CN117232584A - 一种基于图像分析的缆绞机质量检测*** - Google Patents
一种基于图像分析的缆绞机质量检测*** Download PDFInfo
- Publication number
- CN117232584A CN117232584A CN202311491081.5A CN202311491081A CN117232584A CN 117232584 A CN117232584 A CN 117232584A CN 202311491081 A CN202311491081 A CN 202311491081A CN 117232584 A CN117232584 A CN 117232584A
- Authority
- CN
- China
- Prior art keywords
- cable winch
- parameters
- cable
- image
- probability
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 23
- 238000010191 image analysis Methods 0.000 title claims abstract description 17
- 230000005856 abnormality Effects 0.000 claims abstract description 31
- 230000002159 abnormal effect Effects 0.000 claims abstract description 24
- 238000004458 analytical method Methods 0.000 claims abstract description 24
- 238000000034 method Methods 0.000 claims abstract description 15
- 230000003068 static effect Effects 0.000 claims abstract description 10
- 230000008859 change Effects 0.000 claims description 24
- 238000007405 data analysis Methods 0.000 claims description 20
- 238000011156 evaluation Methods 0.000 claims description 20
- 238000005299 abrasion Methods 0.000 claims description 18
- 230000007797 corrosion Effects 0.000 claims description 18
- 238000005260 corrosion Methods 0.000 claims description 18
- 238000005520 cutting process Methods 0.000 claims description 18
- 238000013441 quality evaluation Methods 0.000 claims description 18
- 230000004044 response Effects 0.000 claims description 15
- 238000007781 pre-processing Methods 0.000 claims description 12
- 238000012544 monitoring process Methods 0.000 claims description 9
- 238000011157 data evaluation Methods 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000013527 convolutional neural network Methods 0.000 claims description 3
- 230000003993 interaction Effects 0.000 claims description 3
- 238000003062 neural network model Methods 0.000 claims description 3
