图像识别技术在矿用钢丝绳检测中的应用

2022-06-16李金华夏黎明

山西焦煤科技 2022年4期

李金华，夏黎明

(1.山西潞安集团司马煤业有限公司，山西长治 047105； 2.太原科技大学，山西太原 030024)

矿用架空乘人装置，又称“猴车”，因具有便捷、安全、易维修等特点，成为煤矿领域必备的人员运输设备。钢丝绳是架空乘人装置关键承载组件，虽然出厂前都进行了安全校验，但井下工作强度大，工作环境复杂多变，很容易出现翘起、锈蚀、断丝等不同类型的损伤，严重影响煤矿企业的安全生产。因此，及时查找出钢丝绳缺陷，保证架空乘人装置安全运行，具有十分重要的意义。

传统的钢丝绳检测方式是依靠人工检测，通过观察、触摸、卡尺测量、敲打等评估钢丝绳的安全系数，符合标准才能继续使用。这种检测手段过分依赖检测人员主观的技术水平和素质，容易出现漏检和误检，且在检测周期内，整套架空乘人装置需低速运行，严重影响矿山作业安全和效率。近来年，数字化、自动化进程不断深化，无损检测技术取代了传统钢丝绳检测方法，成为煤矿企业常用的探伤手段。王红晓、李小伟等[1]设计了一种基于超声波测距及强磁检测原理的检测系统，有效地检测钢丝绳表面断丝情况及断丝翘起幅度，但是这种方法只能检测表面物理特征，对于钢丝绳的锈蚀、内部缺陷等无法做出准确检测。贾华龙、李福森等[2]利用电磁特性，提出一种基于LMA和LF的钢丝绳电磁无损检测技术，能够快速查找钢丝绳中损伤位置及其它损伤信息，但是在检测过程中不能停止钢丝绳的运行，抗干扰能力较差。魏如愿、张静波等[3]利用ANSYS软件对关键部位做出有限元分析，设计出一款便于安装、体积小巧、检测迅速的磁漏检测装置，但是对干扰能力未作出有效改进。

本文提出一种基于YOLO v3算法的钢丝绳无损检测方法，采用多个拍摄装置，全方位检测钢丝绳损伤状况，提高检测的灵敏度、速度以及抗干扰能力。

1 YOLO v3算法

YOLO(You Only Look Once)是一种专用于目标识别和检测的一阶段(one stage)算法。相比较二阶段(two stage)算法如R-CNN、Faster R-CNN，YOLO只需执行一次，就能实现物体类别和位置的判断，检测速度更是在众多目标识别算法中领先。然而，YOLO只适用于小目标的检测，对于大目标的识别效果不理想，且随着网络深度的增加，检测效果明显下降。YOLO v3是YOLO系列改进后的算法，它在YOLO v2的基础上进行了优化，引入了残差神经网络Darknet-53以及残差块，有效解决了因网络深度增加而带来的负面效果[4]. YOLO v3网络模型见图1.

图1 YOLO v3网络模型图

DBL(DarkNetConv2D_BN_Leaky)模块是在卷积层(Conv)之后加入了批归一化方法(BN)和激活函数(Leaky Relu). Darknet-53由DBL和残差块res(n)组成，数字53代表算法共包含了53层网络，除去末尾处的全连接层，其余都是卷积层。

Darknet-53网络架构见图2，Darknet-53共划分了5个卷积模块，每个模块又分为两小部分：第一部分是重复执行的卷积层，分别执行1次、2次、8次、8次、4次重复操作，卷积核大小为1×1和3×3；第二部分是单独的卷积层，仅进行一次即可。批归一化方法首先要计算调整参数前所取得样本均值，公式如下：

图2 Darknet-53网络架构图

(1)

其中，m为样本数，x(i)为样本中第i个样本。

其次计算对应样本方差：

(2)

最后计算标准化后的输出：

(3)

ε是一个趋于0的值。

YOLO v3模型参考了金字塔特征图的思想，在进行图像识别时，先通过Darknet-53层提取图像特征，生成3个不同尺度的输出，分别是针对大目标识别的y1(13×13×1 024)，中等目标识别的y2(26×26×512)和小目标识别的y3(52×52×256). 然后将输出图片划分为13×13个单元，并对每个单元分别进行目标检测，生成多个目标检测框，检测框由5个维度的参数组成，分别是检测框中心坐标(x，y)、检测框宽度ω、检测框高度h和置信度s. 模型预先保留诸多置信度不同的检测框，通过对比，取出最优解。

2 系统设计

本文提出的智能无损检测方法是采用数字摄像机对钢丝绳进行拍摄，通过线路将数据传输至中央处理器，由图像识别软件判断钢丝绳损伤状态，并将判断结果传输至可编程控制器PLC控制钢丝绳的起停。系统主要包括：光源、数字摄像机、信息传输子站、西门子PLC、图像识别软件、信息传输总站等。

系统共分为3个部分：1) 数据采集。主要由数字摄像机、光源等组成。为实现钢丝绳360°全方位检测，系统采用多个摄影机对钢丝绳的多个角度进行拍摄；光源设置在摄像机附近，为其提供足够光源。2) 信息传输线路。主要组成元件是信息传输子站、线缆等。当接收到摄像机传输的数据后，通过4G网络或煤矿局域网络上传至信息传输总站。信息传输子站功能单一，仅用于数据中转和数据存储；信息传输总站为数据库，具有数据存储、查询、修改等功能。3) 检测控制单元。包含PLC、图像识别软件等模块。当信息传输总站获得实时数据，立刻比对训练集进行目标检测，并把检测结果反馈给PLC，实现钢丝绳智能损伤。

检测流程见图3.

图3 检测流程图

3 仿真结果与分析

采集300张架空乘人装置钢丝绳图片作为样本，其中240张作为训练集，60张作为验证集，在Anaconda环境管理器中配置好环境后，导入PyCharm软件进行训练。

在训练过程中，先用K-means聚类算法获得大小合适的9个先验框，分别是小：[11，9]、[20，23]、[27，21]；中：[39，33]、[52，41]、[69，57]；大：[102，83]、[153，132]、[174，146]. 批次大小设置为8，初始学习率设置为0.001，每次实验进行30 000次循环迭代，训练总耗时大约3 h，得到损失函数的变化情况见图4.

从图4中可知，YOLO v3算法的损失值下降很快，在经过极短的时间后就趋于相对稳定状态。因为初始化数值与目标差异较多，所以在训练次数的迭代初期损失值变化最大；在迭代2 500次之后，损失值处于小范围波动状态。从整个图像可以看出，迭代5 000次前模型的损失值下降较快，迭代15 000次后损失值在小范围内微调，始终维持在9～10，证明此时的训练整体稳定。