一种基于漏磁图像目标检测的钢丝绳缺陷辨识方法

技术领域

本发明属于钢丝绳无损检测技术领域，更为具体地讲，涉及一种基于漏磁图像目标检测的钢丝绳缺陷辨识方法。

背景技术

钢丝绳作为最常见的承重材料之一，在日常有广泛的应用，例如在采矿业中用于牵引物体或者在航空母舰中用作拦阻索。钢丝绳的结构稳定性直接关系到系统的安全性和可靠性。然而，由于工作条件复杂，钢丝绳的表面经常会与其他设备发生碰撞，这可能会在其表面产生局部缺陷，进而可能导致钢丝绳在使用过程中出现断股或者短绳事故，从而危及人员的生命安全。因此，一个可靠的准确性高的钢丝绳缺陷检测技术是十分有必要的。

传统的人工肉眼识别缺陷法囿于效率低、难度高、人力成本高等问题难以得到广泛应用。而电磁法、声学法和电感法等无损检测技术不断被提出，并且广泛运用与工业场景中的钢丝绳缺陷检测。在钢丝绳的几种无损检测技术中，基于漏磁通量的检测方法是目前最有前途也是最常见的一种方法。

近年来，随着计算机性能的逐步提高，基于计算机视觉的图像检测钢丝绳缺陷法逐渐受到较多的关注。传统的计算机视觉算法通常包含降噪和定位两个步骤。现有的降噪算法在处理噪声扭曲失真或者互相混叠等较为复杂的情况时，存在降噪效果不佳，算法灵活度不够等问题。同时，现有定位算法的智能化程度低，往往需要人工干预，这使得基于传统计算机视觉的图像检测技术存在效率较低，鲁棒性较差的问题。

发明内容

本发明的目的在于克服现有技术的不足，提供一种钢丝绳漏磁图像处理技术，通过使用YOLOv5目标检测模型对钢丝绳漏磁图像进行缺陷检测和定位。

为实现上述发明目的，本发明一种基于漏磁图像目标检测的钢丝绳缺陷辨识方法，其特征在于，包括以下步骤：

S1、采集漏磁信号；

利用

S2、漏磁信号预处理；

1）、对每一路漏磁信号进行去趋势处理；

利用移动平均滤波器从每一路上对漏磁信号

（1）

2）、利用样条插值法将所有去趋势后的漏磁信号

通过样条插值法对每一采样时刻的

3）、对漏磁图像

将漏磁图像

（2）

S3、利用YOLOv5模型进行缺陷检测；

1）、输入数据集图片；

将

2）、通过模型的骨干网络进行特征提取；

输入的图片经由YOLOv5模型的骨干网络模块（包括Conv、CSP/C3和SPPF模块）进行特征提取；其中Conv模块确保输入的特征提取和转换，同时增强可输出性，CSP模块会使输入的特征图经过三个卷积层，以增加网络深度和感受野，而SPPF是一个汇集模块，可以将输入的特征图汇集成多个不同大小的特征图，然后，将这些特征图通过全连接层进行连接和维度化，生成固定大小的特征向量；

3）、通过模型的特征金字塔实现路径聚合；

特征提取结果在模型的特征金字塔部分中，通过使用路径聚合网络（PathAggregation Network，简称PANet）处理不同规模的目标，该网络通过自下而上的路径在不同层次的特征图之间传输信息，同时使用自上而下的路径聚合不同尺度的特征图；

4）、输出预测结果；

经过特征金字塔的数据分别在输出端的三个预测头检测缺陷位置，并利用YOLOv5模型输出端的锚框框定钢丝绳漏磁图像中缺陷位置。

本发明的有益效果是：

一、本发明一种基于漏磁图像目标检测的钢丝绳缺陷辨识方法，先采集漏磁信号，然后通过去趋势和样条差值方式进行预处理并对预处理后的图像进行分块；接着使用YOLOv5模型对其进行检测，其中，先进行模型预处理与模型选择，之后将数据集的图像输入模型的输入端，然后让图像通过模型的骨干网络在特征金字塔部分中，通过使用PANet处理不同规模的目标，再通过使用YOLOv5目标检测模型对钢丝绳漏磁图像进行缺陷检测和定位；

