1、第 40 卷第 2 期2023 年 2 月机电工程Journal of Mechanical Electrical EngineeringVol 40 No 2Feb 2023收稿日期:2022 06 22基金项目:国家重点研发计划资助项目(2021YFC3001601);安徽省质量技术监督科技计划资助项目(2018AHQT26)作者简介:刘士兴(1969 )，男，安徽合肥人，博士，副教授，主要从事工业视觉检测技术方面的研究。E-mail:liusx hfut edu cnDOI:10 3969/j issn 1001 4551 2023 02 017基于 DeepLabV3s 的曳引轮磨损测
2、量研究*刘士兴1，汪一丹1，王野1，王金博2(1 合肥工业大学 微电子学院，安徽 合肥 230009;2 安徽省特种设备检测院，安徽 合肥 230041)摘要:在不同的光照环境下，对电梯曳引轮的磨损量进行非接触式测量时存在误差较大这一问题，为此，提出了一种基于改进DeepLabV3 的曳引轮磨损自动测量算法。首先，构建了曳引轮绳槽的物理模型，基于采集到的曳引轮绳槽图片，建立了曳引轮绳槽数据集;然后，采用融合 SEnet 和 ECAnet 双注意力机制的 DeepLabV3s 模型，对数据集进行了训练，实现了钢丝绳与曳引轮的分类目标;提出了一种融合曳引轮图像特征的图像处理算法，用相关匹配法识别并
3、截取了目标区域，定位到磨损点，并计算了其磨损量;最后，为了对上述算法的性能进行验证，搭建了测量实验平台，进行了算法的鲁棒性验证和误差分析实验。实验结果表明:采用该算法进行测量所得绝对误差小于0 049 mm，均方根误差小于0 044 mm，且算法运行时间小于2 50 s。研究结果表明:与传统测量方法相比，该自动测量方法具有高精度、自动化、非接触的特点，能适应不同光照环境，快速、准确地测量曳引轮绳槽的磨损量，解决了不同光照环境下的曳引轮磨损非接触式测量问题。关键词:非接触式测量;磨损量;注意力机制;测量误差;图像处理;曳引轮绳槽中图分类号:TH117 1;TU857文献标识码:A文章编号:100
4、1 4551(2023)02 0284 08Traction sheave wear measurement based on DeepLabV3sLIU Shi-xing1，WANG Yi-dan1，WANG Ye1，WANG Jin-bo2(1 School of Microelectronics，Hefei University of Technology，Hefei 230009，China;2 Anhui SpecialEquipment Testing Institute，Hefei 230041，China)Abstract:Aiming at solving the probl
5、em of large error in the non-contact measurement of traction sheave wear in different lightingconditions，an automatic measurement algorithm of traction sheave wear based on improved DeepLabV3 was proposed First，the physicalmodel of the traction sheave rope groove was built，a data set of traction she
6、ave rope groove was built based on the collected traction sheaverope groove images Then，the DeepLabV3s model with squeeze-and-excitation networks(SEnet)and efficient channel attention networks(ECAnet)dual attention mechanism was used to train the data set to classify wire rope and traction sheave An
7、 image processing algorithmintegrating the image features of the traction sheave，which using correlation matching algorithm identified and intercepted the target area tolocate the wear point and calculate it，was proposed Finally，in order to verify the performance of the above algorithm，a measurement
8、experiment platform was built，and the robustness verification and error analysis experiments of the algorithm were carried out Theexperimental results show that，through algorithm measurement，the absolute error is less than 0 049 mm，the root mean square error is lessthan 0 044 mm，and the operating ti