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 4
- 238000011056 performance test Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 229910052802 copper Inorganic materials 0.000 description 2
- 239000010949 copper Substances 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 230000000903 blocking effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000009413 insulation Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Landscapes
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本发明公开了一种基于图像分析的缆绞机质量检测***，具体涉及缆绞机质量技术领域，包括外观分析模块和机械性能分析模块，通过建立外观异常识别模型获取缆绞机的破损类型、概率和面积，获取缆绞机在静态时、动态时的外观异常，经过联合分析得到更加准确的缆绞机外观异常；分析缆绞机在运行时的参数，获取缆绞机在运行时的声音异响程度、脱钩装置与系缆桩的牢度程度得到缆绞机的稳固性参数，分析缆绞机的钩头插销、缆索得到缆绞机的灵活性参数，联合分析缆绞机的声音异响程度、灵活性参数、稳固性参数得到缆绞机的机械性能指数，采用智能化的质量检测方法，有利于提高判断结果的准确性，及时排查出安全隐患。
Description
技术领域
本发明涉及缆绞机质量检测技术领域，更具体地说，本发明涉及一种基于图像分析的缆绞机质量检测***。
背景技术
缆绞机的工作原理主要是将多个细导线捻合成一个整体。在缆绞机中，导线卷盘上的多个细铜线通过导线卷盘上的导线轮引导到绞线机的绞线室中。在绞线机的绞线室中，细铜线被分成多股，通过旋转的方式将铜线捻合在一起，形成一根较粗的导线。绞线过程中，绞线机的旋转速度和铜线的进给速度需要协调配合，以确保绞线质量和生产效率。绞好的导线会卷绕在电缆笼架上。电缆笼架上的导线卷盘可以旋转，使绞好的导线在电缆笼架上形成一个笼状结构。笼状结构可以防止导线之间的相互干扰和损伤，同时也方便后续的绝缘和护套。
缆绞机是一种用于缆绞、系缆或张紧缆索的机械设备。根据不同用途，缆绞机可以分为很多种类，例如水上缆绞机、系泊缆绞机、绞盘等。缆绞机的质量检测包括机械、电气、环境、安全方面的检测内容。具体来说，包括外观检查、机械性能测试、电气性能测试。外观检查主要包括缆绞机的外观是否整洁、有无破损、有无锈蚀；机械性能测试主要包括缆绞装置是否转动灵活，有无卡阻，缆索是否完好无损，有无断裂、变形情况，拖钩装置是否牢固可靠，钩头插销是否灵活；系缆桩是否牢固可靠，有无松动、脱落等情况。电气性能测试主要包括电源和电缆是否符合规格，电缆是否有破损或老化等情况；电气控制***是否正常，操作是否灵活可靠，信号指示是否有效。根据以上检测内容，可以通过记录数据和实际使用情况相结合的方式对缆绞机的质量进行评估。
但是其在实际使用时，仍旧存在较多缺点，如传统的缆绞机质量检测依赖试验测试和人工观察，缺少智能化的质量检测方法，基于人工主观判断标准不一致，导致判断结果不准确，具有较大的安全隐患。
发明内容
为了克服现有技术的上述缺陷，本发明提供一种基于图像分析的缆绞机质量检测***，以解决上述背景技术中提出的问题。
技术方案
为实现上述目的，本发明提供如下技术方案：一种基于图像分析的缆绞机质量检测***，包括：
数据采集模块：用于采集缆绞机基础信息、在静态时的图像信息、在动态时的图像信息和运行信息，并将采集的信息传输至数据分析模块；
外观分析模块：用于分析经过数据预处理后的缆绞机数据，分析缆绞机的图像信息和运行信息，通过外观异常识别模型分析图像信息得到缆绞机外观破损信息；
机械性能分析模块：通过分析运行信息得到缆绞机在运行时的声音异响程度、稳固性参数和灵活性参数；
控制性能分析模块用于获取电气控制稳定性参数，将分析结果传输至监测预警模块；
数据评估模块：基于数据分析模块的结果，评估缆绞机的质量指数，得到缆绞机的外观异常指数、机械性能评估指数，将评估结果传输至监测预警模块；
