The invention discloses an intelligent monitoring method of wire rope surface damage based on LBP characteristics. Firstly, image data sets of healthy, broken and worn wire rope surface are established, filter, LBP operator parameters, PCA dimensionality reduction dimension, machine learning algorithm and its parameters are determined, and an integrated algorithm model is obtained. The invention also discloses an intelligent monitoring system for surface damage of steel wire rope based on LBP characteristics, including: off-line training and testing module, which is used to obtain a well-trained integrated algorithm model; on-site image acquisition module, which collects real-time field images and acquires position information of images; and on-line monitoring module, which is used to carry the integrated algorithm model to real-time locate the collected field images. Real-time diagnosis of surface condition of wire rope is made. This technical scheme can detect and diagnose the surface damage of wire rope efficiently.
【技术实现步骤摘要】
一种基于LBP特征的钢丝绳表面损伤智能监测方法及系统
本专利技术属于机械零部件状态检测与智能诊断领域，特别涉及一种基于图像处理和机器学习的钢丝绳表面损伤智能监测方法与系统。
技术介绍
随着人类社会的发展，钢丝绳在很多领域被大量使用，例如提升(矿井提升机、电梯、起重机等)、牵引(绞盘、索道等)、承载(斜拉索)等。周期性或实时性的检查钢丝绳损伤是保证钢丝绳安全性的前提。然而，传统的损伤检测方法是采用人工视觉检测，存在检测效率低、耗时、检测不充分和不可靠等问题。因此，必须发展无损、快速、自动化的检测方法。对于钢丝绳的无损检测技术，如机器视觉法和电磁检测法，是两个快速发展的方向。与漏磁法相比，机器视觉法存在成本低(便宜的软硬件)、速度快(优化的算法和丰富的硬件计算资源)和适用性好(不受钢丝绳尺寸影响且受环境因素影响小)的优点，同时随着钢丝绳周期性除垢设备的发展，视觉法受油污的影响越来越小。而电磁检测方法面临着硬件结构、数据采集与处理技术、稳定性、环境适应性、实时性等一系列问题。机器视觉法的核心是图像处理与模式识别算法，鉴于以上优点，结合图像处理和机器学习对钢丝绳表面损伤进...
【技术保护点】
1.一种基于LBP特征的钢丝绳表面损伤智能监测方法，其特征在于包括如下步骤：步骤1，分别收集健康、断丝、磨损的钢丝绳表面的图像若干张；步骤2，采用不同的同态滤波器对所有图像进行滤波降噪，选定处理效果最佳的滤波器，进入步骤3；步骤3，采用不同参数的LBP算子提取钢丝绳表面纹理特征，确定诊断精度最高的算子参数；步骤4，用PCA对提取的特征进行降维，在保证诊断精度的前提下，选择时间消耗最少的维度作为降维维度；步骤5，采用不同机器学习算法对建立的各参数下的数据集进行挖掘，以诊断精度和时间消耗作为判断标准，选择一种机器学习算法作为分类器，并明确其参数；步骤6，根据选定的滤波器、LBP...
【技术特征摘要】
1.一种基于LBP特征的钢丝绳表面损伤智能监测方法，其特征在于包括如下步骤：步骤1，分别收集健康、断丝、磨损的钢丝绳表面的图像若干张；步骤2，采用不同的同态滤波器对所有图像进行滤波降噪，选定处理效果最佳的滤波器，进入步骤3；步骤3，采用不同参数的LBP算子提取钢丝绳表面纹理特征，确定诊断精度最高的算子参数；步骤4，用PCA对提取的特征进行降维，在保证诊断精度的前提下，选择时间消耗最少的维度作为降维维度；步骤5，采用不同机器学习算法对建立的各参数下的数据集进行挖掘，以诊断精度和时间消耗作为判断标准，选择一种机器学习算法作为分类器，并明确其参数；步骤6，根据选定的滤波器、LBP算子参数、PCA降维维度、机器学习算法及其参数，得到集成算法模型。2.如权利要求1所述的一种基于LBP特征的钢丝绳表面损伤智能监测方法，其特征在于：所述步骤2中，采用的滤波器包含巴特沃斯高通滤波器、指数高通滤波器和高斯高通滤波器，最终选定高斯高通滤波器进行滤波。3.如权利要求1所述的一种基于LBP特征的钢丝绳表面损伤智能监测方法，其特征在于：所述步骤3中，采用LBP算子的8邻域，半径设为2，当像素块取1、2、3时，分别采用提取特征，发现随着像素块的增加，响应图像的纹理增粗。4.如权利要求1所述的一种基于LBP特征的钢丝绳表面损伤智能监测方法，其特征在于：所述步骤3中，在选择固定参数时，为了研究滤波和像素块对分类性能的影...
【专利技术属性】
技术研发人员：周坪，周公博，朱真才，何贞志，张闯闯，唐超权，舒鑫，李伟，彭玉兴，曹国华，
申请(专利权)人：中国矿业大学，
类型：发明
国别省市：江苏,32
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。