基于動態自適應的電梯鋼帶典型故障檢測算法

DOI：10.16652/j.issn.1004-373x.2025.16.026

中圖分類號：TN919-34；TP391 文獻標識碼：A 文章編號：1004-373X（2025）16-0161-06

Dynamicself-adaptiveelevatorsteelbelttypical faultdetectionalgorithm

ZHOUZecheng1，LIChen1，XUFeng2，ZHANGCai3，HUANGKanfei2 （1.CollegeofEnergy，Environmentand Safety Engineering，ChinaJiliangUniversity，Hangzhou 31o8，China; 2.ZhejiangAcademyofSpecialEquipment Science，Hangzhou 31ooo9，China; 3.Wenzhou Special Equipment Inspectionamp; Science Research Institute，Wenzhou 325oo1，China）

Abstract：Inalusion totheproblems ofpoorreal-timedetection，lowaccuracyandcomplex processintraditional elevator stlbeltypicalfaults，nlevatorstelbelttypcalfaultetetionalgoribsedonamicself-adapation，DOis proposed.ThedeformableconvolutionDCNv2isusedtoreplacetraditionalconvolutionlayers，soastobeteradapttovariations inshapesand structuresoffaults.Themulti-scalelarge kernel separable （MLKS）moduleisconstructedtoenhancethe model's adaptabilitytodiferentfeaturescalesandspatialvariations.Adual-pathchannelatention（DPCA）mechanismisproposedto strengthenthemodel'scapabilityinfeatureperception，extraction，andfusiononthechaneldimension.Adynamicshared alignment（DSA）detection headisdesigned tooptimizethe independence，irelevance，and featureconflictisuesduring localizationandclassificationtasks.Theexperimentalresultsshowthat，ontheelevatorsteelbelttypicalfaultdatasets，DSMAYOLO can increase mAP@0.5and mAP@0.5～0.95by4.4%and10.1%respectively compared with the baselinealgorithm YOLOv8n，whichisbeterthanothercomparativeobjectdetectionalgorithm，andcanmet thereal-timerequirementsfor elevatorsteel belt typical fault detection，providing references for elevator fault diagnosis methods and applications.

Keywords：elevatorsteelbelt;faultdetection；dynamicself-adaption;YOLOv8n;deformableconvolution;dual-chael attention mechanism; feature sharing

0 引言

隨著社會經濟水平和城市化進程的迅速發展，電梯已成為人們必不可少的垂直交通工具，同時人們對于電梯的安全性和舒適性的要求日益增加，因此新材料、新工藝、新技術也逐漸在電梯制造、設計、運維中開展應用。其中，鋼帶作為電梯的核心零部件，承擔著電梯關鍵的承重和驅動任務。鋼帶雖然相較于傳統的鋼絲繩具有諸多顯著優勢，但是在長時間服役過程中仍存在一些不足，包括電梯鋼帶磨損裸露、鼠嚙破損和橫向裂紋等問題，會對電梯使用安全造成巨大威脅。目前，電梯鋼帶典型故障的檢測方法主要以人工自測法為主，但是該方法存在較多不足，如嚴重耗費人力、無法實時檢測以及有較高檢測誤差等。而在工業領域所應用的電梯鋼帶無損檢測技術，如基于金屬材料的電磁檢測技術、壽命預測值法、電阻檢測法等[2]，都普遍存在操作復雜和檢測實時性低等問題。

近年來，基于深度學習的目標檢測技術在相關領域取得了顯著進展。文獻[4]提出了一種改進的YOLOv8-t模型，通過使用FasterNetBlock和Slim-Neck結構進行相關結構優化，并使用自研檢測頭Detect-G和基于跨空間多尺度的注意力機制，顯著提升了PCB小目標缺陷檢測的精度和效率，同時實現了模型輕量化。文獻[5]為解決絕緣子小目標特征不足導致的檢測精度低和模型體積大的問題，提出了MPH-YOLO算法，通過多尺度檢測、SIoU損失函數和Ghost卷積技術實現了檢測精度和模型輕量化的雙重提升。文獻[6]針對工廠中行人檢測算法精度不足和存在誤檢、漏檢等問題，提出了一種基于改進YOLOv8的工廠行人檢測算法，通過在YOLOv8中集成CBAM和CoordConv模塊，并采用Inner-IoU損失函數，實現了對遮擋和小目標更好的檢測及更高的定位精度。文獻[7]提出了一種結合雙向特征金字塔網絡、Ghostblockv2結構、WiseIoU損失函數以及動態非單調聚焦機制的算法，有效解決了無人機多目標探測中的小目標誤檢、漏檢和長距離特征傳輸信息丟失的問題。文獻[8]通過引人C3Ghost卷積模塊、全局關注機制模塊、DCNv2、特征上采樣算子以及多注意檢測頭，提出了一種基于多關注機制YOLOv8的軸承表面缺陷檢測方法，解決了傳統方法漏檢率高、特征融合不足和模型過大的問題。