监测预警模块：用于判断外观异常指数、机械性能评估指数、电气控制稳定性参数的偏离程度是否超出预设范围，将数据采集模块采集的信息和偏离程度同时传输至管理人员，实现数据交互，根据偏离程度计算缆绞机质量评价系数，并根据缆绞机质量评价系数采取对应的措施。
优选的，所述外观异常识别模型在使用中包括下列步骤：
步骤S01、数据预处理：根据滤波器提取缆绞机外观图像的纹理特征，根据图像的纹理差异将获取的图像划分为n个区域，并进行编号，同时标记每个区域的面积；
步骤S02、建立特征参数数据库：获取标记了破损类型的缆绞机外观破损图像，按照类型进行分类，通过神经网络模型提取破损的特征，建立特征参数数据库；
步骤S03、将待测图像划分为n个区域后输入卷积神经网络模型中，提取得到破损的特征，将提取的特征与特征参数数据库进行比较，计算特征相似度，根据相似度计算第i个图像区域属于第j种破损的概率，将子区域对应的最大概率破损类型记为区域的破损类型；
步骤S04、将区域的信息汇总至图像中，标记每个区域的破损类型、概率和面积。
优选的，步骤S03中，用XSij表示第i个图像区域与第j种破损类型的相似度，XSij的计算公式满足：，其中/>表示颜色特征相似度参数，表示梯度特征相似度参数，设有n个图像区域，有m种破损类型，用Pij表示第i个图像区域属于第j种破损的概率，通过公式/>计算得到第i个图像区域属于第j种破损的概率，/>表示第i个图像区域属于m种类型的总概率，将破损类型概括为腐蚀、机械切割、机械磨损，即m=3，将图像区域i属于腐蚀的概率、属于机械切割的概率、属于机械磨损的概率，分别记为Pi1,Pi2,Pi3。
优选的，所述颜色特征相似度参数的获取方式为：提取待测区域的颜色特征，用RGB值表示，将待测图像的颜色特征记为RGBa，RGBa=（ra,ga,ba）,其中，ra表示待测图像的红色数值，ga表示待测图像的绿色数值，ba表示待测图像的蓝色数值,将标准库中图像的颜色特征记为RGBb，RGBb=（rb,gb,bb）,其中，rb表示标准库中图像的红色数值，gb表示标准库中图像的绿色数值，bb表示标准库中图像的蓝色数值,通过公式计算颜色特征相似度参数；所述梯度特征相似度参数的获取方式为：利用索贝尔算子获取待测区域的梯度特征，将水平梯度特征记为Gx（x），将垂直梯度特征记为Gy（x）；计算最终提取最终梯度：/>，将待测图像的梯度特征记为Ga(x)，将标准库中的梯度特征记为Gb(x)，通过公式计算梯度特征相似度，/>，其中，Cg表示梯度特征的修正常数，取值为[0-1]，表示待测图像与标准库中图像的相似度参数。
优选的，所述声音异响程度的获取方式为：获取待测缆绞机随时间变化的声音响度变化曲线，记为，获取正常情况下缆绞机随时间变化的声音响度变化曲线，记为,通过公式/>计算得到声音异响程度SY；所述稳固性参数的获取方式为：使用激光干涉仪测量脱钩装置的形变，将激光束射入脱钩装置物体并反射回来，测量出脱钩装置表面的移动量，用表面移动量表示脱钩装置的形变参数；获取系揽桩在缆绞前后的位置坐标，用欧式距离表示位置变化参数，通过公式获取/>稳固性参数，其中，tg表示脱钩装置的形变参数，lz表示系揽桩的位置变化参数，WG表示稳固性参数；所述灵活性参数的获取方式为：使用激光干涉仪测量钩头插销、缆索，获取钩头插销的表面形变参数、缆索形变参数，通过公式/>获取灵活性参数，gc表示钩头插销的表面形变参数，ls表示缆索光滑程度参数，LH表示灵活性参数。
优选的，电气控制稳定性参数的获取方式为：获取指令响应速度，所述指令响应速度指的是指令发出时间到执行时间的差值；获取信号灯的故障次数、故障时间，信号灯的正确率；获取信号灯的故障次数、故障时间，信号灯的正确率，通过公式分析得到电气控制稳定性参数，其中，xv表示指令响应速度，xv0表示信号灯初始预设的指令响应速度，gc表示故障次数、gt表示故障时间，dz表示信号灯响应正确率。
优选的，外观异常指数的获取方式为：
通过公式计算得到缆绞机的破损系数，其中，fm表示腐蚀面积,fs表示腐蚀深度，qc表示机械切割的长度、qs表示切割深度，jm表示机械磨损的面积,js表示机械磨损深度，Wp表示破损系数,n表示缆绞机外观按照纹理划分的区域数量，Pi1,Pi2,Pi3分别表示第i个图像区域属于腐蚀的概率、属于机械切割的概率、属于机械磨损的概率,将缆绞机在静态时的破损系数记为Wp1，将缆绞机在动态时的破损系数记为Wp2，通过公式/>计算得到缆绞机的外观异常指数WY。
