礦井提升機鋼絲繩外觀缺陷視覺識別技術研究

摘要：針對多根鋼絲繩檢測部署困難、鋼絲繩圖像采集質量較低、視覺檢測法適應性差、準確性不高等問題，提出了一種基于計算機視覺和深度學習的礦井提升機鋼絲繩外觀缺陷視覺識別方法。首先構建礦井提升機鋼絲繩在線監測系統；其次由地面移動巡檢平臺和井下本安高速相機采集鋼絲繩圖像，建立鋼絲繩圖像數據集；然后考慮井下粉塵影響、相機鏡頭易受污染、光照不均、鋼絲繩高光反射等問題，采用基于Retinex 算法的圖像去噪方法和基于同態濾波的圖像去噪方法對鋼絲繩圖像進行去噪處理，處理結果表明，基于色彩增益加權的多尺度Retinex（AutoMSRCR）算法為較優方案；最后缺陷檢測過程以卷積神經網絡為基礎，構建基于YOLOv5s 的缺陷檢測模型，為降低人為因素影響、調參工作量，在YOLOv5s 中加入Focus 結構對其進行優化，并將改進的YOLOv5s模型作為鋼絲繩缺陷檢測的預訓練模型，以進一步降低模型內存占用率，提高模型加載和檢測速度。實驗結果表明，所提方法對鋼絲繩2 處斷絲的檢測誤差分別為1.61%，1.35%，對鋼絲繩4 處磨損的檢測誤差分別為2.43%，3.44%，2.11%，3.39%。針對淮河能源控股集團顧北煤礦主井提升機原有鋼絲繩安全監測系統的檢測精度無法滿足現場需求的問題，采用所提方法對原系統進行改進，現場應用效果表明，鋼絲繩斷絲檢測準確率由80% 提升至96%，損傷定位誤差由500 mm 降低至300 mm 范圍內，損傷定位準確率由75% 提升至98%，損傷實時檢出率由76% 提升至90%，尾繩畸變檢出率由70% 提升至85%。

關鍵詞：礦井提升機；鋼絲繩外觀缺陷；斷絲；表面磨損；視覺識別；圖像去噪處理；Retinex 算法；改進YOLOv5s

中圖分類號：TD532 文獻標志碼：A

0 引言

作為礦井運輸的咽喉要道，礦井提升機在煤礦生產中起著重要作用，鋼絲繩是礦井提升機關鍵的動力傳遞和柔性承載部件，其穩定性、可靠性對提升安全至關重要[1-2]。斷絲和表面磨損是鋼絲繩外觀缺陷的2 種典型表現，其誘因主要包括正常磨損、磨料磨損、機械損傷、旋轉損傷、熱損傷、彎曲疲勞等。正常磨損是指鋼絲繩在使用過程中由于正常的摩擦和拉伸作用而出現的表面磨損，正常磨損不可避免，但可通過合理的使用和維護進行緩解。磨料磨損是指鋼絲與其他硬物接觸時硬物對鋼絲繩表面的刮擦產生的磨損，磨料磨損可通過避免鋼絲繩與硬物的接觸來減少。機械損傷是由于機械力的作用導致的鋼絲繩損傷，如斷絲、扭曲、拉伸、壓縮等，機械損傷可導致鋼絲繩的結構破壞，從而影響其承載能力和使用壽命。旋轉損傷是由于鋼絲繩的旋轉運動而導致的損傷，旋轉損傷通常發生在鋼絲繩的彎曲部分，使繩體變形。熱損傷是由于摩擦和高溫作用導致的鋼絲繩損傷，熱損傷可導致鋼絲繩表面氧化、熔化或變形。彎曲疲勞是由于反復彎曲鋼絲繩而導致的疲勞形變問題[3-5]。

