一种基于深度学习的曳引式电梯钢丝绳缺陷检测方法技术

本发明专利技术提出了一种基于深度学习的曳引式电梯钢丝绳缺陷检测方法，属于电梯钢丝绳故障检测技术领域；包括如下步骤：S1：采用若干图像采集装置，进行多向采集，获取电梯钢丝绳的真实缺陷图像；S2：构建改进的UCG‑GAN模型；S3：利用真实缺陷图像和改进的UCG‑GAN模型的生成器G生成的第一钢丝绳缺陷图像；采用生成的第一钢丝绳缺陷图像反向传播更新生成器G和鉴别器D的参数，并通过迭代训练生成器G和鉴别器D；使用训练后的模型建立钢丝绳缺陷样本库；S4：建立并初始化改进的EfficientNet网络模型，采用钢丝绳缺陷样本库进行训练；S5：利用训练后的改进的EfficientNet网络模型，对若干图像采集装置实时采集到的电梯钢丝绳的真实缺陷图像进行缺陷识别，输出缺陷识别结果。利用改进的UCG‑GAN模型生成缺陷图像，有利于改善缺陷图像多样性不足的问题，结合改进的EfficientNet网络模型，提高对于不同缺陷的识别效果。

【技术实现步骤摘要】

本专利技术涉及电梯钢丝绳故障检测，尤其涉及一种基于深度学习的曳引式电梯钢丝绳缺陷检测方法。

技术介绍

1、曳引式电梯作为现代城市交通系统的核心组成部分之一，其安全性直接关系到广大市民的生命财产安全。而钢丝绳作为电梯运行的重要承载元件，其质量和状态对电梯的安全性和运行稳定性至关重要。随着城市人口密度和高层建筑数量的不断增加，电梯的使用频率也日益增加，对电梯系统的安全性和可靠性提出了更高的要求。然而，长期运行和高强度使用下，钢丝绳容易受到磨损、腐蚀、断裂等问题的影响，可能导致电梯发生意外事故，造成严重的人员伤亡和财产损失。因此，对钢丝绳进行定期、准确的缺陷检测成为电梯行业迫切需要解决的技术难题之一。

2、根据检测原理的不同，电梯钢丝绳缺陷检测大致可分为目测法和电磁检测法。目测法需要检测人员在电梯井昏暗的环境下工作，工作效率低而且容易疲劳，视野不佳，非常依赖人员的经验，检测时间也较长。电磁检测法是确保电梯停运并做好安全防护，准备电磁检测设备、传感器和相关工具；然后，将电磁传感器安装在钢丝绳上，确保传感器与钢丝绳良好接触；接着，启动电磁检测设备并沿钢丝本文档来自技高网...

【技术保护点】

1.一种基于深度学习的曳引式电梯钢丝绳缺陷检测方法，其特征在于，包括如下步骤：

2.根据权利要求1所述的一种基于深度学习的曳引式电梯钢丝绳缺陷检测方法，其特征在于，步骤S1的内容为：配置两个以上的图像采集装置，将两个以上的图像采集装置设置在电梯机房地板靠近轿厢一侧的端面上，且呈周向均匀分布；两个以上的图像采集装置分别对准同一钢丝绳的不同位置的表面取景，得到电梯钢丝绳的真实缺陷图像。

3.根据权利要求2所述的一种基于深度学习的曳引式电梯钢丝绳缺陷检测方法，其特征在于，所述改进的UCG-GAN模型的生成器G包括五个顺次设置的编码器块、一个中间块和五个解码器块，令五个编...

【技术特征摘要】

1.一种基于深度学习的曳引式电梯钢丝绳缺陷检测方法，其特征在于，包括如下步骤：

2.根据权利要求1所述的一种基于深度学习的曳引式电梯钢丝绳缺陷检测方法，其特征在于，步骤s1的内容为：配置两个以上的图像采集装置，将两个以上的图像采集装置设置在电梯机房地板靠近轿厢一侧的端面上，且呈周向均匀分布；两个以上的图像采集装置分别对准同一钢丝绳的不同位置的表面取景，得到电梯钢丝绳的真实缺陷图像。

3.根据权利要求2所述的一种基于深度学习的曳引式电梯钢丝绳缺陷检测方法，其特征在于，所述改进的ucg-gan模型的生成器g包括五个顺次设置的编码器块、一个中间块和五个解码器块，令五个编码器块的编号依次为4、3、2、1、0；五个解码器的编号依次为1、2、3、4、5；编码器块和解码器块之间顺次设置有四个跳跃连接，令r∈{1，2，3，4}，各跳跃连接的一端与编号r的编码器块的输出端连接，各跳跃连接的另一端与编号r的解码器块输出端连接；各跳跃连接中插入一个ca注意力机制模块，ca注意力机制模块以编号r的编码器和编号r的解码器为输入，将ca注意力机制模块的输出与编号r的解码器输出串联，作为编号r+1的解码器的输入；首端的编码器块的输入为真实缺陷图像xk，最后一个解码器块输出第一钢丝绳缺陷图像

4.根据权利要求3所述的一种基于深度学习的曳引式电梯钢丝绳缺陷检测方法，其特征在于，每个编码器块和解码器块均包括三个卷积层，使用leaky relu和批归一化，每个编码器块的末端设置有一个下采样层，下采样层的输出端作为编码器口的输出端；每个解码器块的末端设置有一个上采样层，上采样层的输出端能作为解码器块的输出端。

5.根据权利要求3所述的一种基于深度学习的曳引式电梯钢丝绳缺陷检测方法，其特征在于，所述改进的ucg-gan模型的鉴别器d包括顺次设置的一个卷积层、五个残差块和全连接层；通过卷积层、各残差块的处理后，全连接层输出鉴别器分数。

6.根据权利要求5所述的一种基于深度学习的曳引式电梯钢丝绳缺陷检测方法，其特征在于，步骤s3所述的采用生成的第一钢丝绳缺陷图像反向传播更新生成器g和鉴别器d的参数，并通过迭代训练生成器g和鉴别器d，是令k个真实缺陷图像xk的鉴别器输出分数的平均值为d(x)，k个第一钢丝绳缺陷图像的鉴别器输出分数的平均值为采用铰链对抗损失，鉴别器d的迭代训练目标是最小化鉴别器损失函数λd，生成器g的迭代训练目标是最小化生成器损失函数λgd：其中是对真实缺陷图像xk的期望值，是对第一钢丝绳缺陷图像的期望值，max(·)是使用relu激活函数，确保损失函数结果非负；通过定义损失函数λd和λgd，鉴别器d和生成器g在训练过程中不断相互对抗，最终达到一个纳什均衡，使生成器生成最接近真实缺陷图像的第二钢丝绳缺陷图像。

7.根据权利...

【专利技术属性】
技术研发人员：方学宠，金樟民，白植志，张才，林仁军，李科，张伟，易灿灿，
申请(专利权)人：温州市特种设备检测科学研究院温州市特种设备应急处置中心，
类型：发明
国别省市：