為應對電梯鋼帶典型故障檢測時所面臨的形狀結構復雜性、多尺度表征和特征提取能力不足，以及目標任務定位與分類任務的特征沖突等問題，本文提出一種針對電梯鋼帶典型故障的實時檢測算法DSMA-YOLO，主要的貢獻有：

1）采用可變形卷積DCNv2，解決電梯鋼帶典型故障特征圖形狀結構復雜的問題；2）構造多尺度大核分離（Multi-ScaleLargeKernelSeparable，MLKS）模塊，解決原模型多尺度表征能力不足的問題；3）提出雙通道注意力（DualPathChannelAttention，DPCA）機制，解決模型在通道維度上的感知能力和特征提取能力不足的問題；4）設計動態共享對齊（Dynamic ShareAlignment，DSA）檢測頭，解決電梯鋼帶典型故障特征在定位和分類任務中存在的獨立性、無關性以及特征沖突問題。

1 YOLOv8算法

YOLOv8算法是YOLO系列中的最新改進算法，相較于目前使用較為普遍的YOLOv5算法[]，在檢測精度和速度方面都提升顯著。YOLOv8算法采用C2f模塊結合高級特征與上下文信息，增強梯度流；同時，使用主流解耦頭結構減少參數和計算復雜度，并采用無錨框檢測提升模型的泛化性和魯棒性。此外，正樣本選擇基于分類和回歸分數加權，分類分支利用二元交叉熵損失，回歸分支結合焦點損失和完全交并比損失，提高邊界框預測的準確性。

2 DSMA-YOLO算法

為了保證電梯鋼帶典型故障檢測算法的實時性和模型大小的可控性，本文選取YOLOv8n算法作為基準模型，提出了電梯鋼帶典型故障檢測算法DSMA-YOLO，其整體網絡結構圖如圖1所示。

圖1DSMA-YOLO網絡模型結構圖

2.1可變形卷積DNCv2模塊傳統卷積在電梯鋼帶典型故障特征提取過程中，其采樣位置受限于固定的矩形框架，使得感受野無法充分覆蓋電梯鋼帶失效特征圖中的不規則幾何形狀區域，導致這些區域的特征無法被充分提取，從而降低了模型的檢測能力。本文采用可變形卷積 DCNv2 ，引入了一種更靈活的卷積核，通過在卷積操作中引人偏移量，使卷積核在空間上進行自適應的動態調整，捕捉不同目標的幾何變化，進而更好地適應電梯鋼帶典型故障的形變和復雜結構。C2f-DCNv2結構示意圖如圖2所示。

圖2C2f-DCNv2結構示意圖

2.2 多尺度大核分離模塊

傳統的注意力機制，如自注意力（SelfAttention）以及大核卷積核注意力（LargeKernelAttention）機制[12均存在一定不足。其中，自注意力機制雖具有長程依賴性，但忽略了圖像二維結構，可能導致信息失真；而大核卷積核注意力機制雖考慮了二維結構，但其計算復雜度高會影響模型效率。因此，本文基于空間金字塔池化（SpatialPyramidPooling）模塊，引人大型可分離核注意力（LargeSeparableKernelAttention，LSKA）機制[3]構造MLKS模塊，在特征融合過程中更加強調跨尺度特征，能夠聚焦于更多有效的電梯鋼帶典型故障特征信息，并加強特征融合效果，提升檢測精度。MLKS模塊網絡結構圖如圖3所示。

圖3MLKS模塊網絡結構圖

2.3雙通道注意力機制

傳統的通道注意力機制在提升網絡性能和參數效率方面表現優異，但仍存在計算復雜度高、特征信息不完整以及適應性不足等問題。針對上述缺點，本文基于雙注意力網絡的思想14提出了一種DPCA機制，結構如圖4所示。

圖4DPCA機制結構示意圖

DPCA機制的主要流程如下。

1）雙路特征提取。輸入電梯鋼帶故障特征圖X∈R^H×W×C ，通過兩個獨立通道處理：第一通道進行 3× 3常規卷積，第二通道采用 5×5 分組卷積（GroupedConvolution）。然后，分別進行批量歸一化和高斯誤差線性單元處理，以增強模型的穩健性和特征稀疏表示能力。最后，將所有輸出特征圖拼接為最終特征圖Y。

