一种电梯曳引、钢丝绳滑移量及缺陷的检测方法

技术领域

本发明涉及电梯测量技术领域，具体涉及一种电梯曳引、钢丝绳滑移量及缺陷的检测方法。

背景技术

随着我国的经济不断发展，高楼大厦越来越多，电梯也越来越多，已经成为日常生活中不可或缺的重要运输工具。据相关部门统计，2019年全年电梯生产量达到了117.3万台，截至2022年末，中国的电梯保有量已经达到964.46万台，覆盖9.21亿城镇人口。目前我国电梯保有量和年生产量均为世界第一，并将继续保持这一领先趋势。电梯的大量发展，伴随而来也有电梯管理及电梯安全的提升，同时电梯的事故也逐渐增多。

电梯钢丝绳是电梯系统中影响安全的重要部件，钢丝绳的磨损及断股会严重影响到电梯的使用舒适性和安全性。电梯在使用过程中，缠绕在曳引轮上的钢丝绳不断与曳引轮槽发生摩擦，长期使用轮槽处会逐渐磨损，曳引轮与钢丝绳的摩擦减小，导致曳引能力降低。当曳引能力降低到一定程度时，曳引轮与钢丝绳发生打滑，无法正常带动电梯轿厢，如果在运行过程中发生打滑，则会发生安全事故。此外，制动闸瓦每次制动时与制动轮发生摩擦，使闸瓦磨损而造成制动能力下降，发生制动轮打滑，也会发生安全事故。

因此GB8903-2005《电梯用钢丝绳》对曳引钢丝绳的结构和技术指标作了推荐性的规定；TSGT7001-2009《电梯监督检验和定期检验规则-曳引与强制驱动电梯》中对钢丝绳报废也做出了规定。

电梯钢丝绳在制动过程中的滑移量是电梯制动系统与电梯曳引系统综合作用的结果。电梯制动过程中，制动轮相对于制动闸瓦的滑移量加上钢丝绳相对于曳引轮的滑移量等于钢丝绳的总滑移量(制动轮和曳引轮可以看作刚性连接)。制动轮相对于制动闸瓦的滑移量代表了电梯的制动能力，电梯制动能力越弱，制动距离越大，导致钢丝绳滑移量增大。钢丝绳相对于曳引轮的滑移量代表曳引能力，曳引能力越弱，钢丝绳在电梯制动过程中与曳引轮发生相对滑动，也会导致滑移量增大。因此，钢丝绳的滑移量，能综合反映电梯的制动能力和曳引能力。

另一方面，电梯使用一定时间后，曳引钢丝绳会出现缺油现象，如果钢丝绳缺油干燥，则容易使钢丝绳生锈，以及与绳轮槽之间产生干摩擦，从而严重磨损绳槽和钢丝绳。

电梯钢丝绳的磨损主要有磨料磨损、腐蚀磨损、疲劳磨损三种形式。新出厂的钢丝绳表面，厂家为了防止钢丝绳在运输、储存过程中生锈，都会在钢丝绳表面涂上工业凡土林油或专用的防护油脂。电梯钢丝绳在运行过程中，由于建筑垃圾、装修粉尘、铁屑容易粘结于钢丝绳上，并与钢丝绳表面的油脂混合，就极其容易形成油垢。油垢含有大量碾碎性磨粒，如沙子、铁粉、石英等，它们是高硬度颗粒，是一种磨料。油垢对钢丝绳造成的磨损就是磨料磨损。油垢不仅破坏油膜，阻碍油脂与钢丝绳的接触，磨料中细小颗粒嵌入钢丝绳内部，当钢丝绳受力伸缩时这些硬颗粒对钢丝起到磨损破坏作用。

由于电梯钢丝绳高速运行，在导向轮之间不断高速弯曲、挤压、使磨粒在钢丝之间摩擦形成集中应力，使钢丝表面产生塑性变形，形成疲劳磨损。另外，油垢由于龟裂还起到吸水作用使钢丝锈蚀，油垢中的酸性物质促进钢丝绳生锈，对钢丝绳产生酸性腐蚀，形成腐蚀磨损。如装修粉尘吸附到钢丝绳表面后，在绳芯润滑油的作用下，形成油垢，随着电梯的不断运行，各种磨料进入钢丝绳各个股间和绳芯，油垢磨料对钢丝绳的磨损，从而伴随着锈蚀，只要有锈蚀的钢丝绳也就伴随着磨损，钢丝绳出现锈蚀后，力学性能降低，钢丝表面形成麻坑，钢丝直径变细或绳股外层钢丝松动、股间松动，以致发生脆性断裂。

