定阈值范围内：
其中，为两直线间距离阈值。
若上述四个方面筛选之后得到唯一的直线对，则将该直线对作为尾绳在图像中的表示；
若上述四个方面筛选之后未得到直线对或得到多个直线对，则需要重新识别筛选；
得到尾绳直线对后，需进一步计算尾绳出绳点在卷筒上的位置，令直线和/>的下端点分别为/>和/>，/>和/>的已在上述利用LSD算法对尾绳图像的分析结果中得到，取两点的中点/>作为尾绳此刻在卷筒上的位置：/>；
S4、对卷筒侧面图像进行分析，找出卷筒的旋转中心，通过比较前后两帧画面的不同得到两帧之间卷筒转过的角度；由于拍摄角度的问题或者其他部件的干扰，很难直接在图像中找到卷筒旋转中心；而图像中一些部件如卷筒上的闸盘、内齿圈的结构均为圆形，故可以通过边缘检测法将这些圆形检测到并拟合其方程，进而找到卷筒的旋转中心。因为摄像机图像不能保证镜头轴线和卷筒轴线完全平行，所以卷筒端面圆形结构的成像不成为圆形而略微呈椭圆形，所以应该通过拟合卷筒上的椭圆来寻找旋转中心，具体步骤为：
S41、确定一个易辨识的卷筒断面空间圆特征；
S42、将图像转为灰度图像；
S43、利用Canny边缘检测算子提取图像边缘特征；
S44、通过点选提取出足够多的卷筒端面上的圆形轮廓特征点；
S45、利用椭圆拟合函数和选取的轮廓特征点计算选取的轮廓的拟合椭圆方程，进而得到旋转中心位置。
利用上述得到的卷筒端面旋转中心和标定的椭圆信息，将图像中的椭圆还原成正圆，正圆上的各点坐标映射为椭圆上点的坐标，通过椭圆上各点的像素可以得到圆上的均匀分布的点的像素值；将所述卷筒旋转中心为圆心，在还原的正圆中画一个圆弧，要求该圆弧能够覆盖到卷筒端面有明显旋转变化特征的部分，计算圆弧上的像素灰度值并将前后两帧图像上的灰度值做成折线图，两帧图像的灰度平移值即为卷筒转动的角度值。
S5、设置缠绕异常阈值，根据尾绳出点位置和旋转角度周期分别判断卷筒第一层、层间过渡处和第二层尾绳的缠绕情况。
设置缠绕异常上阈值 =/>和下阈值/> =/>，其中/>为尾绳的直径，/>为设定的正常缠绕运动范围，通过卷筒侧面图像记录卷筒的旋转角度，通过尾绳缠绕图像记录卷筒左右两端点的坐标/>（/>包括左端点坐标/>和右端点坐标/>）。
根据、尾绳缠绕方向判断尾绳当前位置：
1）当尾绳在卷筒第一层缠绕时，记录尾绳在卷筒缠绕2π周期间隔的尾绳出点位置坐标和/>，计算/>与/>之差的绝对值，若该绝对值大于缠绕异常上阈值/>，则认为尾绳在第一层缠绕出现空圈缠绕；若该绝对值小于缠绕异常下阈值/>，则认为尾绳在第一层缠绕出现重叠缠绕；
2）当尾绳在层间过渡处缠绕时，即尾绳进入层间运动达到左右两端点的位置时，记录尾绳在卷筒缠绕2π周期间隔的两个位置坐标/>和/>，分别计算/>与/>之差的绝对值与/>与/>之差的绝对值，再将两个绝对值相加，若得到的结果大于缠绕异常上阈值/>，则认为尾绳在层间过渡处出现空圈缠绕；若得到的结果小于缠绕异常下阈值/>，则认为尾绳在层间过渡处出现重叠缠绕；
3）当尾绳在卷筒第二层缠绕时，记录尾绳在卷筒缠绕周期间隔的尾绳出点位置坐标/>和/>，计算/>与/>之差的绝对值，若该绝对值大于缠绕异常上阈值/>，则认为尾绳在第一层缠绕出现空圈缠绕；若该绝对值小于缠绕异常下阈值/>，则认为尾绳在第一层缠绕出现重叠缠绕。
以上所述，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以所述权利要求的保护范围为准。
最后：以上所述仅为本发明的优选实施例而已，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、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种立井提升机尾绳缠绕AI视觉识别检测方法，其特征在于：包括：
通过单目摄像机实时拍摄立井提升机运作时的卷筒尾绳图像和卷筒端面图像；对采集的图像进行预处理操作，包括图像尺寸归一化、降噪和图像增强处理；
对尾绳缠绕图像进行分析，通过LSD直线检测算法对尾绳的位置进行定位并筛选出准确的尾绳线段，实现尾绳特征的跟踪识别；对卷筒侧面图像进行分析，找出卷筒的旋转中心，通过比较前后两帧画面的不同得到两帧之间卷筒转过的角度；
设置缠绕异常阈值，根据尾绳出点位置和旋转角度周期分别判断卷筒第一层、层间过渡处和第二层尾绳的缠绕情况；其中，建立空间直角坐标系O-XYZ，该坐标系的原点O位于两卷筒的中心，XOY 平面垂直于卷筒轴线，Z轴指向卷筒右侧。
2.如权利要求1所述的立井提升机尾绳缠绕AI视觉识别检测方法，其特征在于：
选择LSD直线检测算法对尾绳缠绕图像进行直线识别，具体步骤如下：将采集到的彩色图像转换为灰度图像：
式中，Y是转换后的灰度图像像素值，R、G、B分别为转换前的彩色图像红、绿、蓝色彩通道像素值；利用0.8的尺度系数对原图像进行高斯模糊处理，以消除锯齿效应；计算所有像素的梯度值，包括梯度的大小和方向。