長期以來，對礦井提升機鋼絲繩的檢查工作主要依靠人工進行，通過慢速狀態下肉眼觀察、裸手捋摸及游標卡尺測量鋼絲繩尺寸進行查繩，檢驗質量受人為因素影響，穩定性差，效率低下，占用了大量人力和檢修時間，無法保證對鋼絲繩狀態檢測的精確性。相比之下，電磁法、視覺檢測法等無損檢測方法更為便捷、高效。劉鈺等[6]設計了一種基于隧道磁阻傳感器的礦用鋼絲繩斷絲缺陷檢測系統，對不同程度斷絲缺陷均可準確識別，但鋼絲繩直徑檢測范圍受限。田劼等[7]通過Ansoft Maxwell 仿真軟件對檢測磁通回路設計進行了改進，增強了漏磁通信號特征，提高了鋼絲繩損傷檢測的準確性，但該方法僅用于鋼絲繩探傷儀的功能優化。葉輝等[8]基于三軸磁記憶陣列傳感器構建了礦用鋼絲繩在線檢測系統，采用集合經驗模態分解降噪方法，提高了鋼絲繩斷絲檢測準確率， 但其他缺陷檢測未經驗證。李金華等[9]基于YOLOv3 算法設計了一種鋼絲繩缺陷檢測系統，系統檢測速度較快，但對圖像采集質量有一定要求。姜泓宇等[10]提出了一種基于圖像特征融合和改進鯨魚算法優化支持向量機的鋼絲繩缺陷檢測法，鋼絲繩斷絲檢測準確率較高，但對其他缺陷類型的檢測有待驗證。劉曉磊等[11]利用改進YOLOv5 模型設計了一套礦用鋼絲繩缺陷檢測裝置，鋼絲繩缺陷識別準確率較高，但僅限于單根鋼絲繩檢測。綜上所述，電磁法受傳感器精度影響，檢測準確率有待提高，視覺檢測法對鋼絲繩圖像采集質量有一定要求，一種方法往往只適合單一缺陷或單根鋼絲繩檢測，需對相關方法進行改進。

針對多根鋼絲繩檢測部署難度大、鋼絲繩圖像采集質量較低、視覺檢測法適應性差、準確性不高等問題，本文提出一種礦井提升機鋼絲繩外觀缺陷視覺識別方法。首先構建礦井提升機鋼絲繩在線監測系統；其次采集鋼絲繩圖像，建立鋼絲繩圖像數據集，并通過數據增強、圖像規范化、圖像去噪等對數據進行預處理；然后選取主要特征，以卷積神經網絡（Convolutional Neural Network，CNN）為基礎，構建基于YOLOv5s 的缺陷檢測模型、訓練模型；最后完成部署應用，對模型應用效果進行分析。

1 礦井提升機鋼絲繩在線監測系統

礦井提升機鋼絲繩在線監測系統分為地面和井下2 個子系統，如圖1 所示。地面子系統主要包括地面控制中心、工作站（含運動機構控制器及驅動器、圖像處理單元、交換機等）、移動巡檢平臺（含移動巡檢裝置、精密導軌等）、動力和傳輸線纜等。井下子系統主要包括本安高速相機、隔爆補光燈、通信線纜等。

地面控制中心是整個系統的核心，負責數據統一傳輸處理，并完成集中監控。運動機構控制器及驅動器用于控制提升機和移動巡檢平臺，根據控制中心的指令調整提升機、檢測相機的運動狀態。圖像處理單元用于對相機（地面相機檢測首繩圖像、井下相機檢測尾繩圖像）獲取的圖像信息進行處理和分析，檢測鋼絲繩的損傷和異常情況。交換機則用于連接系統中的各個設備，實現數據的傳輸和共享。