优选的，机械性能评估指数的获取方式为：获取缆绞机的转动速度、运行负荷、运行时间、声音异响程度、稳固性参数、灵活性参数，经过无量纲处理后，通过公式计算得到机械性能评估指数，其中，表示JX机械性能评估指数，Lv表示缆绞机的转动速度，Lf表示缆绞机的运行负荷，Lt表示缆绞机的运行时间，SY表示声音异响程度，WG表示稳固性参数，LH表示灵活性参数。
优选的，基于公式计算缆绞机质量评价系数，其中w1表示外观异常的权重系数，w2表示机械性能异常的权重系数，w3表示电气控制性能异常的权重系数，且0≤w1≤1，0≤w2≤1，0≤w3≤1，w1+w2+w3=1由管理人员根据实际情况设置。
优选的，获取缆绞机质量评价系数随工作量变化的波动曲线，基于波动曲线获取缆绞机性能的衰减速度和性能丧失临界点，根据衰减速度和性能丧失临界点，设置缆绞机的检修频次和缆绞机，所述性能丧失临界点指的是缆绞机性能低于预设值的平均时间。
本发明的技术效果和优点：
（1）本发明通过建立外观异常识别模型获取缆绞机的破损类型、概率和面积，更加直观的表示了缆绞机的外观异常，通过获取缆绞机在静态时、动态时的外观异常，经过联合分析得到更加准确的缆绞机外观异常，方便管理人员进行管理；
（2）本发明通过分析缆绞机在运行时的参数，获取缆绞机在运行时的声音异响程度、脱钩装置与系缆桩的牢度程度得到缆绞机的稳固性参数，通过分析缆绞机的钩头插销、缆索得到缆绞机的灵活性参数，最后联合分析缆绞机的声音异响程度、灵活性参数、稳固性参数得到缆绞机的机械性能指数，根据机械性能指数，能够方便管理人员了解缆绞机的机械性能，得到机械性能和运行参数的影响关系；
（3）本发明通过分析缆绞机的电气控制性能，得到缆绞机的电气控制稳定性参数，根据电气性能稳定性参数方便管理人员对缆绞机的电气性能进行监管，避免电气性能异常导致的操作风险；
（4）本发明综合分析缆绞机的外观异常、机械性能和电气性能得到缆绞机质量评价系数，建立随工作量变化的质量评价系数波动曲线，获取缆绞机性能的衰减速度和性能丧失临界点，根据衰减速度和性能丧失临界点，设置缆绞机的检修频次，所述性能丧失临界点指的是缆绞机性能低于预设值的平均时间，能够更加科学的对缆绞机进行管理。
附图说明
图1为本发明的整体结构框图。
图2为本发明的外观异常识别模型流程图。
图3为本发明的数据评估模块结构框图。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整地传达给本领域的技术人员。
以下对至少一个示例性实施例的描述实际上仅仅是说明性的，决不作为对本申请及其应用或使用的任何限制。
对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论，但在适当情况下，所述技术、方法和设备应当被视为说明书的一部分。
计算机***/服务器可以在由计算机***执行的计算机***可执行指令（诸如程序模块）的一般语境下描述。通常，程序模块可以包括例程、程序、目标程序、组件、逻辑、数据结构等等，它们执行特定的任务或者实现特定的抽象数据类型。计算机***/服务器可以在分布式云计算环境中实施，分布式云计算环境中，任务是由通过通信网络链接的远程处理设备执行的。在分布式云计算环境中，程序模块可以位于包括存储设备的本地或远程计算***存储介质上。
本发明提供了如图1所示的一种基于图像分析的缆绞机质量检测***，
包括：
数据采集模块：用于采集缆绞机基础信息、在静态时的图像信息、在动态时的图像信息和运行信息，并将采集的信息传输至数据分析模块；
需要解释说明的是，动态时的图像信息和性能参数的采集方式为：通过试验获取缆绞机在运行时的图像信息和性能参数，根据缆绞机的基础信息，设置工作参数，记录缆绞机在运行时的图像信息和运行信息。所述基础信息包括：缆绞机的额定功率、缆绞线范围；运行信息包括缆绞机的电压、电流、功率、缆绞速度、运行声音、运行时间、缆绞对象的硬度、密度。
外观分析模块：用于分析经过数据预处理后的缆绞机数据，分析缆绞机的图像信息和运行信息，通过分析图像信息得到缆绞机外观破损信息；
机械性能分析模块：通过分析运行信息得到缆绞机在运行时的声音异响程度、稳固性参数和灵活性参数；
控制性能分析模块：用于获取电气控制稳定性参数，将分析结果传输至监测预警模块；
需要解释说明的是，数据分析模块包括外观分析模块、机械性能分析模块和控制性能分析模块。所述外观分析模块用于获取缆绞机外观破损的类型和面积，基于图像分析技术搭建外观异常识别模型，将分析结果传输至数据评估模块；所述机械性能分析模块用于分析缆绞机在工作状态的性能参数，分析缆绞机在运行时的声音、负载、运行信息，得到缆绞机的运行状况，运行状况包括：声音异响程度、稳固性参数和灵活性参数，将获取的结果传输至数据评估模块；所述控制性能分析单元：用于分析缆绞机在运行时的电气信息，分析得到电气控制稳定性参数。