目前已有一些检测电梯制动距离和缺陷的方法：

直观目测：目测检测是电梯检测过程中最直接的检测方法，十分简单，它能够对电梯出现的比较明显的问题进行检测，但无法检测出电梯钢丝绳上一些细微缺陷的问题，也缺乏对钢丝绳运行过程的长期监测。在检测过程中，可以通过目测对于电梯的外观、运行状况有一个基本的了解，如果电梯出现故障可以通过目测对出现故障的区域进行大概的判断，以便后续的精细检测。电梯控制器、功能问题等能通过目测大致的判断，能够在一定程度上保证电梯的安全性，但很容易产生误差，存在安全隐患。

利用胶轮和旋转编码器对钢丝绳的移动进行检测，可以得到电梯制动距离：这种方法原理简单，成本较低，容易实现。然而，由于胶轮本身与钢丝绳之间也会发生打滑，且随着使用时间和次数的增加，机械安装容易松动，致使打滑加剧。因此，这种方法不适合对电梯性能进行长期监控。

通过加速度传感器对电梯轿厢运动进行测量：这种方法不仅可以检测出移动量，还能检测出速度、加速度。加速度传感器的成本同样很低，但是该系统的采集和检测部分都安装在电梯轿厢内，如果不对电梯进行改造，很难实现长时间供电和信号传输，也不利于长期实时监测。

发明内容

本发明的目的在于提供一种基于智能图像识别的电梯曳引、钢丝绳滑移量及缺陷的检测方法，该方法将人工智能机器视觉及检测系统引入电梯钢丝绳安全性能检测工作，通过AI算法摄像机的机器视觉及其检测系统，采集电梯制动过程中钢丝绳运动的图像与视频，对电梯钢丝绳缺陷部位图像进行模式识别。

为解决上述问题，本发明所采用的技术方案如下：

一种电梯曳引、钢丝绳滑移量及缺陷的检测方法，该方法应用于一种人工智能机器视觉及检测系统，该系统包括AI算法摄像机、工业路由器、计算机检测系统以及监视器，该方法包括以下步骤：

通过AI算法摄像机采集被测对象的图像视频信息，并将采集到的图像视频信息进行预处理，其中，该图像信息包括电梯钢丝绳的图像视频信息以及电梯制动器制动过程中的图像视频信息；

将预处理后的图像视频数据通过工业路由器转发至计算机检测系统；

使用对比度增强方法对预处理后的图像视频数据进行图像增强处理，使用最大类间方差法对图像增强处理后的图像视频数据进行二值化处理，得到钢丝绳图像的黑白二值图像，再利用Canny算子算法得到钢丝绳图像的边缘图像，获得可供提取缺陷部位特征的钢丝绳边缘图像，运用角点检测原理对该图像进行模式识别，以检测出钢丝绳的缺陷状况，并将检测结果显示在监视器上；

在每次检测到制动停止预设时间后运行区域分割程序，用于重新划分检测带；在每次制动开始时，通过运行滑移量计算程序，根据预处理后的图像视频数据计算整个电梯制动器制动过程中的钢丝绳滑移量，在每次计算滑移量结束后更新检测带，并将计算结果显示在监视器上。

根据本发明提供的一种电梯曳引、钢丝绳滑移量及缺陷的检测方法，在计算钢丝绳滑移量时，对钢丝绳进行检测：

检测出图像视频数据中属于钢丝绳的点的坐标分布，从而划分出一个只包含钢丝绳的区域；

由于钢丝绳纹理图像空间分布的规律性，需统计每个像素点周围区域内灰度的频率直方图，组成一个长度为256的向量，并将该向量与预先采样的区域的灰度分布向量相比较，筛选出钢丝绳所在的区域。