2 圖像信息采集和預處理

圖像信息采集由地面移動巡檢平臺和井下本安高速相機完成，移動巡檢平臺如圖2 所示。移動巡檢裝置由線掃相機、高速相機、平行光源及燈光控制單元等組成。其中，4 臺線掃相機保持固定距離，采用對角安裝方式，可提供500～8 000 像素/線條的分辨率，采集速率最高能達67 000 個線條/s，用于捕捉地面首繩不同側面或不同部位的缺陷、形狀等數據，通過數據融合得到首繩全方位的圖像信息。平行光源提供均勻照度。高速相機負責拍攝高速連續圖像，用于進行鋼絲繩捻距、斷絲、銹蝕等外觀缺陷的檢測。2 套平行對稱的移動巡檢裝置運行于精密導軌上，并通過軟件編程和機器學習方式在檢測區域自動移動，將檢測單元移動至待檢測的鋼絲繩預設位置進行檢測，檢測精度較高。2 臺本安高速相機采用對向安裝方式，同步拍攝以獲取尾繩全方位的圖像信息。由于井下環境復雜，在配置本安高速相機的基礎上，需對鋼絲繩進行補光操作，從而得到較高質量的圖像。

實際檢測過程中，提升機鋼絲繩運行速度一般控制在0～4.0 m/s，當鋼絲繩移動速度較快時，圖像可能出現拖影，多相機拍攝的圖像也會重疊，具體解決方法如下。

1） 調節曝光時間。減少曝光時間可降低因鋼絲繩移動而造成的模糊，但過短的曝光時間會使圖像亮度降低。

2） 使用閃光燈。同步啟動1 個或多個強力閃光燈與相機快門，以提供足夠的亮度，捕捉高速移動中的鋼絲繩。

3） 調整觸發方式。確保所有相機都能精確同步觸發，以避免由于不同步導致的圖像重疊問題。

4） 優化采集間隔。調整各相機之間采集圖像的時間間隔，使每個相機捕獲到不同位置上無重疊部分的清晰圖像。

5） 使用全局快門相機。全局快門能同時曝光所有傳感器的像素點，有效避免滾動條紋效應，減少因鋼絲繩高速移動產生的拖影。

6） 圖像處理算法。通過圖像處理算法（圖像拼接、去模糊算法、運動補償算法等）消除或減少拖影、圖像重疊，提高圖像質量。

考慮井下粉塵影響、相機鏡頭易受污染、光照不均、鋼絲繩高光反射等問題，采用基于Retinex 算法的圖像去噪方法和基于同態濾波的圖像去噪方法[12]對鋼絲繩圖像進行去噪處理。

Retinex 算法以色感一致性（顏色恒常性）為基礎，使圖像邊緣和顏色對比得到自適應增強。Retinex算法的處理過程：假設圖像s1（x，y）可分解為入射分量i1（x，y）和反射分量r1（x，y） ，其中x 為圖像坐標系的水平坐標，y 為圖像坐標系的垂直坐標。

s1（x， y） = i1（x，"y）r1（x，"y） （1）

對式（1）兩側進行對數變換，得

lg s1（x， y） = lg i1（x，"y）+lg r1（x， y） （2）

將式（2）進行移項變換，得

lg r1（x， y） = lg s1（x，"y）-lg i1（x， y） （3）

在算法中輸入一幅鋼絲繩真實圖像，高斯模糊參數設為[15，80，200]，圖像亮度閾值裁剪下限low_clip 為0.01，裁剪上限high_clip 為0.99，分別經過單尺度Retinex（Single Scale Retinex，SSR）、多尺度Retinex（Multi-Scale Retinex， MSR） 、帶色彩恢復的多尺度Retinex（Multi-Scale Retinex with Color Restoration，MSRCR）、色彩增益加權的多尺度Retinex（AutomatedMulti-Scale Retinex with Color Restoration，AutoMSRCR） 、基于顏色保持的多尺度Retinex（Multi-Scale Retinex with Chromaticity Preservation，MSRCP）算法[13]處理，結果如圖3 所示。場景1 是正常光照下鋼絲繩疲勞斷絲，場景2 是低照度下鋼絲繩顯著斷絲，場景3 是低照度下鋼絲繩輕微斷絲，場景4 是低照度下鋼絲繩多點磨損斷絲。由圖3 可看出，SSR 處理結果亮度過低，MSRCR，MSRCP 處理結果亮度過高，MSR，AutoMSRCR 處理結果亮度較均衡，紋理較清晰。