进一步的，如图2所示，所述外观异常识别模型包括下列步骤：
步骤S01、数据预处理：根据滤波器提取缆绞机外观图像的纹理特征，根据图像的纹理差异将获取的图像划分为n个区域，并进行编号，同时标记每个区域的面积；
步骤S02、建立特征参数数据库：获取标记了破损类型的缆绞机外观破损图像，按照类型进行分类，通过神经网络模型提取破损的特征，建立特征参数数据库；
步骤S03、将待测图像划分为n个区域后输入卷积神经网络模型中，提取得到破损的特征，将提取的特征与特征参数数据库进行比较，计算特征相似度，根据相似度计算第i个图像区域属于第j种破损的概率，将子区域对应的最大概率破损类型记为区域的破损类型；
步骤S04、将区域的信息汇总至图像中，标记每个区域的破损类型、概率和面积。
需要解释说明的是，图像特征包括：颜色特征、形状特征、空间关系特征、梯度特征、小波变换特征中的一种，所述小波变换特征是将图像分解成多个频段，通过频段描述图像中的纹理和结构信息。
进一步的，步骤S03中，用XSij表示第i个图像区域与第j种破损类型的相似度，XSij的计算公式满足：，其中/>表示颜色特征相似度参数，表示梯度特征相似度参数，设有n个图像区域，有m种破损类型，用Pij表示第i个图像区域属于第j种破损的概率，通过公式/>计算得到第i个图像区域属于第j种破损的概率，/>表示第i个图像区域属于m种类型的总概率，将破损类型概括为腐蚀、机械切割、机械磨损，将图像区域i属于腐蚀的概率、属于机械切割的概率、属于机械磨损的概率，分别记为Pi1,Pi2,Pi3。
说明，经过统计分析在缆绞机的表面破损类型中主要包括腐蚀、机械切割和机械磨损三类。
需要解释说明的是，在本发明实施例中，颜色特征相似度参数的获取方式为：提取待测区域的颜色特征，用RGB值表示，将待测图像的颜色特征记为RGBa，RGBa=（ra,ga,ba）,其中，ra表示待测图像的红色数值，ga表示待测图像的绿色数值，ba表示待测图像的蓝色数值,将标准库中图像的颜色特征记为RGBb，RGBb=（rb,gb,bb）,其中，rb表示标准库中图像的红色数值，gb表示标准库中图像的绿色数值，bb表示标准库中图像的蓝色数值,通过公式计算颜色特征相似性,取最大的/>对应的破损类型，作为待测区域对应的破损类型；
在本发明实施例中，利用梯度特征相似度参数的获取方式为：
利用索贝尔算子获取待测区域的梯度特征，将水平梯度特征记为Gx（x），将垂直梯度特征记为Gy（x）；计算最终提取最终梯度：，将待测图像的梯度特征记为Ga(x)，将标准库中的梯度特征记为Gb(x)，通过公式计算梯度特征相似度，，其中，Cg表示梯度特征的修正常数，取值为[0-1]，表示待测图像与标准库中图像的相似度参数，取最大的/>对应的破损类型，作为待测区域对应的破损类型。
进一步的，基于颜色特征和梯度特征，联合分析，获取计算第i个图像区域属于第j种破损的概率，通过公式计算得到第i个图像区域属于第j种破损的概率，表示第i个图像区域属于m种类型的总概率，将破损类型概括为腐蚀、机械切割、机械磨损，将图像区域i属于腐蚀的概率、属于机械切割的概率、属于机械磨损的概率，分别记为Pi1,Pi2,Pi3。
进一步的，所述声音异响程度的获取方式为：获取待测缆绞机随时间变化的声音响度变化曲线，记为，获取正常情况下缆绞机随时间变化的声音响度变化曲线，记为,通过公式/>计算得到声音异响程度SY；所述稳固性参数的获取方式为：使用激光干涉仪测量脱钩装置的形变，将激光束射入脱钩装置物体并反射回来，测量出脱钩装置表面的移动量，用表面移动量表示脱钩装置的形变参数；获取系揽桩在缆绞前后的位置坐标，用欧式距离表示位置变化参数，通过公式获取/>稳固性参数，其中，tg表示脱钩装置的形变参数，lz表示系揽桩的位置变化参数，WG表示稳固性参数；所述灵活性参数的获取方式为：使用激光干涉仪测量钩头插销、缆索，获取钩头插销的表面形变参数、缆索形变参数，通过公式/>获取灵活性参数，gc表示钩头插销的表面形变参数，ls表示缆索光滑程度参数，LH表示灵活性参数。
进一步的，电气控制稳定性参数的获取方式为：获取指令响应速度，所述指令响应速度指的是指令发出时间到执行时间的差值；获取信号灯的故障次数、故障时间，信号灯的正确率；获取信号灯的故障次数、故障时间，信号灯的正确率，通过公式分析得到电气控制稳定性参数，其中，xv表示指令响应速度，xv0表示信号灯初始预设的指令响应速度，gc表示故障次数、gt表示故障时间，dz表示信号灯响应正确率。
