一种非接触式的电梯钢筋绳缺陷检测方法技术

本发明专利技术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；本发明专利技术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。

【技术实现步骤摘要】
一种非接触式的电梯钢筋绳缺陷检测方法
本专利技术涉及网络安全的
，尤其涉及一种非接触式的电梯钢筋绳缺陷检测方法。
技术介绍
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。
技术实现思路
本部分的目的在于概述本专利技术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专利技术名称中可能会做些简化或省略以避免使本部分、说明书摘要和专利技术名称的目的模糊，而这种简化或省略不能用于限制本专利技术的范围。鉴于上述现有存在的问题，提出了本专利技术。因此，本专利技术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，本专利技术提供如下技术方案：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。作为本专利技术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。作为本专利技术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。作为本专利技术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。作为本专利技术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。作为本专利技术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。作为本专利技术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：其中，为所述电梯钢筋绳缺陷特征向量的梯度。作为本专利技术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，其中，ω为更新的权重系数，δ为所述步长。本专利技术的有益效果：本专利技术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专利技术实施例的技术方案，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专利技术的一些实施例，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为本专利技术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为本专利技术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为本专利技术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为本专利技术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专利技术的上述目的、特征和优点能够更加明显易懂，下面结合说明书附图对本专利技术的具体实施方式做详细的说明，显然所描述的实施例是本专利技术的一部分实施例，而不是全部实施例。基于本专利技术中的实施例，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，都应当属于本专利技术的保护的范围。在下面的描述中阐述了很多具体细节以便于充分理解本专利技术，但是本专利技术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专利技术内涵的情况下做类似推广，因此本专利技术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”是指可包含于本专利技术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。本专利技术结合示意图进行详细描述，在详述本专利技术实施例时，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，其在此不应限制本专利技术保护的范围。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。同时在本专利技术的描述中，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专利技术和简化描述，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专利技术的限制。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。本专利技术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专利技术中的具体含义。实施例1参照图1～图3，为本专利技术的第一个实施例，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(TimeDelayeda本文档来自技高网...

【技术保护点】
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，/n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；/n基于人工神经网络构建电梯钢筋绳缺陷检测模型；/n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；/n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；/n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。/n

【技术特征摘要】
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...

【专利技术属性】
技术研发人员：王松，吴新伟，吴远皓，
申请(专利权)人：新沂慧科智能科技有限公司，
类型：发明
国别省市：江苏;32