同態濾波法可有效增強圖像的對比度，而不損失紋理細節[14-15]。同態濾波常用指數濾波器和高斯濾波器2 種濾波方法，假設一幅圖像s2（x，y）可分解為入射分量i2（x，y）和反射分量r2（x，y），對輸入圖像進行對數變換，得

ln s2（x， y） = ln i2（x，"y）+ln r2（x， y） （4）

對式（4）兩邊進行傅里葉變換，得到變換后的圖像s′2 （x， y）與入射分量i′2 （x， y）和反射分量r′2 （x， y）的關系式：

s′2（x， y） = i′2（x， y）+r′2（x， y） （5）

采用濾波器H（x， y）對s′2（x， y）進行頻率濾波：

H（x， y）s′2（x，"y） = H（x，"y）i′2（x，"y）+H（x，"y）r′2（x，"y） （6）

對式（6）進行傅里葉反變換，得到變換后的圖像s′′2 （x， y）與入射分量i′′2 （x， y）和反射分量r′′2 （x， y）的關系式：

s′′2 （x， y） = i′′2 （x， y）+r′′2 （x， y） （7）

對式（7）兩邊取e 的指數冪，得到同態濾波結果t（x， y）：

t（x， y） = exp｜i′′2 （x， y）｜exp｜r′′2 （x， y）｜（8）

在算法執行過程中，輸入一幅鋼絲繩真實圖像，對場景1?場景4 圖像進行指數濾波、高斯濾波處理并對比，結果如圖4 所示?？煽闯鼋涍^指數濾波處理后的圖像紋理增強，但圖像稍顯模糊，經過高斯濾波處理后的圖像對比度增強，且高光區域得到有效抑制，去噪效果較為顯著。

上述圖像預處理結果表明，基于 Retinex 算法和基于同態濾波的圖像去噪方法能在一定程度上改善鋼絲繩圖像質量，提高圖像對比度。為了客觀評價圖像去噪方法的效果，采用峰值信噪比（Peak Signalto-Noise Ratio，PSNR）進行描述，數值越大表示該圖像去噪方法越好。

不同去噪方法的PSNR 見表1， 可看出AutoMSRCR 算法的去噪效果要優于MSR 算法、高斯濾波算法、指數濾波算法， 因此系統采用AutoMSRCR 算法對鋼絲繩圖像進行去噪。

3 缺陷檢測方法實現

3.1 缺陷檢測實驗流程

鋼絲繩缺陷檢測實驗流程如圖5 所示。

3.2 數據集建立與處理

為了有效提高深度學習模型的泛化能力，需獲取更多鋼絲繩損傷數據，建立包含多種特征的數據集。將收集到的井下復雜場景下的鋼絲繩圖像通過平移、旋轉、亮度調節等方式生成新的圖像數據，擴充數據集，并采用標注軟件Labelme 或華為云半自動標注工具對鋼絲繩圖像進行標注。

3.3 缺陷檢測模型

采用CNN 作為核心架構，CNN 網絡主要由卷積層、池化層、全連接層3 個部分構成。其中，卷積層是CNN 網絡的關鍵結構，通過特征矩陣和卷積核進行卷積操作，完成輸入鋼絲繩圖像的特征提取[16-19]，但CNN 網絡超參數、模型參數較多，設置過程多依賴個人經驗，極易出現過擬合問題（訓練誤差小、測試誤差大）[20-22]。為降低人為因素影響，減少調參工作量，在YOLOv5s 中加入Focus 結構對其進行優化，并將改進的YOLOv5s 模型（圖6）作為鋼絲繩缺陷檢測的預訓練模型，以進一步降低模型內存占用率，提高模型加載和檢測速度。