数据评估模块：基于数据分析模块的结果，评估缆绞机的质量指数，得到缆绞机的外观异常指数、机械性能评估指数、控制性能评估指数，将评估结果传输至监测预警模块；
如图3所示，数据评估模块包括外观质量评估单元和机械性能质量评估单元；所述外观质量评估单元基于缆绞机在静态时、动态时的外观破损信息得到外观异常指数；所述机械性能质量评估单元基于缆绞机的基础信息和运行信息，稳固性参数和灵活性参数得到机械性能评估指数。
进一步的，所述外观异常指数的获取方式为：
通过公式计算得到缆绞机的破损系数，其中，fm表示腐蚀面积,fs表示腐蚀深度，qc表示机械切割的长度、qs表示切割深度，jm表示机械磨损的面积,js表示机械磨损深度，Wp表示破损系数,n表示缆绞机外观按照纹理划分的区域数量，Pi1,Pi2,Pi3分别表示第i个图像区域属于腐蚀的概率、属于机械切割的概率、属于机械磨损的概率,将缆绞机在静态时的破损系数记为Wp1，将缆绞机在动态时的破损系数记为Wp2，通过公式/>计算得到缆绞机的外观异常指数WY。
说明：缆绞机在负载状态和空载状态时，对破损的观察各具有优缺点，例如，裂缝在静态时不易被发现，在负载情况下裂缝更容易观察；在负载时，缆绞机的状态不稳定，例如在振动情况下，不容易得到清晰图像，导致破损结果不准确。
进一步的，所述机械性能评估指数的获取方式为：获取缆绞机的转动速度、运行负荷、运行时间、声音异响程度、稳固性参数、灵活性参数，经过无量纲处理后，通过公式计算得到机械性能评估指数，其中，表示JX机械性能评估指数，Lv表示缆绞机的转动速度，Lf表示缆绞机的运行负荷，Lt表示缆绞机的运行时间，SY表示声音异响程度，WG表示稳固性参数，LH表示灵活性参数。
进一步的，基于公式计算缆绞机质量评价系数，其中w1表示外观异常的权重系数，w2表示机械性能异常的权重系数，w3表示电气控制性能异常的权重系数，且0≤w1≤1，0≤w2≤1，0≤w3≤1，w1+w2+w3=1由管理人员根据实际情况设置。
监测预警模块：用于判断外观异常指数、机械性能评估指数、电气控制稳定性参数的偏离程度是否超出预设范围，将数据采集模块采集的信息和偏离程度同时传输至管理人员，实现数据交互，根据偏离程度计算缆绞机质量评价系数，并根据缆绞机质量评价系数采取对应的措施。采取的措施包括，增加缆绞机的检修频率，保养频率，维修缆绞机的外观问题，调试校正电气控制指令，更换缆绞机的零件，例如更换缆索、钩头装置、系缆桩。
进一步的，获取缆绞机质量评价系数随工作量变化的波动曲线，基于波动曲线获取缆绞机性能的衰减速度和性能丧失临界点，根据衰减速度和性能丧失临界点，设置缆绞机的检修频次和缆绞机，所述性能丧失临界点指的是缆绞机性能低于预设值的平均时间。
最后：以上所述仅为本发明的优选实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (9)
1.一种基于图像分析的缆绞机质量检测***，其特征在于：包括：
数据采集模块：用于采集缆绞机基础信息、在静态时的图像信息、在动态时的图像信息和运行信息，并将采集的信息传输至数据分析模块；
外观分析模块：用于分析经过数据预处理后的缆绞机数据，分析缆绞机的图像信息和运行信息，通过外观异常识别模型分析图像信息得到缆绞机外观破损信息；
机械性能分析模块：通过分析运行信息得到缆绞机在运行时的声音异响程度、稳固性参数和灵活性参数；
控制性能分析模块用于获取电气控制稳定性参数，将分析结果传输至监测预警模块；
数据评估模块：基于数据分析模块的结果，评估缆绞机的质量指数，得到缆绞机的外观异常指数、机械性能评估指数，将评估结果传输至监测预警模块；
监测预警模块：用于判断外观异常指数、机械性能评估指数、电气控制稳定性参数的偏离程度是否超出预设范围，将数据采集模块采集的信息和偏离程度同时传输至管理人员，实现数据交互，根据偏离程度计算缆绞机质量评价系数，并根据缆绞机质量评价系数采取对应的措施。
2.根据权利要求1所述的一种基于图像分析的缆绞机质量检测***，其特征在于：所述外观异常识别模型在使用中包括下列步骤：
步骤S01、数据预处理：根据滤波器提取缆绞机外观图像的纹理特征，根据图像的纹理差异将获取的图像划分为n个区域，并进行编号，同时标记每个区域的面积；
步骤S02、建立特征参数数据库：获取标记了破损类型的缆绞机外观破损图像，按照类型进行分类，通过神经网络模型提取破损的特征，建立特征参数数据库；