9、me is less than 2 50 s The results indicate that，comparing with the traditional measurement，it has thecharacteristics of high precision，automation and non-contact，and can quickly and accurately measure the wear of the traction sheave ropegroove in different lighting conditions，which solves the probl
10、em of non-contact measurement of traction wheel wear under different lightingenvironmentsKey words:non-contact measurement;wear loss;attention mechanism;measurement error;image processing;traction sheave rope groove0引言随着我国经济社会的快速发展和城镇化速度的加快，高层建筑中必不可少的电梯的数量快速增加。2020 年我国电梯产量达到了 105 万台，在电梯领域已经成为产能最大、配套
11、最完善、出口最多的国家1。曳引系统是电梯中重要的组成部分，用于提供动力、驱动轿厢的正常运行2。在电梯的运行过程中，曳引轮与钢丝绳反复摩擦，导致绳槽面产生磨损3。如果其过度磨损，可能引发钢丝绳断裂、轿厢振动、冲顶等事故4，对电梯的安全运行具有重大影响。根据调查，使用年限较久的电梯都存在曳引轮磨损严重、曳引力不符合要求的情况，部分电梯的绳槽出现缺损和裂纹5，存在比较严重的安全隐患。因此，按时检测曳引轮的磨损情况对于电梯的安全运行意义重大。曳引轮磨损量传统测量法包括目视法、角尺与塞尺结合法、橡皮泥或塑性胶法等6。陈本瑶等人7 提出了一种规塞式工装测量法，该方法可以同时测量绳槽宽度、深度以及切口上宽度
12、等多个信息，测试精度高;但其通用性不强。非接触式测量有利于提高测量的自动化水平，降低人工成本8。谢晓娟等人9 提出了一种基于图像处理的曳引轮磨损识别方法，该方法不仅简单有效，还可以降低检测的成本;但该方法不适用于绳槽磨损均匀的检测情况10。陈建勋等人11 将激光三角法应用于曳引轮磨损的非接触测量中，该方法具有检测精度高、自动化程度高等特点;但其无法实现便捷检测，且实时检测的可操作性差。林永森等人12 提出了一种基于线激光位移法的磨损检测法，该方法测量精度高，与其他方法相比效率也有所提升;但其有效测试区域长度有限。刘士兴等人13 研制了一种基于单目视觉的曳引轮磨损检测系统，完成了对曳引轮磨损的非
13、接触测量，且与传统方法比，其测量的精度更高。为了提高计算效率，研究人员进一步提出了一种基于机器视觉的曳引轮磨损检测方法14。该方法解决了弱光环境下测量不准确的问题;但其测量过程中需要人工选取测量点，因此，其自动化程度还有待于提高。为了提高电梯曳引轮磨损测量的精度和自动化程度，笔者提出一种电梯曳引轮磨损自动测量算法。通过改进后的模型 DeepLabV3s，笔者对制作好的数据集进行训练，将曳引轮与钢丝绳区域划分，并采用融合曳引轮特征的图像处理算法，实现边缘快速提取、目标区域截取以及磨损点定位的目标;最后，在实验平台进行测量，以验证该算法的精度与可行性。同时，根据国家相关标准，笔者建立曳引轮磨损物理
14、模型，以在不同光照环境下可以对磨损进行精准测量。1曳引轮磨损自动测量系统1 1曳引轮绳槽磨损模型电梯曳引轮绳槽分为凹型槽、半圆槽、V 形槽等15。笔者以带切口的 V 形槽为研究对象，使用工业相机对 V 形槽磨损量进行非接触测量。曳引轮磨损测量系统示意图如图 1 所示。图 1曳引轮磨损测量系统示意图磨损主要是压力和运动摩擦的产物16。根据曳引轮检测国家标准，在未磨损情况下，曳引轮绳槽底部到钢丝绳外缘最大间距为6 mm，当间距小于3 mm 时，需严密监测。假设曳引轮绳槽两侧磨损均匀，曳引轮绳槽的磨损量即为钢丝绳的下沉量。为实现下沉量的计算，笔者基于曳引轮实际特征构建 V 形槽截面的物理模型。曳引轮
15、磨损物理模型如图 2 所示。图 2曳引轮磨损物理模型r曳引轮绳槽深度;AA1绳槽切口长度由图 2 得:当曳引轮未磨损时，A0为钢丝绳与绳槽的左侧接触点，B0为右侧接触点。从 A0、B0两点垂直于绳槽底部构建两条直线，与绳槽底部延长线交于A1、B1。忽略钢丝绳的磨损，当曳引轮发生磨损后，钢582第 2 期刘士兴，等:基于 DeepLabV3s 的曳引轮磨损测量研究丝绳竖直下沉，A0、B0移动至 A、B 两点，A、B 即为磨损点。1 2算法流程基于曳引轮磨损物理模型，笔者提出一种基于改进 DeepLabV3 的磨损自动测量算法。该算法基于PyCharm 平台，使用 python 语言开发，分为语义
16、分割和图像处理两个模块。曳引轮磨损自动测量算法流程如图 3 所示。图 3曳引轮磨损自动测量算法流程由图 3 可知:语义分割模块主要用于解决原图像纹理复杂、轮廓不清晰、干扰性特征点过多、受光照影响大等问题，通过深度卷积神经网络对制作好的数据集进行训练，实现对钢丝绳和曳引轮的图像分割;图像处理模块主要用于解决传统目标区域匹配方法限制物距的问题，以及测量的实时性和准确性较差等问题，以实现实时、自动化且不受相机物距限制的磨损值测量的目的。2DeepLabV3 模型2 1模型性能对比在工业领域中，采用机器视觉和非接触式测量的方式，可以减少人为干预，提高响应速度17。目前，融合深度学习的非接触式测量方式在工业中得到了广泛应用。其中，语义分割通过神经网络进行数据处理，在提升特征提取能力的同时，也在特征提取过程中去除了人工的干预，实现了特征提取自动化和端到端学习的目的，有利于系统的自动化。笔者 使 用 fully convolutional networks(FCN)、DeepLabv3、Unet、DeepLabV3+这 4 个网络模型，对曳引轮数据集进行训练测试。测量目标为带切口的 V形槽。为收集足