二、本发明一种基于漏磁图像目标检测的钢丝绳缺陷辨识方法，充分利用YOLOv5模型目标检测的特性，通过插值将漏磁信号转换为二维图像进行数据预处理，应用神经网络对图像进行特征提取，提高了缺陷定位的精度。

附图说明

图1是本发明一种基于漏磁图像目标检测的钢丝绳缺陷辨识方法流程图；

图2是漏磁信号图像化过程示意图；

图3是YOLOv5模型结构图；

图4是输入特征图像对比图；

图5是检测精度效果图。

具体实施方式

实施例1：图1是本发明一种基于漏磁图像目标检测的钢丝绳缺陷辨识方法流程图。

在本实施例中，如图1所示，本发明一种基于漏磁图像目标检测的钢丝绳缺陷辨识方法，包括以下步骤：

S1、采集漏磁信号；

利用

S2、漏磁信号预处理；

1）、对每一路漏磁信号进行去趋势处理；

利用移动平均滤波器从每一路上对漏磁信号

（1）

2）、利用样条插值法将所有去趋势后的漏磁信号

通过样条插值法对每一采样时刻的

在本实施例中，图2（a）表示原始信号，图2（b）表示趋势信号，通过原始信号与趋势信号相减，可以得到去趋势后的信号，也就是图2（c）所示信号；

3）、对漏磁图像

将漏磁图像

在本实施例中，根据去趋势后的信号进行图像化处理，图2（d）表示插值前的图像，而图2（e）表示了将16路信号插值，形成200路漏磁信号后的图像；

S3、利用YOLOv5模型进行缺陷检测；

1）、输入数据集图片；将

2）、通过模型的骨干网络进行特征提取；

将输入端输出的图片输入到YOLOv5模型的骨干网络模块（包括Conv、CSP/C3和SPPF模块）进行特征提取；

3）、通过模型的特征金字塔增加网络深度和感受野；

特征提取结果在模型的特征金字塔部分中，通过使用PANet处理不同规模的目标；

4）、输出预测结果；

经过特征金字塔的数据分别在输出端的三个预测头检测缺陷位置，并利用YOLOv5模型输出端的锚框框定钢丝绳漏磁图像中缺陷位置；

在本实施例中，图3表示了YOLOv5模型的结构，左侧部分展示了数据集图片进入模型的输入端并进行预处理的过程，中间部分展示了输入端输出的图片进入模型的骨干网络和特征金字塔模块的过程，右侧部分展示了数据通过输出端的三个预测头输出的过程；

图4展示了输入网络的数据集，其中，图4（a）是噪声较少的漏磁图像，而图4（b）是噪声较多的漏磁图像；

图5是部分测试图像的检测结果，其中对比了三种方法：图5（a）使用了传统去噪方法与恒定阈值二值化法相结合，图5（b）使用了传统去噪方法与自适应阈值二值化法相结合，图5（c）使用了YOLOv5模型，图5（a）和（b）相比于图5（c），其中图5（a）和（b）的错误缺陷检测数量依次下降，在图5（c）中不存在，而图5（c）中放大的点代表检测并定位出的正确缺陷检测结果。

工作原理：先采集漏磁信号，然后通过去趋势和样条差值方式进行预处理并对预处理后的图像进行分块；接着使用YOLOv5模型对其进行检测，其中，先进行模型预处理与模型选择，之后将数据集的图像输入模型的输入端，然后让图像通过模型的骨干网络在特征金字塔部分中，通过使用PANet处理不同规模的目标，经过特征金字塔的数据分别在输出端的三个预测头检测缺陷位置，再通过使用YOLOv5目标检测模型对钢丝绳漏磁图像进行缺陷检测和定位。

尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。