步骤S03、将待测图像划分为n个区域后输入卷积神经网络模型中，提取得到破损的特征，将提取的特征与特征参数数据库进行比较，计算特征相似度，根据相似度计算第i个图像区域属于第j种破损的概率，将子区域对应的最大概率破损类型记为区域的破损类型；
步骤S04、将区域的信息汇总至图像中，标记每个区域的破损类型、概率和面积。
3.根据权利要求1所述的一种基于图像分析的缆绞机质量检测***，其特征在于：步骤S03中，用XSij表示第i个图像区域与第j种破损类型的相似度，XSij的计算公式满足，其中/>表示颜色特征相似度参数，/>表示梯度特征相似度参数，设有n个图像区域，有m种破损类型，用Pij表示第i个图像区域属于第j种破损的概率，通过公式/>计算得到第i个图像区域属于第j种破损的概率，表示第i个图像区域属于m种类型的总概率，将破损类型概括为腐蚀、机械切割、机械磨损，将图像区域i属于腐蚀的概率、属于机械切割的概率、属于机械磨损的概率，分别记为Pi1,Pi2,Pi3。
4.根据权利要求1所述的一种基于图像分析的缆绞机质量检测***，其特征在于：所述声音异响程度的获取方式为：获取待测缆绞机随时间变化的声音响度变化曲线，记为，获取正常情况下缆绞机随时间变化的声音响度变化曲线，记为/>,通过公式计算得到声音异响程度SY；所述稳固性参数的获取方式为：使用激光干涉仪测量脱钩装置的形变，将激光束射入脱钩装置物体并反射回来，测量出脱钩装置表面的移动量，用表面移动量表示脱钩装置的形变参数；获取系缆桩在缆绞前后的位置坐标，用欧式距离表示位置变化参数，通过公式获取/>稳固性参数，其中，tg表示脱钩装置的形变参数，lz表示系缆桩的位置变化参数，WG表示稳固性参数；所述灵活性参数的获取方式为：使用激光干涉仪测量钩头插销、缆索，获取钩头插销的表面形变参数、缆索形变参数，通过公式/>获取灵活性参数，gc表示钩头插销的表面形变参数，ls表示缆索光滑程度参数，LH表示灵活性参数。
5.根据权利要求1所述的一种基于图像分析的缆绞机质量检测***，其特征在于：电气控制稳定性参数的获取方式为：获取指令响应速度，所述指令响应速度指的是指令发出时间到执行时间的差值；获取信号灯的故障次数、故障时间，信号灯的正确率；获取信号灯的故障次数、故障时间，信号灯的正确率，通过公式分析得到电气控制稳定性参数，其中，xv表示指令响应速度，xv0表示信号灯初始预设的指令响应速度，gc表示故障次数、gt表示故障时间，dz表示信号灯响应正确率。
6.根据权利要求1所述的一种基于图像分析的缆绞机质量检测***，其特征在于：外观异常指数的获取方式为：
通过公式计算得到缆绞机的破损系数，其中，fm表示腐蚀面积,fs表示腐蚀深度，qc表示机械切割的长度、qs表示切割深度，jm表示机械磨损的面积,js表示机械磨损深度，Wp表示破损系数,n表示缆绞机外观按照纹理划分的区域数量，Pi1,Pi2,Pi3分别表示第i个图像区域属于腐蚀的概率、属于机械切割的概率、属于机械磨损的概率,将缆绞机在静态时的破损系数记为Wp1，将缆绞机在动态时的破损系数记为Wp2，通过公式/>计算得到缆绞机的外观异常指数WY。
7.根据权利要求1所述的一种基于图像分析的缆绞机质量检测***，其特征在于：机械性能评估指数的获取方式为：获取缆绞机的转动速度、运行负荷、运行时间、声音异响程度、稳固性参数、灵活性参数，经过无量纲处理后，通过公式计算得到机械性能评估指数，其中，表示JX机械性能评估指数，Lv表示缆绞机的转动速度，Lf表示缆绞机的运行负荷，Lt表示缆绞机的运行时间，SY表示声音异响程度，WG表示稳固性参数，LH表示灵活性参数。
8.根据权利要求1所述的一种基于图像分析的缆绞机质量检测***，其特征在于：基于公式计算缆绞机质量评价系数，其中，WY表示外观异常指数，JX表示机械性能评估指数，DK表示电气控制稳定性参数，w1表示外观异常的权重系数，w2表示机械性能异常的权重系数，w3表示电气控制性能异常的权重系数，且0≤w1≤1，0≤w2≤1，0≤w3≤1，w1+w2+w3=1由管理人员根据实际情况设置。
9.根据权利要求1所述的一种基于图像分析的缆绞机质量检测***，其特征在于：获取缆绞机质量评价系数随工作量变化的波动曲线，基于波动曲线获取缆绞机性能的衰减速度和性能丧失临界点，根据衰减速度和性能丧失临界点，设置缆绞机的检修频次和缆绞机，所述性能丧失临界点指的是缆绞机性能低于预设值的平均时间。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311491081.5A CN117232584B (zh) | 2023-11-10 | 2023-11-10 | 一种基于图像分析的缆绞机质量检测*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311491081.5A CN117232584B (zh) | 2023-11-10 | 2023-11-10 | 一种基于图像分析的缆绞机质量检测*** |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117232584A true CN117232584A (zh) | 2023-12-15 |