根据本发明提供的一种电梯曳引、钢丝绳滑移量及缺陷的检测方法，在筛选出钢丝绳所在的区域后，进行分割检测带：

先将区域进行梯度阈值过滤，采用霍夫变换检测区域中代表钢丝绳边缘的直线；其中，在划分出的区域中画出检测到的直线钢丝绳组被互相平行的直线分割成孤立的单根钢丝绳；

然后，对检测出的直线进行筛选，通过霍夫变换得到的分割线仍需剔除不符合要求的两类直线：

与正确分割直线不平行的干扰直线；

与正确分割直线平行，但与另一直线距离很近，可以视作同一直线的冗余直线。

根据本发明提供的一种电梯曳引、钢丝绳滑移量及缺陷的检测方法，在剔除不符合要求的两类直线时，霍夫变换返回的是直线到原点的距离ρ和直线与x轴的夹角θ的集合S；

根据前面两类直线的特征，对集合S做一个分割，其中任意两个集合Ai和Aj互斥，霍夫变换的检测结果被分割为若干两两互斥集合(A1，A2，…，Ak)的并集，从这些集合中找出元素数量最多的一个设为Aq，则Aq中的直线即为正确检测的直线，其他集合中的直线全部剔除；

根据本发明提供的一种电梯曳引、钢丝绳滑移量及缺陷的检测方法，在剔除不符合要求的两类直线后，进行分割检测带：

经过筛选后的直线已经可以将钢丝绳按条分割成独立的区域，计算集合Aq中直线的平均角度θq，然后将区域逆时针旋转角度θq，使得检测到的有一定斜率的分割线变成竖直线。其中，Aq中直线的距离从小到大分别为ρq1＜ρq2＜…＜ρqmax，只需要对图像y轴取[ρq1，ρq2]、[ρq2，ρq3]、…、[ρq(max-1)，ρqmax]的区间，每个区间就是一个检测带。

根据本发明提供的一种电梯曳引、钢丝绳滑移量及缺陷的检测方法，在得到若干只包含钢丝绳的检测带后，根据检测带来计算钢丝绳移动量，包括：从检测带中进一步划分检测块，根据检测块计算一个指标值，该指标值经过的周期数和钢丝绳移动的股数相同；

然后根据指标值的变化曲线，计算得到钢丝绳的移动量。

根据本发明提供的一种电梯曳引、钢丝绳滑移量及缺陷的检测方法，检测块划分包括：

将某个检测带表示为I(0：xmax，yi：yi+1)，其中xmax代表I(x，y)的最大x坐标；

设置一个块高h，则该检测带的检测块分别为I(0：h-1，yi：yi+1)、I(1：h，yi：yi+1)、…、I(xmax-h+1:xmax,yi:yi+1)，共xmax-h+2个检测块，若总共有k个检测带，则总共能得到(xmax-h+2)·k个检测块。

根据本发明提供的一种电梯曳引、钢丝绳滑移量及缺陷的检测方法，指标值计算包括：

在计算钢丝绳的移动量之前，需根据每个检测块中的灰度值计算出一个指标值，对视频中每一帧、同一个检测块都能检测出一个指标值，若该指标值随时间波动，则通过统计波动的周期即可检测出钢丝绳在这段时间移动的股数；

具体的，将一个检测块中所有的灰度值沿高度方向求和，得到一个向量，当钢丝绳的绳股中心正好移动到检测块中心时，会在中间坐标处出现一个波峰；当钢丝绳股间隙正好移动到检测块中心时，会在中间坐标处出现一个波谷，因此，统计中间坐标ymid以及ymid-1、ymid+1三点处的均值，作为一个指标值v。

根据本发明提供的一种电梯曳引、钢丝绳滑移量及缺陷的检测方法，在得到指标值v的计算方法后，在时间轴上对每个检测块都可以求出一个v随时间变化的波形图，通过特定算法可以计算出指标值在制动过程中的波动的周期数，即为钢丝绳经过的股数，乘以股间距即为钢丝绳滑移量。

根据本发明提供的一种电梯曳引、钢丝绳滑移量及缺陷的检测方法，AI算法摄像机镜头光轴处于水平面上，根据采样定理，AI算法摄像机的帧率高于钢丝绳的股变化频率的2倍以上，以保证有效测量；

