基于YOLOv5s 的电梯钢丝绳表面损伤检测算法研究

蔡林峰， 汤 斌， 杨泞珲， 徐艺菲， 雷斯越， 贺渝龙， 张金富， 龙邹荣

（重庆理工大学重庆市光纤传感与光电检测重点实验室， 重庆 400054）

0 引 言

钢丝绳作为电梯承重的核心装置，在电梯工作期间，钢丝绳主要承受拉、接触、弯曲3 种应力，如长期不保养则可能会出现断丝、断股等情况。 一旦例行安检时未发现上述问题，将增加安全事故的风险，甚至会危及乘客的生命安全。 因此，钢丝绳损伤的表面在线检测有重要意义。

目前，电梯钢丝绳检测中最常用的方法是目测法和电磁检测法。 目测法通过肉眼观看运行中的钢丝绳状态，这种方法直接有效，但最大的缺点是耗时比较长，且检测人员在电梯井昏暗环境下，工作效率较低再加上可能出现的疲劳情况，极难对钢丝绳质量进行全面的检测。 此外，由于是人工检测，连续检测的间隔时间较长，在间隔时间内出现故障的概率较高。

电磁法是一种非接触式的检测测量法，通过检测钢丝绳的漏电磁，判断是否有损伤，其缺点在于抗干扰能力太弱。 例如，检测人员在进行电磁检测时，其输出信号极其容易被环境因素影响，进而会严重损失检测结果的精确性。 如果检测人员忽略了外界的环境因素，信息就易出现失真，不准确的信息会导致误判，非常不利于电梯的安全，且利用电磁检测技术检测时，需要较多大质量的设备，不易携带。 此外，电磁检测技术无法对电梯钢丝绳微小的损伤作出检测，这些微小损伤会给电梯安全带来潜在的隐患。

随着人工智能算法的出现和快速发展，为钢丝绳表面损伤检测提供了高效、精准的解决方案。 通过摄像头采集钢丝绳运行中的图片，再结合人工智能算法同步检测，可以实现钢丝绳表面损伤的在线实时检测。 目前，深度学习算法广泛运用于工业检测中，但在钢丝绳表面损伤检测领域还鲜有人研究。张永军等［1］基于卷积神经网络对工业产品进行表面缺陷检测；魏若峰［2］对铝型材表面损伤识别技术进行研究；陈亮［3］等利用深度学习算法对尿素泵的表面损伤进行检测；沈涛［4］基于深度学习对小目标表面瑕疵检测系统进行研究。

基于此，本文提出使用目标检测人工智能算法——YOLO 进行钢丝绳表面损伤在线检测研究。YOLO 算法于2016 年由Redmon［5］等人提出，该算法使用一个模型同时实现了目标检测的分类和定位，已被广泛应用于各种目标检测领域。 经过多年来Redmon 等人的不断研究，提升了算法效率和精度，相继得到v1、v2、v3、v4 总共4 个版本。 YOLOv5是由Ultralytics 公司于2020 年5 月在YOLOv4 框架的基础上提出的。 YOLOv5 借鉴了CutMix［6］方法，采用Mosaic 数据增强的方式，有效解决了小对象检测问题。 YOLOv5 图像推理速度快，最快可达到0.007 s，即每一秒可以处理140 帧，同时其体积与YOLOv4 相比更为小巧，YOLOv5s 模型的权重数据文件大小为27 MB，仅为YOLOv4 的1／9［7－8］。 本文实验选择YOLOv5s 作为钢丝绳表面损伤检测的网络模型，使用该网络对线下收集钢丝绳表面损伤训练集进行训练，最后利用训练好的网络模型对钢丝绳表面损伤测试集进行检测。

1 YOLOv5s 网络模型

由图1 可知，YOLOv5s 模型主要分为输入端（Input）、骨干网络（Backbone）、颈部（Neck）、输出端（Output）4 个部分。 其中：

图1 YOLOv5s 网络模型Fig. 1 YOLOv5s network model

（1）输入端包括图片尺寸处理、Mosaic 数据增强、自适应锚框计算3 个部分。 Mosaic 数据增强方式对小对象的检测尤为理想，符合本文对钢丝绳表面损伤的检测需求。

（2）骨干网络包含Focus 结构和CSP 结构。YOLOv3［9－12］和v4 的版本没有Focus 结构，其中的关键步骤是切片操作，包含基本的4 次切片操作和进一步的1 次32 个卷积核的卷积操作。 例如：把416×416×3 的原始图像放入到Focus 结构中。 首先通过切片操作，变成416×416×12 的特征图，再进行卷积核的操作，最后变成416 ×416 ×32 的特征图。与YOLOv4 不同的是，YOLOv5 在主干网络中采用了CSP1＿X 和CSP2＿X 这2 种CSP 结构。 其中CSP1＿X 应用于骨干网络，CSP2＿X 应用于颈部。

