【技术实现步骤摘要】
一种基于深度学习的起重机裂纹检测方法
本专利技术涉及起重机安全状况监测
,具体涉及一种基于深度学习的起重机裂纹检测方法。
技术介绍
起重机是现代工业中极其重要的一种机械设备。具体是指在一定范围内垂直提升和水平搬运重物的多动作起重机械,其工作特点是做间歇性运动,即在一个工作循环中取料、运移、卸载等动作的相应机构是交替工作的,起重机在建筑、航空航天、货运等行业上的发展和使用越来越广泛。起重机主要包括起升机构、运行机构、变幅机构、回转机构和金属结构等。起升机构是起重机的基本工作机构,大多是由吊挂系统和绞车组成,也有通过液压系统升降重物的。运行机构用以纵向水平运移重物或调整起重机的工作位置,一般是由电动机、减速器、制动器和车轮组成。变幅机构只配备在臂架型起重机上,臂架仰起时幅度减小,俯下时幅度增大,分平衡变幅和非平衡变幅两种。回转机构用以使臂架回转,是由驱动装置和回转支承装置组成。金属结构的大梁是起重机的骨架,主要承载件如桥架、臂架和门架可为箱形结构或桁架结构,也可为腹板结构,有的可用型钢作为支承梁。起重机的大梁因为在其中过程中起到主要的承力作用,导致长期使用后会因为金属疲劳而产生裂纹,如果裂纹的大小和数量超过一定的限度,就会极大的影响大梁的结构强度,带来强烈的安全隐患,因此在起重机安全领域中对于大梁上的裂纹检测是非常关键的一环。但是目前的检测方式通常为磁粉探伤、光学探伤、电阻探伤等方式,都需要在起重机停止状态下进行操作,而不能即时的检测起重机的裂纹损伤情况,导致时效性不强;另外目前的检测方式都需要使用 ...
【技术保护点】
1.一种基于深度学习的起重机裂纹检测方法,其特征在于,包括如下步骤:/n(1)数据获取:获取多张起重机大梁的图片,剪裁空白部分使得剩余部分全部为矩形的起重机大梁图像,然后将其调整为1024*512的大小,再以32*32为单位区域的大小将整张图像切分为512张图像,并且将全部的图片重复上述操作;/n(2)数据标注:将步骤(1)中获取的剪切完毕的32*32图像分类为裂纹面元和背景面元,其中裂纹面元为包含有裂纹的图像,背景面元为不包含裂纹的图像,然后对裂纹面元和背景面元分别进行标注,将裂纹面元标注为1,将背景面元标注为0;/n(3)神经网络建立:将步骤(2)中获得的标注完成的图像分别划分为训练集和测试集,其中训练集中图像的数量大于测试集,使用卷积神经网络对训练集进行训练,得到合适的卷积神经网络模型,然后将测试集导入到卷积神经网络模型中进行测试,直到满足预先设定的准确率;/n(4)实际检测:将需要检测的起重机的大梁进行拍照获取图片,按照步骤(1)中的方式处理并切分为512张图像,然后使用步骤(3)中获得的模型对每一张图像依次进行处理,若识别出标注为1的裂纹面元,则通过其编号定位到原图片中的位置 ...
【技术特征摘要】
1.一种基于深度学习的起重机裂纹检测方法,其特征在于,包括如下步骤:
(1)数据获取:获取多张起重机大梁的图片,剪裁空白部分使得剩余部分全部为矩形的起重机大梁图像,然后将其调整为1024*512的大小,再以32*32为单位区域的大小将整张图像切分为512张图像,并且将全部的图片重复上述操作;
(2)数据标注:将步骤(1)中获取的剪切完毕的32*32图像分类为裂纹面元和背景面元,其中裂纹面元为包含有裂纹的图像,背景面元为不包含裂纹的图像,然后对裂纹面元和背景面元分别进行标注,将裂纹面元标注为1,将背景面元标注为0;
(3)神经网络建立:将步骤(2)中获得的标注完成的图像分别划分为训练集和测试集,其中训练集中图像的数量大于测试集,使用卷积神经网络对训练集进行训练,得到合适的卷积神经网络模型,然后将测试集导入到卷积神经网络模型中进行测试,直到满足预先设定的准确率;
(4)实际检测:将需要检测的起重机的大梁进行拍照获取图片,按照步骤(1)中的方式处理并切分为512张图像,然后使用步骤(3)中获得的模型对每一张图像依次进行处理,若识别出标注为1的裂纹面元,则通过其编号定位到原图片中的位置,然后实际检测起重机大梁的对应部位。
2.如权利要求1所述的一种基于深度学习的起重机裂纹检测方法,其特征在于:所述步骤(3)、(4)中的卷积神经网络为宽残差网络,所述宽残差网络的残差模块如式a所述:
xl+1=xl+F(xl,Wl)(a)
式(a)中xl+1和x1分别表示的是第l个单元的输出和输入,F表示残差函数,W1表示残差模块的参数。
3.如权利要求2所述的一种基于深度学习的起重机裂纹检测方法,其特征在于,所述宽残差网络的参数设置如下:
对于图像增强,本发明对原始图像进行...
【专利技术属性】
技术研发人员:高钰敏,聂道静,李彬,
申请(专利权)人:湖北微特传感物联研究院有限公司,
类型:发明
国别省市:湖北;42
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。