3.如权利要求2所述的立井提升机尾绳缠绕AI视觉识别检测方法，其特征在于：
根据梯度值对像素进行排序，找到梯度最大的点，将其作为直线检测的种子点；从种子点出发遍历其周围像素点，形成一个直线候选区域；对候选区域进行判断，输出满足要求的直线；重复执行后，直到遍历完所有像素。
4.如权利要求3所述的立井提升机尾绳缠绕AI视觉识别检测方法，其特征在于：
假设卷筒尾绳的两条边缘直线分别为和/>，并记两直线与水平线间的夹角为/>和/>，从如下方面对目标尾绳直线进行筛选：
直线和/>的上端点会靠近图像的上边界：
其中，和/>分别为直线/>和/>的最高点处的y坐标，/>是直线/>和/>与图像上边界的距离阈值；
直线和/>和图像横轴的夹角应在相应范围内：
其中为卷筒右侧边缘与图像横轴的夹角，/>为卷筒左侧边缘与图像横轴的夹角。
5.如权利要求4所述的立井提升机尾绳缠绕AI视觉识别检测方法，其特征在于：
判断筛选出的直线中选取能够组合成尾绳两侧边缘的直线对，继续筛选，两直线间的夹角在阈值范围内：
其中，表示两直线夹角的阈值；
两直线间的距离与尾绳直径/>的差值在阈值范围内：
其中，为两直线间距离阈值。
6.如权利要求5所述的立井提升机尾绳缠绕AI视觉识别检测方法，其特征在于：
若得到唯一的直线对，则将该直线对作为尾绳在图像中的表示；若未得到直线对或得到多个直线对，则需要重新识别筛选；
得到尾绳直线对后，需进一步计算尾绳出绳点在卷筒上的位置，令直线和/>的下端点分别为/>和/>，/>和/>的已在上述利用LSD算法对尾绳图像的分析结果中得到，
取两点的中点作为尾绳此刻在卷筒上的位置：/>。
7.如权利要求1所述的立井提升机尾绳缠绕AI视觉识别检测方法，其特征在于：
通过拟合卷筒上的椭圆来寻找旋转中心，具体步骤为：
确定一个易辨识的卷筒断面空间圆特征；将图像转为灰度图像；利用Canny边缘检测算子提取图像边缘特征；
通过点选提取出卷筒端面上的圆形轮廓特征点；利用椭圆拟合函数和选取的轮廓特征点计算选取的轮廓的拟合椭圆方程，进而得到旋转中心位置。
8.如权利要求7所述的立井提升机尾绳缠绕AI视觉识别检测方法，其特征在于：
利用得到的卷筒端面旋转中心和标定的椭圆信息，将图像中的椭圆还原成正圆，正圆上的各点坐标映射为椭圆上点的坐标，通过椭圆上各点的像素得到圆上的均匀分布的点的像素值；
将所述卷筒旋转中心为圆心，在还原的正圆中画一个圆弧，要求该圆弧能够覆盖到卷筒端面有明显旋转变化特征的部分，计算圆弧上的像素灰度值并将前后两帧图像上的灰度值做成折线图，两帧图像的灰度平移值即为卷筒转动的角度值。
9.如权利要求1所述的立井提升机尾绳缠绕AI视觉识别检测方法，其特征在于：
设置缠绕异常上阈值 =/>和下阈值/> =/>，其中/>为尾绳的直径，/>为设定的正常缠绕运动范围，通过卷筒侧面图像记录卷筒的旋转角度，通过尾绳缠绕图像记录卷筒两端点的坐标/>，/>包括左端点坐标/>和右端点坐标/>；
根据、尾绳缠绕方向判断尾绳当前位置：当尾绳在卷筒第一层缠绕时，记录尾绳在卷筒缠绕2π周期间隔的尾绳出点位置坐标/>和/>，计算/>与/>之差的绝对值，若该绝对值大于缠绕异常上阈值/>，则认为尾绳在第一层缠绕出现空圈缠绕；若该绝对值小于缠绕异常下阈值/>，则认为尾绳在第一层缠绕出现重叠缠绕。
10.如权利要求9所述的立井提升机尾绳缠绕AI视觉识别检测方法，其特征在于：
当尾绳在层间过渡处缠绕时，即尾绳进入层间运动达到两端点的位置时，记录尾绳在卷筒缠绕2π周期间隔的两个位置坐标/>和/>，分别计算/>与/>之差的绝对值与/>与/>之差的绝对值，再将两个绝对值相加，若得到的结果大于缠绕异常上阈值/>，则认为尾绳在层间过渡处出现空圈缠绕；若得到的结果小于缠绕异常下阈值/>，则认为尾绳在层间过渡处出现重叠缠绕；
当尾绳在卷筒第二层缠绕时，记录尾绳在卷筒缠绕周期间隔的尾绳出点位置坐标/>和/>，计算/>与/>之差的绝对值，若该绝对值大于缠绕异常上阈值/>，则认为尾绳在第一层缠绕出现空圈缠绕；若该绝对值小于缠绕异常下阈值/>，则认为尾绳在第一层缠绕出现重叠缠绕。
CN202311146548.2A 2023-09-07 2023-09-07 一种立井提升机尾绳缠绕ai视觉识别检测方法 Pending CN116883503A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311146548.2A CN116883503A (zh) 2023-09-07 2023-09-07 一种立井提升机尾绳缠绕ai视觉识别检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311146548.2A CN116883503A (zh) 2023-09-07 2023-09-07 一种立井提升机尾绳缠绕ai视觉识别检测方法