AI算法摄像机的接口标准采用GigE Vision协议，支持为相机分配ip地址，工业路由器通过wifi/网线/4G网络与摄像机相连，在同一个局域网中，工业路由器用于为AI算法摄像机动态分配ip地址并转发数据至计算机检测系统。

由此可见，相对于现有技术，本发明具有以下有益效果：

1、本发明通过图像识别算法综合使用直方图特征和霍夫变换，分割出图像和视频中的钢丝绳部分，然后对钢丝绳图像沿时间轴的变化进行分析，计算得到钢丝绳在制动过程中的滑移量，从而评估电梯的曳引能力。

2、本发明通过AI算法摄像机的机器视觉图像采集系统采集钢丝绳原始图像，由摄像机将图像数据传入检测系统。先用对比度增强的方法对原始图像进行图像增强处理，接着用最大类间方差法进行二值化处理，得到钢丝绳图像的黑白二值图像，再利用Canny算子得到钢丝绳图像的边缘图像，获得可供提取缺陷部位特征的钢丝绳边缘图像，运用角点检测原理对电梯钢丝绳缺陷部位图像进行模式识别，从而检测出钢丝绳的缺陷状况。

下面结合附图和具体实施方式对本发明作进一步详细说明。

附图说明

图1是本发明一种电梯曳引、钢丝绳滑移量及缺陷的检测方法实施例的流程图。

图2是本发明一种电梯曳引、钢丝绳滑移量及缺陷的检测方法实施例中关于人工智能机器视觉及检测系统的原理图。

图3是本发明一种电梯曳引、钢丝绳滑移量及缺陷的检测方法实施例中关于人工智能机器视觉及检测系统的流程原理图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

参见图1至图3，本发明提供一种电梯曳引、钢丝绳滑移量及缺陷的检测方法，该方法应用于应用于一种人工智能机器视觉及检测系统，该系统包括AI算法摄像机、工业路由器、计算机检测系统以及监视器，该方法包括以下步骤：

步骤S1，通过AI算法摄像机采集被测对象的图像视频信息，并将采集到的图像视频信息进行预处理，其中，该图像信息包括电梯钢丝绳的图像视频信息以及电梯制动器制动过程中的图像视频信息；

步骤S2，将预处理后的图像视频数据通过工业路由器转发至计算机检测系统；

步骤S3，使用对比度增强方法对预处理后的图像视频数据进行图像增强处理，使用最大类间方差法对图像增强处理后的图像视频数据进行二值化处理，得到钢丝绳图像的黑白二值图像，再利用Canny算子算法得到钢丝绳图像的边缘图像，获得可供提取缺陷部位特征的钢丝绳边缘图像，运用角点检测原理对该图像进行模式识别，以检测出钢丝绳的缺陷状况，并将检测结果显示在监视器上；

步骤S4，在每次检测到制动停止预设时间后运行区域分割程序，用于重新划分检测带；在每次制动开始时，通过运行滑移量计算程序，根据预处理后的图像视频数据计算整个电梯制动器制动过程中的钢丝绳滑移量，在每次计算滑移量结束后更新检测带，并将计算结果显示在监视器上。

因此，本实施例可以对电梯性能进行长期监测，需要求对各参数的检测技术能保证长期稳定测量。本实施例提出一种基于智能图像识别的电梯制动曳引钢丝绳滑移量及缺陷的检测方法，将人工智能机器视觉及检测系统引入电梯钢丝绳安全性能检测工作，通过AI算法摄像机的机器视觉及其检测系统，采集电梯制动过程中钢丝绳运动的图像与视频，对电梯钢丝绳缺陷部位图像进行模式识别。

具体的，计算机检测系统包括电梯制动器检测模块，由电梯制动器检测模块执行：

将电梯钢丝绳选为被测对象，每次制动过程中，钢丝绳会因为惯性滑移一段距离，而钢丝绳本身的纹理具有周期性，适合用来作为被测对象。在此过程中，AI算法摄像机用于：(1)对电梯钢丝绳图像原始信息的采集；(2)采集电梯制动器制动过程中的图像信息，将输入摄像机镜头的光信号转换为图像矩阵(电信号)，并编码成一定的格式，用于传输。工业路由器负责接收编码的视频数据，并将其转发至计算机检测系统；计算机检测系统用于进行复杂的图像处理、计算；监视器用于输出计算机计算的结果。