2）雙路卷積拼接和分離操作。將兩個通道的輸出特征圖拼接后，進行 3×3 卷積；然后，采用Split策略沿通道維度將融合特征圖拆分為 X₁ 和 X₂ ，保留整體特征結構以便于后續處理;最后，將 X_i 與 X₂ 再次拼接融合，形成更豐富且多層次的特征圖。

2.4動態共享對齊檢測頭

為了解決電梯鋼帶典型故障檢測在分類和定位時存在的特征沖突問題，并進一步提升模型的關鍵性能，本文在YOLOv8n算法的頭部網絡結構中引入DSA檢測頭，結構如圖5所示。

圖5DSA檢測頭結構示意圖

DSA檢測頭運行的主要流程如下。

1）輸入特征圖經過兩次遞歸門控卷積（RecursiveGateConvolution）和組歸一化處理，形成電梯鋼帶故障特征映射，并進行拼接。

2）對合并特征圖進行分割：一部分生成掩碼和偏移量，作為DCNv2模塊動態過濾的基礎；另一部分通過兩個任務分解（TaskDecomposition）模塊[15]，生成多個子任務特征，一部分由DCNv2處理，另一部分經過ReLU和Sigmoid激活后與其他特征圖相乘，實現信息融合并提升辨別力。

3）DCNv2自適應調整濾波器位置，捕捉復雜特征變化，處理后的特征送入獨立卷積層進行回歸預測，生成3個回歸輸出。同時，通過將ReLU和Sigmoid激活后的特征圖與TD模塊產生的特征圖相乘，生成3個分類結果。

3 實驗與結果分析

3.1實驗環境和數據集

實驗環境使用LinuxUbuntu操作系統，顯卡型號為NVIDIAGeForceRTX4090D，24GB顯存，處理器為AMDEPYC9754128-CoreProcessor，18核，深度學習框架為PyTorch2.0.0，GPU加速庫為CUDA11.8，編程語言為Python3.8.19，開發者使用的集成開發環境（IDE）是VisualStudioCode。訓練時，輸入圖像尺寸為 640× 640，每個模型訓練周期為150輪，Batch-size為32，工作線程數為16，使用SGD優化器，學習率設定為0.001。

本研究實驗數據集采用省某特種設備檢測機構詳細記錄的3類電梯鋼帶典型故障：磨損裸露、鼠嚙破損以及橫向裂紋，共有5357張圖像，并按7：1：2的比例劃分為訓練集、驗證集和測試集。

3.2 評價指標

為了評估本文所提算法的有效性，選取精確率 P /召回率 R ，以及平均精度均值mAP中的 mAP@0.5 和nAP@0.5～0.95 作為模型對多個目標類別綜合檢測性能評價的指標。同時，為了衡量本文算法模型的復雜程度和檢測速度，加人每秒的推理速度FPS（FramesPerSecond）、每秒10億次的浮點運算次數（GFLOPs）、模型大?。∕odelsize）和參數量（Parameter）作為評價指標。

3.3 消融實驗

為驗證本文算法中各項改進模塊的有效性，以原YOLOv8n為基準模型，采用 /FPS、GFLOPs、模型大小以及模型參數量作為評價指標，對多個改進模塊的不同組合進行消融實驗，結果如表1所示。根據消融實驗結果可知：本文改進后的DSMA-YOLO相比較于原YOLOv8n基準模型，雖然在模型大小、參數量、FPS以及GFLOPs上有一定程度的削弱，但平均精度均值 mAP@0.5 和 mAP@0.5～0.95 分別提高了4.4% 和 10.1% ，充分表明了DSMA-YOLO的有效性。

表1消融實驗結果

3.4對比實驗

為進一步驗證本文算法的優越性，在相同的條件下，將DSMA-YOLO與當前熱門的檢測模型進行對比實驗，結果如表2所示。

根據對比實驗結果可知：本文提出的DSMA-YOLO模型與現有的其他主流模型相比，多個指標都具有優越性。同時，DSMA-YOLO與同類的YOLOv8s和YOLOv10s算法相比，在模型大小、參數量和GFLOPs上都有略微提升，但沒有高于YOLOv8s算法；其 mAP@0.5 和 mAP（a） 0.5～0.95明顯高于YOL0系列算法。

表2對比實驗結果

3.5 檢測結果可視化分析

根據消融實驗和對比實驗的結果，本文選取基準模型 ΥOLOv8n 和DSMA-YOLO進行電梯鋼帶3種典型故障檢測結果的可視化對比，包括磨損裸露、鼠嚙破損和橫向裂紋，如圖6所示。根據檢測的可視化結果可知：DSMA-YOLO算法的檢測置信度在磨損裸露檢測中由0.82提高至0.94，增幅 14.6% ；在鼠嚙破損檢測中雖然增幅不顯著，但是成功消除了漏檢問題；在橫向裂紋檢測中，第一條裂紋從0.66提升至0.77，第二條裂紋從0.69提升至0.81，增幅分別為 16.7% 和 17.4% 。

