圖像識別技術在礦用鋼絲繩檢測中的應用

李金華，夏黎明

(1.山西潞安集團 司馬煤業有限公司， 山西 長治 047105； 2.太原科技大學， 山西 太原 030024)

礦用架空乘人裝置，又稱“猴車”，因具有便捷、安全、易維修等特點，成為煤礦領域必備的人員運輸設備。鋼絲繩是架空乘人裝置關鍵承載組件，雖然出廠前都進行了安全校驗，但井下工作強度大，工作環境復雜多變，很容易出現翹起、銹蝕、斷絲等不同類型的損傷，嚴重影響煤礦企業的安全生產。因此，及時查找出鋼絲繩缺陷，保證架空乘人裝置安全運行，具有十分重要的意義。

傳統的鋼絲繩檢測方式是依靠人工檢測，通過觀察、觸摸、卡尺測量、敲打等評估鋼絲繩的安全系數，符合標準才能繼續使用。這種檢測手段過分依賴檢測人員主觀的技術水平和素質，容易出現漏檢和誤檢，且在檢測周期內，整套架空乘人裝置需低速運行，嚴重影響礦山作業安全和效率。近來年，數字化、自動化進程不斷深化，無損檢測技術取代了傳統鋼絲繩檢測方法，成為煤礦企業常用的探傷手段。王紅曉、李小偉等[1]設計了一種基于超聲波測距及強磁檢測原理的檢測系統，有效地檢測鋼絲繩表面斷絲情況及斷絲翹起幅度，但是這種方法只能檢測表面物理特征，對于鋼絲繩的銹蝕、內部缺陷等無法做出準確檢測。賈華龍、李福森等[2]利用電磁特性，提出一種基于LMA和LF的鋼絲繩電磁無損檢測技術，能夠快速查找鋼絲繩中損傷位置及其它損傷信息，但是在檢測過程中不能停止鋼絲繩的運行，抗干擾能力較差。魏如愿、張靜波等[3]利用ANSYS軟件對關鍵部位做出有限元分析，設計出一款便于安裝、體積小巧、檢測迅速的磁漏檢測裝置，但是對干擾能力未作出有效改進。

本文提出一種基于YOLO v3算法的鋼絲繩無損檢測方法，采用多個拍攝裝置，全方位檢測鋼絲繩損傷狀況，提高檢測的靈敏度、速度以及抗干擾能力。

1 YOLO v3算法

YOLO(You Only Look Once)是一種專用于目標識別和檢測的一階段(one stage)算法。相比較二階段(two stage)算法如R-CNN、Faster R-CNN，YOLO只需執行一次，就能實現物體類別和位置的判斷，檢測速度更是在眾多目標識別算法中領先。然而，YOLO只適用于小目標的檢測，對于大目標的識別效果不理想，且隨著網絡深度的增加，檢測效果明顯下降。YOLO v3是YOLO系列改進后的算法，它在YOLO v2的基礎上進行了優化，引入了殘差神經網絡Darknet-53以及殘差塊，有效解決了因網絡深度增加而帶來的負面效果[4]. YOLO v3網絡模型見圖1.

圖1 YOLO v3網絡模型圖

DBL(DarkNetConv2D_BN_Leaky)模塊是在卷積層(Conv)之后加入了批歸一化方法(BN)和激活函數(Leaky Relu). Darknet-53由DBL和殘差塊res(n)組成，數字53代表算法共包含了53層網絡，除去末尾處的全連接層，其余都是卷積層。

Darknet-53網絡架構見圖2，Darknet-53共劃分了5個卷積模塊，每個模塊又分為兩小部分：第一部分是重復執行的卷積層，分別執行1次、2次、8次、8次、4次重復操作，卷積核大小為1×1和3×3；第二部分是單獨的卷積層，僅進行一次即可。批歸一化方法首先要計算調整參數前所取得樣本均值，公式如下：

圖2 Darknet-53網絡架構圖

(1)

其中，m為樣本數，x(i)為樣本中第i個樣本。

其次計算對應樣本方差：

(2)

最后計算標準化后的輸出：

(3)