Publications (1)

Publication Number Publication Date
CN116883503A true CN116883503A (zh) 2023-10-13

Family

ID=88255435

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311146548.2A Pending CN116883503A (zh) 2023-09-07 2023-09-07 一种立井提升机尾绳缠绕ai视觉识别检测方法

Country Status (1)

Country Link
CN (1) CN116883503A (zh)

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108876723A (zh) * 2018-06-25 2018-11-23 大连海事大学 一种灰度目标图像的彩色背景的构建方法
CN109190617A (zh) * 2018-08-09 2019-01-11 腾讯科技（深圳）有限公司 一种图像的矩形检测方法、装置及存储介质
CN112734734A (zh) * 2021-01-13 2021-04-30 北京联合大学 一种基于改进残差网络的铁路隧道裂缝检测方法
US20210181086A1 (en) * 2018-08-16 2021-06-17 Essenlix Corporation Image-Based Assay Using Intelligent Monitoring Structures
CN113096075A (zh) * 2021-03-25 2021-07-09 南京理工大学 输电线路缠绕异物清除器的入侵物检测方法及系统
CN113870980A (zh) * 2021-10-14 2021-12-31 南通市妇幼保健院 一种可视化产科影像检查处理方法及装置
CN115457276A (zh) * 2022-09-20 2022-12-09 哈尔滨理工大学 基于视觉检测的输配电变压器高压绕组缠绕角度检测方法
JP7231877B1 (ja) * 2022-08-31 2023-03-02 岩崎通信機株式会社 角度計測装置、角度計測方法、角度計測プログラム
WO2023035544A1 (zh) * 2021-09-10 2023-03-16 交通运输部天津水运工程科学研究所 一种基于视觉边缘检测的实验室空间波浪实时测量方法