在计算机检测系统运行电梯制动器检测模块功能时，实时接收工业路由器转发的图像与视频信息，在电梯制动器检测模块中主要运行两部分程序：区域分割程序和滑移量计算程序：区域分割程序在每次检测到制动停止一段时间后运行，用于重新划分检测带，在每次制动开始时，制动器控制柜给计算机一个制动开始的信号，计算机开始运行滑移量计算程序，计算整个制动过程中的滑移量。通过这种方式，计算机在每次计算滑移量结束后更新检测带，最终计算的结果可显示在监视器上。

在本实施例中，计算机检测系统包括图像识别模块，由图像识别模块执行图像算法的功能：

钢丝绳变形判定：先由机器视觉的图像采集系统采集钢丝绳原始图像，由AI算法摄像机将图像数据传入计算机，先用对比度增强的方法对原始图像进行图像增强处理，接着用最大类间方差法进行二值化处理，得到钢丝绳图像的黑白二值图像，再利用Canny算子得到钢丝绳图像的边缘图像，即可看到明显的断丝。

其中，图像处理过程为：采用图像二值化算法中的最大类间方差法处理图像，获得电梯钢丝绳的黑白二值图像，按图像的灰度特性，将图像分成背景和目标两部分，背景和目标之间的类间方差越大，说明构成图像的两部分的差别越大，当部分目标错分为背景或部分背景错分为目标都会导致两部分差别变小。因此，使类间方差最大的分割意味着错分概率最小。图像的边缘是以图像局部特征不连续的形式出现的，如纹理结构的不连续变化、颜色信息的不连续变化、灰度值的不连续变化等。图像的边缘有幅度和方向两个方向性，通常垂直于图像边缘方向的图像像素的灰度变化相对剧烈，而沿着图像边缘方向的灰度值的变化就较为平缓。

然后，利用Canny算子算法，提取出的边缘图像结构方案和实施方法：图像采集模块采集的钢丝绳原始图像数据传入计算机后，用图像处理的方法获得可供提取缺陷部位特征的钢丝绳边缘图像，运用角点检测原理对电梯钢丝绳缺陷部位图像进行模式识别，即可看到明显的钢丝绳缺陷断股部位所在。

在本实施例中，在计算钢丝绳滑移量时，对钢丝绳进行检测：

检测出图像视频数据中属于钢丝绳的点的坐标分布，从而划分出一个只包含钢丝绳的区域；

由于钢丝绳纹理图像空间分布的规律性，需统计每个像素点周围区域内灰度的频率直方图，组成一个长度为256的向量，并将该向量与预先采样的区域的灰度分布向量相比较，筛选出钢丝绳所在的区域。

在本实施例中，在筛选出钢丝绳所在的区域后，进行分割检测带：

先将区域进行梯度阈值过滤，采用霍夫变换检测区域中代表钢丝绳边缘的直线；其中，在划分出的区域中画出检测到的直线钢丝绳组被互相平行的直线分割成孤立的单根钢丝绳；

然后，对检测出的直线进行筛选，通过霍夫变换得到的分割线仍需剔除不符合要求的两类直线：

与正确分割直线不平行的干扰直线；

与正确分割直线平行，但与另一直线距离很近，可以视作同一直线的冗余直线。

在本实施例中，在剔除不符合要求的两类直线时，霍夫变换返回的是直线到原点的距离ρ和直线与x轴的夹角θ的集合S；

根据前面两类直线的特征，对集合S做一个分割，其中任意两个集合Ai和Aj互斥，霍夫变换的检测结果被分割为若干两两互斥集合(A1，A2，…，Ak)的并集，从这些集合中找出元素数量最多的一个设为Aq，则Aq中的直线即为正确检测的直线，其他集合中的直线全部剔除；