圖6檢測結果可視化對比圖

綜上所述，DSMA-YOLO算法不僅提升了檢測效率，還有效降低了誤檢與漏檢現象，其檢測置信度的提升與故障判斷的準確性均優于對比實驗中的YOLOv8n算法。

4結語

針對傳統電梯鋼帶典型故障檢測實時性差、精度低和流程復雜的問題，本文基于YOLOv8n模型，提出了一種基于動態自適應的電梯鋼帶典型故障檢測算法DSMA-YOLO。首先，采用可變形卷積DCNv2替換傳統卷積層，更好地適應故障的形狀和結構變化；其次，構造多尺度大核分離（MLKS）模塊，增強模型對不同特征尺度和空間變化的自適應能力；然后，提出一種雙通道注意力（DPCA）機制，強化模型在通道維度上的特征感知、提取和融合能力；最后，設計動態共享對齊（DSA）檢測頭，優化定位和分類任務中的特征獨立性、特征無關性及特征間沖突問題。實驗結果證明：改進后的算法平均精度均值達到了 90.2% ，并保證了檢測實時性；同時，在各方面均優于當前主流 ΥOLOv8n 目標檢測模型，為電梯故障檢測方法及應用提供了參考。

未來的研究重點除了豐富電梯鋼帶典型故障的數據集之外，還需要優化模型體積，以輕量化為目標，將模型部署在資源受限的邊緣端設備中。

注：本文通訊作者為李琛。

參考文獻

[1]王金釗.電梯電引鋼帶的檢驗分析[J].中國設備工程，2023 （4）：147-149.

[2]鄭瑞.基于機器視覺的電梯鋼帶表面損傷檢測研究[D].徐州： 中國礦業大學，2022.

[3]曹家樂，李亞利，孫漢卿，等.基于深度學習的視覺目標檢測技 術綜述[J].中國圖象圖形學報，2022（6）：27.

[4]張淑卿，孟昊，葛超.改進YOLOv8n的輕量級PCB缺陷檢測算 法[J].現代電子技術，2024，47（15）：115-121.

[5]文思予，張上，張朝陽，等.基于改進YOLOv8s的多尺度檢測 算法[J].現代電子技術，2024，47（15）：133-138.

[6]陳思涵，劉勇，何祥.基于改進YOLOv8的工廠行人檢測算法 [J].現代電子技術，2024，47（24）：160-166.

[7]LIYT，FANQS，HUANGHS，etal.AmodifiedYOLOv8 detection network for UAV aerial image recognition [J].Drones， 2023，7（5）：1-26.

[8]DINGPC，ZHANHF，YUJH，etal.Abearingsurfacedefect detection method based on multi-attention mechanism Yolov8 [J].Measurement science and technology，2024，35（8）：75402- 75410.

[9] ZHU X，HUH，LINS，et al.Deformable ConvNets V2：more deformable，better results [C]//2019 IEEE/CVF Conference on Computer Vision and Pattern Recognition.[S.l.]：IEEE，2020： 9300-9308.

[10]JOCHERG，NISHIMURA K，MINEEVA T，et al.YOLOv8 [EB/OL].[2023-05-04]. https：//github.com/ultralytics/ultralytics/ tags.

[11]JOCHERG，NISHIMURA K，MINEEVA T，etal.YOLOv5 （minor version6.2）[EB/OL].[2023-05-04]. https：//github.com/ ultralytics/yolov5/releases/tag/v6.2.

[12]GUO MH，LUCZ，LIUZN，etal.Visual attention network [J].Computational visual media，2023，9（4）：733-752.

[13]LAU K W，PO L M，REHMAN Y.Large separable kernel attention：rethinking the large kernel attention design in CNN [J].Expert systems with applications，2024，14（8）：1-16.

[14]FUJ，LIUJ，TIANH，etal.Dual attentionnetwork for scene segmentation [C]//2O19 IEEE/CVF Conference on Computer Visionand Pattern Recognition.LongBeach，CA，USA：IEEE， 2020：3141-3149.

[15]FENGCJ，ZHONGYJ，GAOY，etal.TOOD：task-aligned one- stage object detection [J]. IEEE transactions on pattern analysis and machine intelligence，2021（2）：3490-3499.

作者簡介：周澤丞（1997—），男，紹興人，碩士研究生，研究方向為深度學習、目標檢測。李琛（1984—），男，寧夏銀川人，博士研究生，博士后，副教授，研究方向為深度學習、大尺寸晶體基片自適應超精密加工方法。