3.4 實驗結果分析

基于相同的鋼絲繩損傷數據集和軟硬件運行環境，分別采用文獻[9]方法、文獻[11]方法、本文方法構建、訓練模型，得到較優模型并部署應用，分別對斷絲和表面磨損2 種典型外觀缺陷進行識別。斷絲缺陷檢測結果如圖7 所示，可看出3 種方法均能識別斷絲缺陷。

斷絲檢測定位結果見表2，鋼絲繩2 處斷絲的實際位置分別為10.56 m 和11.12 m。可看出文獻[9]方法的檢測誤差分別為3.60%，3.87%，文獻[11]方法的檢測誤差分別為2.56%，3.06%，本文方法的檢測誤差分別為1.61%，1.35%，可見，本文方法對斷絲缺陷的檢測精度更高。

表面磨損缺陷檢測結果如圖8 所示，可看出只有本文方法能識別全部磨損缺陷。

磨損檢測定位結果見表3，鋼絲繩4 處磨損的實際位置分別是5.75，6.11，6.62，6.79 m。可看出文獻[9]方法識別出2 處磨損，檢測誤差分別為5.91%，4.68%，文獻[11]方法同樣識別出2 處磨損，檢測誤差分別為4.35%，3.78%，本文方法識別出4 處磨損，檢測誤差分別為2.43%，3.44%，2.11%，3.39%，說明本文方法具有更強的適應性，識別準確率更高。

4 現場實施效果

淮河能源控股集團顧北煤礦主井東車提升運輸區域原有一套鋼絲繩安全監測系統。原系統由首繩檢測子系統和尾繩檢測子系統2 個部分組成，在車房二樓滾筒驗繩點位置裝有首繩檢測裝置，用于監測提升機的首繩狀態，在井底?623 m 尾繩擋梁位置裝有尾繩檢測裝置，用于監測提升機的尾繩狀態。原系統可檢測提升機首繩斷絲、損傷、變形、銹蝕等外觀缺陷，但相機采用多點固定位安裝方式，圖像采集質量受限，部署和維護難度大，易受環境因素影響，其對首繩鋼絲繩斷絲檢測準確率為80%～85%，損傷定位誤差為400～500 mm，損傷定位準確率為75%～80%。原系統可實時監測尾繩運行軌跡，識別尾繩擺動異常，但易受井下粉塵、光照不均、高光反射等影響， 其對尾繩鋼絲繩損傷實時檢出率為76%～82%，尾繩畸變檢出率為70%～76%?？煽闯?，原系統的檢測精度已無法滿足現場需求。

為解決上述問題，采用本文方法分別對原系統的圖像采集單元、圖像預處理、缺陷檢測部分進行改進，效果見表4?？梢姼倪M后的鋼絲繩斷絲檢測準確率（即斷絲缺陷被檢測出的概率）提高了16%，損傷定位誤差減小了200 mm，損傷定位準確率提升了23%，損傷實時檢出率提高了14%，尾繩畸變檢出率提升了15%。

5 結論

1） 融合計算機視覺和深度學習技術，提出了一種鋼絲繩外觀缺陷視覺識別方法，設計了礦井提升機鋼絲繩外觀缺陷在線檢測系統，實現多點位的首繩、尾繩狀態實時檢測。

2） 基于Retinex 算法（SSR， MSR， MSRCR，AutoMSRCR， MSRCP） 和同態濾波算法（指數濾波器、高斯濾波器）對鋼絲繩圖像進行去噪處理，有效提高圖像質量。

3） 現場實施結果表明，所提方法的斷絲檢測準確率、損傷定位誤差、損傷定位準確率、損傷實時檢出率、尾繩畸變檢出率均有所提升。

4） 深度學習模型以大數據作為支撐，隨著現場圖像數據的不斷累積，鋼絲繩缺陷識別模型和算法也需迭代更新，才能有效提高對煤礦復雜場景的識別能力。

參考文獻（References）：

[ 1 ]朱真才，李翔，沈剛，等. 雙繩纏繞式煤礦深井提升系統鋼絲繩張力主動控制方法[J]. 煤炭學報， 2020，45（1）：464-473.