在本实施例中，在剔除不符合要求的两类直线后，进行分割检测带：

经过筛选后的直线已经可以将钢丝绳按条分割成独立的区域，计算集合Aq中直线的平均角度θq，然后将区域逆时针旋转角度θq，使得检测到的有一定斜率的分割线变成竖直线。其中，Aq中直线的距离从小到大分别为ρq1＜ρq2＜…＜ρqmax，只需要对图像y轴取[ρq1，ρq2]、[ρq2，ρq3]、…、[ρq(max-1)，ρqmax]的区间，每个区间就是一个检测带。

在本实施例中，在得到若干只包含钢丝绳的检测带后，根据检测带来计算钢丝绳移动量，包括：从检测带中进一步划分检测块，根据检测块计算一个指标值，该指标值经过的周期数和钢丝绳移动的股数相同；

然后根据指标值的变化曲线，计算得到钢丝绳的移动量。

在本实施例中，检测块划分包括：

将某个检测带表示为I(0：xmax，yi：yi+1)，其中xmax代表I(x，y)的最大x坐标；

设置一个块高h，则该检测带的检测块分别为I(0：h-1，yi：yi+1)、I(1：h，yi：yi+1)、…、I(xmax-h+1:xmax,yi:yi+1)，共xmax-h+2个检测块，若总共有k个检测带，则总共能得到(xmax-h+2)·k个检测块。

在本实施例中，指标值计算包括：

在计算钢丝绳的移动量之前，需根据每个检测块中的灰度值计算出一个指标值，对视频中每一帧、同一个检测块都能检测出一个指标值，若该指标值随时间波动，则通过统计波动的周期即可检测出钢丝绳在这段时间移动的股数；

具体的，将一个检测块中所有的灰度值沿高度方向求和，得到一个向量，当钢丝绳的绳股中心正好移动到检测块中心时，会在中间坐标处出现一个波峰；当钢丝绳股间隙正好移动到检测块中心时，会在中间坐标处出现一个波谷，因此，统计中间坐标ymid以及ymid-1、ymid+1三点处的均值，作为一个指标值v。

在本实施例中，在得到指标值v的计算方法后，在时间轴上对每个检测块都可以求出一个v随时间变化的波形图，通过特定算法可以计算出指标值在制动过程中的波动的周期数，即为钢丝绳经过的股数，乘以股间距即为钢丝绳滑移量。

在本实施例中，AI算法摄像机镜头光轴处于水平面上，可以调整相机摆放位置，使钢丝绳组尽可能多地出现在相机视野中，保证钢丝绳纹理清晰可见。电梯钢丝绳通常为19丝成一股，8股成一绳。钢丝绳的股间距约为4～5mm。进行图像测量时测股的变化，近似为周期图像。根据采样定理，AI算法摄像机的帧率(即图像采用频率)高于钢丝绳的股变化频率的2倍以上，以保证有效测量；

AI算法摄像机的接口标准采用GigE Vision协议，支持为相机分配ip地址，工业路由器可通过wifi/网线/4G网络与摄像机相连，在同一个局域网中，工业路由器用于为AI算法摄像机动态分配ip地址并转发数据至计算机检测系统。

在实际应用中，以从工业路由器传输过来的、由AI算法摄像机采集的、钢丝绳在制动过程中的图像视频数据作为输入，通过计算分析，输出钢丝绳在制动过程中的滑移量。当获取到含有钢丝绳的图像后，需要先筛选出图像中钢丝绳所在的点，并根据这些点，划分出包含钢丝绳的区域。在这个区域中，有多股钢丝绳，采用霍夫变换，检测区域中主要的直线，利用直线将这些钢丝绳分割成数根。对每根钢丝绳所在的区域再进一步划分，得到很多小的区域，统计每个小区域沿时间变化所经过的周期，取平均值，得到钢丝绳移动的股数，根据股数乘股间距，即可求得钢丝绳滑移量。因此，钢丝绳滑移量测量可分为钢丝绳检测和分割检测带两步。