（3） 颈部采用了PANet ＋SPP 模块的结构。PANet（PathAggregation，路径聚合网络）［13］是自顶向下的，首先获得位于高层的特征信息，然后将其与处在不同层的CSP 模块的输出特征进行聚合，再通过自底向上的特征金字塔结构，从下到上聚合浅层特征，可以达到将处于不同层的图像特征进行充分融合的效果。 空间金字塔池化（Space Pyramid Pooling，SPP）模块首先采用4 种不同大小的核进行最大池化操作，然后进行张量拼接。

（4）输出端：YOLOv5 使用GIOU＿Loss［14］作为损失函数，改进了YOLOv3 中IOU＿Loss 边界框不重合的情况。

2 实验结果与分析

2.1 系统整体设计方案

如图2 所示，实验设计了一种基于YOLOv5s 网络模型的钢丝绳表面损伤在线检测系统。 首先在实验室工作机位上利用YOLOv5s 训练钢丝绳表面损伤检测模型，然后将训练好的模型部署到PC 端，接收摄像头实时采集的钢丝绳图片，利用无线传输的方式将图片输入到PC 端。 PC 端利用训练好的表面损伤检测模型，检测图片中的钢丝绳表面是否存在损伤。

图2 系统整体框架Fig. 2 System Framework

2.2 实验数据集及实验环境

实验在线下收集了600 张钢丝绳表面损伤的图像，制作了500 张训练集和100 张测试集，使用LabelImg 软件对训练集中的钢丝绳表面损伤进行了标注，图3 所示为手动标注结果。 标注时需要注意：

图3 标注结果图Fig. 3 Annotation result graph

1）标注区域不能过大，如果标注时包括了一些非缺陷区域，会大大降低训练结果的准确性；

2）训练样本的数量不能过少，训练样本越多，最后训练得到的网络模型精度会越高，最后测试的结果也会越准确，反之，如果训练的样本数量太少，导致过拟合，会直接影响训练效果。

实验运行环境：操作系统为Windows10，GPU 为NVIDIA GeForce RTX 3070，具体运行环境配置见表1。

表1 实验运行环境配置Tab. 1 Experimental operating environment configuration

在模型训练阶段，迭代批量设置为8，总的迭代次数为300 次，初始学习率为0.01，衰减系数设置为0.005。

2.3 测试结果分析

模型训练完成之后，在模型中输入测试数据集，实验结果如图4～图6 所示。 图中数值表示置信度。

图4 单个损伤测试样本Fig. 4 Individual defect test sample

图5 多个损伤测试样本Fig. 5 Multiple defect test samples

图6 现场测试样本Fig. 6 Field test samples

本文采用GIOU损失和Average Precision（AP）作为评估模型的评价指标。 YOLOv5 使用GIOULoss作为Bounding Box 的损失，Box 为GIOU 损失函数均值，方框越小说明检测效果越好。 具体计算如式（1）：

其中，C为两个框的最小外接矩形， 为Groundtruth；B为边界框；B∪Bgt表示两个边界框的并集。 图7 是YOLOv5 训练中GIOU随训练次数的损失结果。

图7 GIOU 损失结果图Fig. 7 Loss curve of GIOU

本文采取IOU阈值为0.5 作为绘制precisionrecall（PR） curves 的基准，P － R曲线如图8 所示。PR曲线与坐标围成的面积表示AP值大小，AP值越大表示模型精度越高，性能越好，计算公式如式（2）：

图8 P－R 曲线Fig. 8 P－R curves

其中，TP表示将正确类预测为正确类别数，FP表示将负类别预测为正确类别数。 本文选取0.5 作为特定的IOU阈值，当预测边框的IOU≥0.5，则认为可以正确检测到损伤。 在该标准下可以获得Precision、Recall的值。 其中，Precision表示在识别出来的图片中，正样本所占的比率，Recall表示正样本被预测为正类图片占所有测试集图片的比率。 总体而言，本文采用Precision（P）、Recall（R） 来评估所提出的方法。 各项评价指标的计算公式如式（3）、式（4）：

从图8 的PR曲线可以看出，所用YOLOv5s 网络模型结果比较理想。 训练完成之后，对训练好的模型进行测试，平均检测速度达到了6.7 FPS，其测试精度达到了95.3%。

3 结束语

综上所述，为了实现钢丝绳表面损伤检测的准确性、实时性，并且在复杂的检测工作中把人工解放出来，提出了一种基于YOLOv5s 网络的钢丝绳表面损伤检测算法。 实验结果表明，利用YOLOv5s 网络对钢丝绳表面损伤进行检测的方法准确率高、计算速度快，能为电梯事故的预警和报警提供有效的参考依据，有较强的实际意义。 但是受到时间以及环境的限制，该算法仍然存在一定的局限性，目前仅仅只是在实验的环节通过了验证，后期会将完善后的算法部署到云服务器端，并且在检测钢丝绳表面损伤的区域安装摄像头，对钢丝绳表面损伤的信息进行实时采集，然后将信息传至云端进行损伤分类，损伤程度评估处理，把处理结果返回到检测中心进行实时查看，不断验证完善，最后推广使用。