ZHU Zhencai， LI Xiang， SHEN Gang， et al. Wire ropetension active control of double-rope winding deep wellhoisting systems[J]. Journal of China Coal Society，2020，45（1）：464-473.

[ 2 ]李騰宇，寇子明，吳娟，等. 超千米深井提升機可視化監測系統應用[J]. 煤炭學報， 2020， 45（增刊2） ：1069-1078.

LI Tengyu， KOU Ziming， WU Juan， et al. Monitoringsystem of the hoist in the over kilometer deep shaft[J].Journal of China Coal Society， 2020， 45（S2） ：1069-1078.

[ 3 ]王紅堯，田劼，張艷林，等. 礦用鋼絲繩在線監測教學實驗裝置關鍵技術[J]. 煤礦安全， 2021， 52（6） ：177-182.

WANG Hongyao，TIAN Jie，ZHANG Yanlin，et al. Keytechnologies of teaching experimental device for on line inspection of mining wire rope[J]. Safety in CoalMines，2021，52（6）：177-182.

[ 4 ]ZHANG Guoyang， TANG Zhaohui， FAN Ying， et al.Steel wire rope surface defect detection based onsegmentation template and spatiotemporal gray sampleset[J]. Sensors， 2021， 21（16） . DOI： 10.3390/s21165401.

[ 5 ]ZHOU Ping， ZHOU Gongbo， HE Zhenzhi， et al. Anovel texture-based damage detection method for wireropes[J]. Measurement， 2019， 148（12） . DOI： 10.1016/j.measurement.2019.106954.

[ 6 ]劉鈺，康愛國，李良輝，等. 基于TMR 傳感器的礦用鋼絲繩斷絲缺陷檢測系統[J]. 煤礦安全，2019，50（5）：122-125.

LIU Yu，KANG Aiguo，LI Lianghui，et al. Broken wiredefect detection system in mine wire rope based on TMRsensor[J]. Safety in Coal Mines，2019，50（5）：122-125.

[ 7 ]田劼，田壯，郭紅飛，等. 礦用鋼絲繩損傷檢測磁通回路優化設計[J]. 工礦自動化，2022，48（3）：118-122.

TIAN Jie， TIAN Zhuang， GUO Hongfei， et al.Optimization design of magnetic flux circuit for minewire rope damage detection[J]. Journal of MineAutomation，2022，48（3）：118-122.

[ 8 ]葉輝，喬鐵柱. 礦用鋼絲繩在線檢測系統[J]. 煤礦安全，2018，49（8）：131-134.

YE Hui， QIAO Tiezhu. Research on on-line detectionsystem of mine wire rope[J]. Safety in Coal Mines，2018，49（8）：131-134.

[ 9 ]李金華，夏黎明. 圖像識別技術在礦用鋼絲繩檢測中的應用[J]. 山西焦煤科技，2022，46（4）：16-18，21.

LI Jinhua， XIA Liming. Application of imagerecognition technology in mining wire rope detection[J].Shanxi Coking Coal Science amp; Technology， 2022，46（4）：16-18，21.

[10]姜泓宇，董增壽，賀之靖. 基于機器視覺的鋼絲繩表面缺陷檢測[J]. 太原科技大學學報，2023，44（5）：434-439，446.

JIANG Hongyu，DONG Zengshou，HE Zhijing. Surfacedefect detection of wire rope based on feature fusion andIWOA-SVM[J]. Journal of Taiyuan University ofScience and Technology，2023，44（5）：434-439，446.