钢丝绳检测即是检测出图像中属于钢丝绳的点的坐标分布，从而划分出一个只包含钢丝绳得到区域，为下一步计算做准备。钢丝绳相较于图像其他部分，沿空间轴灰度变化频率较高，且有一定周期性，属于纹理图像。该类图像不能简单地使用颜色或梯度阈值进行分割。由于纹理图像空间分布的规律性，系统统计每个像素点周围区域内灰度的频率直方图，组成一个长度为256的向量，并将该向量与预先采样的区域的灰度分布向量相比较，筛选出钢丝绳所在的区域。检测系统可对任意一帧图像，截取其中一段只包含钢丝绳的图像，统计该图像的灰度频率分布直方图，得到一个长度为256的向量。将原图像转换成灰度图并进行高斯模糊，得到去噪的灰度图，对图中任意一点统计其周围一定像素区域的点(包含一个以上股间距，使图像在局部的周期特性在直方图上能够体现)，得到灰度的频率分布直方图向量，计算不同向量之间的欧几里得距离。并设定一个阈值，经算法计算得到钢丝绳坐标位置的二值图。

虽然这种检测提取出来的点基本都是钢丝绳上的点，但也有一些不属于钢丝绳的干扰点，其数量不到总数的10％，从图像帧中划分出一块尽可能只包含钢丝绳的区域进行分析，可以求出所有点坐标在x，y上的均值和标准差，分别以x的最小、最大值；y的最小、最大值从灰度图中继续分割出一个只包含钢丝绳的区域，但在实际情况下，这一区域还可能包含其他部分，例如当钢丝绳之间间隙较大时，间隙也会包含到该区域。因此，还需要进行二次分割，将只包含钢丝绳的区域分割出来。

区域分割的主要流程为：先使用梯度阈值处理和霍夫变换检测出代表钢丝绳边缘的直线；然后再用算法剔除干扰直线，筛选出正确直线；最后再利用有效直线对图像的区域进行分割，划分出检测带。

直线检测钢丝绳的与钢丝绳之间有明显的直线边界，可以使用霍夫变换，检测出图中的长直线，作为分割线。使用霍夫变换时，先将区域进行梯度阈值过滤，然后可以对该二值图作霍夫变换，检测出所有直线。在划分出的区域中画出检测到的直线钢丝绳组被互相平行的直线分割成孤立的单根钢丝绳。

直线筛选：通过霍夫变换得到的分割线仍需剔除不符合要求的两类直线：1)与正确分割直线不平行的干扰直线；2)与正确分割直线平行，但与另一直线距离很近，可以视作同一直线的冗余直线。霍夫变换返回的是直线到原点的距离ρ和直线与x轴的夹角θ的集合S。根据前面两类直线的特征，对集合S做一个分割，其中任意两个集合Ai和Aj互斥。霍夫变换的检测结果被分割为若干两两互斥集合(A1，A2，…，Ak)的并集。从这些集合中找出元素数量最多的一个设为Aq，则Aq中的直线即为正确检测的直线，其他集合中的直线全部剔除。

分割检测带：经过筛选后的直线已经可以将钢丝绳按条分割成独立的区域。由于这些直线有一定的角度，不利于后续的计算处理，因此，计算集合Aq中直线的平均角度θq，然后将区域逆时针旋转角度θq。这样，原本检测到的有一定斜率的分割线会变成竖直线，Aq中直线的距离从小到大分别为ρq1＜ρq2＜…＜ρqmax，只需要对图像y轴(横轴)取[ρq1，ρq2]、[ρq2，ρq3]、…、[ρq(max-1)，ρqmax]这几个区间，每个区间就是一个检测带。

在实际检测过程中，钢丝绳绳的抖动和变形会对每个检测带靠近边缘处的图像影响较大，因此改进每个区间为[ρq(k-1)+σ，ρqk-σ]，其中σ为一个较小的预设值，这种方法能减轻边缘的变化带来的影响。

当摄像机正对钢丝绳时，钢丝绳与绳之间的缝隙带也会被划分为检测带，这些是对检测没有帮助的区间。系统将在利用前述检测方法，对每个检测带内的像素灰度进行统计，并计算得到的灰度分布向量与样本向量X0的欧几里得范数，并将大于阈值的检测带剔除，只保留有效检测带。

在本实施例中，计算机检测系统包括滑移量计算模块，由滑移量计算模块执行：

在图像识别模块得到若干只包含钢丝绳的检测带后，滑移量计算模块将根据检测带来计算钢丝绳移动量。主要分为两步：第一步是从检测带中进一步划分检测块，然后再根据检测块计算一个指标值(这个指标值经过的周期数和钢丝绳移动的股数相同)，然后根据指标值的变化曲线，计算得到钢丝绳的移动量。