ε是一個趨于0的值。

YOLO v3模型參考了金字塔特征圖的思想，在進行圖像識別時，先通過Darknet-53層提取圖像特征，生成3個不同尺度的輸出，分別是針對大目標識別的y1(13×13×1 024)，中等目標識別的y2(26×26×512)和小目標識別的y3(52×52×256). 然后將輸出圖片劃分為13×13個單元，并對每個單元分別進行目標檢測，生成多個目標檢測框，檢測框由5個維度的參數組成，分別是檢測框中心坐標(x，y)、檢測框寬度ω、檢測框高度h和置信度s. 模型預先保留諸多置信度不同的檢測框，通過對比，取出最優解。

2 系統設計

本文提出的智能無損檢測方法是采用數字攝像機對鋼絲繩進行拍攝，通過線路將數據傳輸至中央處理器，由圖像識別軟件判斷鋼絲繩損傷狀態，并將判斷結果傳輸至可編程控制器PLC控制鋼絲繩的起停。系統主要包括：光源、數字攝像機、信息傳輸子站、西門子PLC、圖像識別軟件、信息傳輸總站等。

系統共分為3個部分：1) 數據采集。主要由數字攝像機、光源等組成。為實現鋼絲繩360°全方位檢測，系統采用多個攝影機對鋼絲繩的多個角度進行拍攝；光源設置在攝像機附近，為其提供足夠光源。2) 信息傳輸線路。主要組成元件是信息傳輸子站、線纜等。當接收到攝像機傳輸的數據后，通過4G網絡或煤礦局域網絡上傳至信息傳輸總站。信息傳輸子站功能單一，僅用于數據中轉和數據存儲；信息傳輸總站為數據庫，具有數據存儲、查詢、修改等功能。3) 檢測控制單元。包含PLC、圖像識別軟件等模塊。當信息傳輸總站獲得實時數據，立刻比對訓練集進行目標檢測，并把檢測結果反饋給PLC，實現鋼絲繩智能損傷。

檢測流程見圖3.

圖3 檢測流程圖

3 仿真結果與分析

采集300張架空乘人裝置鋼絲繩圖片作為樣本，其中240張作為訓練集，60張作為驗證集，在Anaconda環境管理器中配置好環境后，導入PyCharm軟件進行訓練。

在訓練過程中，先用K-means聚類算法獲得大小合適的9個先驗框，分別是小：[11，9]、[20，23]、[27，21]；中：[39，33]、[52，41]、[69，57]；大：[102，83]、[153，132]、[174，146]. 批次大小設置為8，初始學習率設置為0.001，每次實驗進行30 000次循環迭代，訓練總耗時大約3 h，得到損失函數的變化情況見圖4.

從圖4中可知，YOLO v3算法的損失值下降很快，在經過極短的時間后就趨于相對穩定狀態。因為初始化數值與目標差異較多，所以在訓練次數的迭代初期損失值變化最大；在迭代2 500次之后，損失值處于小范圍波動狀態。從整個圖像可以看出，迭代5 000次前模型的損失值下降較快，迭代15 000次后損失值在小范圍內微調，始終維持在9～10，證明此時的訓練整體穩定。

圖4 YOLO v3損失變化曲線圖

分別將驗證集樣本加入訓練完成后的模型進行預測，計算得出性能指標，見表1.

表1 YOLO v3算法的性能指標表

由表1信息可以看出，YOLO v3的檢測速度可達66.8PFS，處于很高的數值，同時準確率也超過90%.

4 結 論

1) 基于圖像識別的鋼絲繩無損檢測方法有效地解決了諸多模型中抗干擾能力差的問題，且具有速度快、精度高、成本低等優點，能夠適應各種復雜環境下的檢測任務。

2) 該項技術的應用可達到實時、預警、可靠的效果。通過全方位監測鋼絲繩運行狀態，實現精準探傷。

3) 基于圖像識別的鋼絲繩無損檢測方法優化了諸多煤礦企業的無損檢測方式，檢測過程更加智能，檢測結果更加精確。

4) 基于圖像識別的鋼絲繩無損檢測方法依賴于圖相的真實度，若鋼絲繩表面帶有較多油污、遮擋，則檢測效果很難達到理想值。