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108876723A (zh) * 2018-06-25 2018-11-23 大连海事大学 一种灰度目标图像的彩色背景的构建方法
CN109190617A (zh) * 2018-08-09 2019-01-11 腾讯科技（深圳）有限公司 一种图像的矩形检测方法、装置及存储介质
US20210181086A1 (en) * 2018-08-16 2021-06-17 Essenlix Corporation Image-Based Assay Using Intelligent Monitoring Structures
CN112734734A (zh) * 2021-01-13 2021-04-30 北京联合大学 一种基于改进残差网络的铁路隧道裂缝检测方法
CN113096075A (zh) * 2021-03-25 2021-07-09 南京理工大学 输电线路缠绕异物清除器的入侵物检测方法及系统
WO2023035544A1 (zh) * 2021-09-10 2023-03-16 交通运输部天津水运工程科学研究所 一种基于视觉边缘检测的实验室空间波浪实时测量方法
CN113870980A (zh) * 2021-10-14 2021-12-31 南通市妇幼保健院 一种可视化产科影像检查处理方法及装置
JP7231877B1 (ja) * 2022-08-31 2023-03-02 岩崎通信機株式会社 角度計測装置、角度計測方法、角度計測プログラム
CN115457276A (zh) * 2022-09-20 2022-12-09 哈尔滨理工大学 基于视觉检测的输配电变压器高压绕组缠绕角度检测方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
尚政国;赵春晖;汤春瑞;刘金梅;: "基于无"缠绕"FRIT目标边缘检测方法", 系统工程与电子技术, no. 05 *
徐东亮;刘辉;: "基于计算机视觉的缠绕角度检测系统", 机电工程, no. 08 *
牛岩军: "立井缠绕提升系统钢丝绳卷放运动特性研究", 《中国优秀硕士学位论文全文数据库》, no. 02, pages 5 - 60 *

Similar Documents

Publication Publication Date Title
CN114937055B (zh) 基于人工智能的图像自适应分割方法与系统
CN109870461B (zh) 一种电子元器件质量检测系统
CN108956614B (zh) 一种基于机器视觉的矿用钢丝绳动态探伤检测方法和装置
KR102118809B1 (ko) 용접 결함의 종류 판단 방법 및 이를 수행하는 단말 장치
JP5351925B2 (ja) スチールコードを含む移送機構用長尺部材の点検装置及び点検方法
JP5446849B2 (ja) ワイヤーロープ検査装置
TWI435288B (zh) Image processing apparatus and method, and program product
CN104535356A (zh) 一种基于机器视觉的卷筒钢丝绳排绳故障监测方法及系统
CN116046883B (zh) 起重机钢丝绳漏磁-视觉多模态融合检测装置及方法
CN115205297B (zh) 一种气动风动绞车的异常状态检测方法
KR102470422B1 (ko) 합성곱 신경망 특징맵 기반 봉제 스티치 불량 자동 검출 방법 및 시스템
JP2020128877A (ja) 線状体の異常検出装置及び異常検出方法
JP4751991B2 (ja) 管渠内部の欠陥検出・判別方法及び装置
CN104637067A (zh) 一种纹理表面的缺陷检测方法
CN116721096B (zh) 基于人工智能的新能源线束质量在线检测方法
CN113155839A (zh) 一种基于机器视觉的钢板外表面缺陷在线检测方法
CN114140384A (zh) 基于轮廓拟合与形心跟踪的提升钢丝绳横向振动图像识别算法
CN111539927A (zh) 汽车塑料组合件紧固卡扣缺装检测装置的检测过程及算法
CN114513607A (zh) 一种高温工业内窥镜视场范围自调整方法、装置及系统
CN115535525A (zh) 基于图像匹配的输送带纵向撕裂检测系统及方法
CN118096711A (zh) 一种基于计算机视觉的钢丝绳卷筒不规则排列检测方法
CN105229665A (zh) 对基于图像的蛇形带子磨损评估的增强分析
CN112408153B (zh) 电梯制动过程钢丝绳移动量监测方法
CN116883503A (zh) 一种立井提升机尾绳缠绕ai视觉识别检测方法
CN112085787B (zh) 一种基于单目视觉的提升钢丝绳空间振动测量方法

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
CB03 Change of inventor or designer information
CB03 Change of inventor or designer information

Inventor after: Zhang Guojun

Inventor after: Shao Bo

Inventor after: Zhang Xiuhui

Inventor after: Mi Chengliang

Inventor after: Zhang Wengang

Inventor after: Yue Yuezhou

Inventor after: Cheng Shanpeng

Inventor after: Guo Zhenzhen

Inventor after: Zhang Xingkui

Inventor after: Liu Bin

Inventor before: Zhang Guojun

Inventor before: Shao Bo

Inventor before: Yue Yuezhou

Inventor before: Mi Chengliang

Inventor before: Zhang Wengang

Inventor before: Zhang Xiuhui

Inventor before: Cheng Shanpeng

Inventor before: Guo Zhenzhen

Inventor before: Zhang Xingkui

Inventor before: Liu Bin