对于检测块划分与指标值计算：

在得到了若干有效检测带后，可以进行移动量计算。在计算移动量时，需要利用检测带得到若干检测块：已知去噪灰度图用I(x,y)表示，约定符号I(x1：x2，y1：y2)代表I(x,y)中x坐标为x1到x2，y坐标为y1到y2的区域。则某个检测带可表示为I(0：xmax，yi：yi+1)，其中xmax代表I(x，y)的最大x坐标。为得到检测块，可设置一个块高h，则该检测带的检测块分别为I(0：h-1，yi：yi+1)、I(1：h，yi：yi+1)、…、I(xmax-h+1:xmax,yi:yi+1)，共xmax-h+2个检测块，如果总共k个检测带，则总共能得到(xmax-h+2)·k个检测块。

在系统计算钢丝绳的移动量时，需根据每个检测块中的灰度值计算出一个指标值，对视频中每一帧，同一个检测块都能检测出一个指标值，若该指标值随时间波动，则通过统计波动的周期即可检测出钢丝绳在这段时间移动的股数。

将一个检测块中所有的灰度值沿高度方向求和，得到的一个向量。当钢丝绳的股中心正好移动到检测块中心时，会在中间坐标处出现一个波峰；当钢丝绳股间隙正好移动到检测块中心时，会在中间坐标处出现一个波谷。因此，可以统计中间坐标ymid以及ymid-1、ymid+1三点处的均值，作为一个指标值v。

对于钢丝绳移动量计算：

在得到指标值v的计算方法后，在时间轴上，对每个检测块都可以求出一个v随时间变化的波形图，通过特定的算法可以计算出指标值在制动过程中的波动的周期数，即为钢丝绳经过的股数，乘以股间距即为滑移量。

具体的，系统通过统计波形图上升沿的个数，来表示钢丝绳移动的周期，从而得出移动的距离。程序中包含两个常量：N和T，分别代表波形图中总帧数(即经过的时间步数)和识别为一次上升的阈值，之所以要使用阈值，是因为需要过滤掉噪声造成的波形下降过程中的小规模上升。程序首先通过循环识别出一个周期，具体做法是，在每次循环中，获取新的指标值x，并将其与x0相比较，当x-x0>T时，任务就出现了一次上升，从而进入到后面的步骤中，如果xT时，任务就出现了一次上升；右半部分是检测下降沿的程序，当x-x0<-T时，任务就出现了一次下降。如果检测到上升沿，就将index加1，然后去检测下降沿，如果检测到下降沿，就什么都不做，转为检测上升沿。当逐渐循环到i＝N，即遍历到最后一张图片时，检测结束，输出index作为检测到的上升沿的总数量，也可以理解为钢丝绳移动的周期数。使用该周期数乘钢丝绳每股的宽度，即可得到钢丝绳移动的距离。

综上可得，本实施例提供的基于智能图像识别的电梯制动曳引钢丝绳滑移量及缺陷的检测方法，可以用于评估电梯的曳引与制动综合性能。该检测方法属于非接触测量，制定了对钢丝绳的数据采集、智能检测与判定过程，并可适应较小的位置变化，可用于对一些经常发生事故的旧型号的电梯制动器的钢丝绳滑移量进行测量，且无需对电梯制动器做任何改造，避免了改造对电梯制动器性能的影响。并且该方法适合长时间现场监控，可作为电梯长期监控系统的其中一种检测技术使用。

另外，人工智能机器视觉及检测系统可采用SaaS云平台，分布式结构，依据用户网络状况、部署和需求，集中部署于统一云平台，或分布在各个地区/小区。AI算法摄像机+智能图像识别的检测系统，借助智能化的视频设备和检测系统替代传统的人工检测，不仅可以提供更加准确的检测结果，提升电梯的维护效果，而且可以降低人工成本，规避安全风险，保证工作人员的生命安全。

以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

上述实施方式仅为本发明的优选实施方式，不能以此来限定本发明保护的范围，本领域的技术人员在本发明的基础上所做的任何非实质性的变化及替换均属于本发明所要求保护的范围。