[11]劉曉磊，吳國群，闞哲. 基于深度學習的煤礦鋼絲繩缺損檢測方法研究[J]. 煤炭工程， 2023， 55（11） ：148-153.

LIU Xiaolei， WU Guoqun， KAN Zhe. Research ondefect detection method of coal mine wire rope based ondeep learning[J]. Coal Engineering， 2023， 55（11） ：148-153.

[12]吳東，張寶金，劉偉新，等. 強噪聲背景下鋼絲繩損傷信號降噪方法[J]. 工礦自動化，2022，48（1）：58-63.

WU Dong， ZHANG Baojin， LIU Weixin， et al. Noisereduction method for wire rope damage signal understrong noise background[J]. Industry and MineAutomation，2022，48（1）：58-63.

[13]阮順領，劉丹洋，白寶軍，等. 基于自適應MSRCP 算法的煤礦井下圖像增強方法[J]. 礦業研究與開發，2021，41（11）：186-192.

RUAN Shunling， LIU Danyang， BAI Baojun， et al.Image enhancement method for underground coal minebased on the adaptive MSRCP algorithm[J]. MiningResearch and Development，2021，41（11）：186-192.

[14]朱海平. 礦井提升鋼絲繩表面損傷在線視覺檢測系統研究[D]. 徐州：中國礦業大學，2023.

ZHU Haiping. Research on online visual detectionsystem for surface damage of mine hoisting wirerope[D]. Xuzhou： China University of Mining andTechnology，2023.

[15]郭永坤，朱彥陳，劉莉萍，等. 空頻域圖像增強方法研究綜述[J]. 計算機工程與應用，2022，58（11）：23-32.

GUO Yongkun， ZHU Yanchen， LIU Liping， et al.Research review of space-frequency domain imageenhancement methods[J]. Computer Engineering andApplications，2022，58（11）：23-32.

[16]BHATT P M， MALHAN R K， RAJENDRAN P， et al.Image-based surface defect detection using deeplearning[J]. Journal of Computing and InformationScience in Engineering，2021，21（4）：1-23.

[17]HUANG Xinyuan，LIU Zhiliang，ZHANG Xiuyu，et al.Surface damage detection for steel wire ropes using deeplearning and computer vision techniques[J].Measurement， 2020， 161（12） . DOI： 10.1016/j.measurement.2020.107843.

[18]李鑫. 基于機器視覺的鋼絲繩直徑在線檢測方法研究[D] . 西安：西安石油大學，2023.

LI Xin. Research on online inspection method of wirerope diameter based on machine vision[D]. Xi'an：Xi'anShiyou University，2023.

[19]LIU Shiwei， SUN Yanhua， KANG Yihua. A novel eexponentialstochastic resonance model and weak signaldetection method for steel wire rope[J]. IEEETransactions on Industrial Electronics， 2022， 69（7） ：7428-7440.

[20]趙文，薛濤，凡成華，等. 礦井提升機鋼絲繩損傷在線檢測方法研究[J]. 礦山機械，2022，50（6）：22-26.

ZHAO Wen，XUE Tao，FAN Chenghua，et al. Researchon online detection method for damage of wire rope ofmine hoist[J]. Mining amp; Processing Equipment， 2022，50（6）：22-26.

[21]LIU Shiwei， CHEN Muchao. Wire rope defectrecognition method based on MFL signal analysis and1D-CNNs[J]. Sensors， 2023， 23（7） . DOI： 10.3390/s23073366.

[22]CHANG X D，PENG Y X，ZHU Z C，et al. Tribologicalbehavior and mechanical properties of transmission wirerope bending over sheaves under different slidingconditions[J]. Wear， 2023（514/515） . DOI： 10.1016/j.wear.2022.204582.

基金項目：安徽省自然科學基金項目（1808085QE130）。