| CN117232584B CN117232584B (zh) | 2024-03-22 |
Family
ID=89086399
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311491081.5A Active CN117232584B (zh) | 2023-11-10 | 2023-11-10 | 一种基于图像分析的缆绞机质量检测*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117232584B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118134393A (zh) * | 2024-05-08 | 2024-06-04 | 天津万事达物流装备有限公司 | 一种基于云加端的仓储全流程溯源管理*** |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5210704A (en) * | 1990-10-02 | 1993-05-11 | Technology International Incorporated | System for prognosis and diagnostics of failure and wearout monitoring and for prediction of life expectancy of helicopter gearboxes and other rotating equipment |
| AU2003235983A8 (en) * | 2002-05-13 | 2003-11-11 | Magnolia Medical Technologies | System and method for analysis of medical image data |
| WO2012013199A1 (en) * | 2010-07-26 | 2012-02-02 | Prysmian S.P.A. | Apparatus and method for monitoring an electric power transmission system through partial discharges analysis |
| CN114841986A (zh) * | 2022-05-24 | 2022-08-02 | 亳州学院 | 一种基于机器视觉的中药饮片质量监测分析*** |
| CN115205318A (zh) * | 2022-09-16 | 2022-10-18 | 中天科技海缆股份有限公司 | 一种海缆表面缺陷识别的方法及*** |
| CN115796832A (zh) * | 2022-11-24 | 2023-03-14 | 国电南瑞科技股份有限公司 | 基于多维参量的变电设备健康状态综合评估方法 |
| CN116189349A (zh) * | 2023-04-28 | 2023-05-30 | 深圳黑蚂蚁环保科技有限公司 | 一种自助打印机的远程故障监测方法及*** |
| CN116559599A (zh) * | 2023-07-12 | 2023-08-08 | 保定天威宝乾电力设备有限公司 | 一种基于大数据的配网电缆故障预警方法及*** |
| CN116839682A (zh) * | 2023-09-01 | 2023-10-03 | 山东日辉电缆集团有限公司 | 一种基于物联网的电缆加工制造实时监控*** |
| CN116912234A (zh) * | 2023-09-06 | 2023-10-20 | 青岛理研电线电缆有限公司 | 一种基于图像特征的电缆绞线质量检测方法 |
-
2023
- 2023-11-10 CN CN202311491081.5A patent/CN117232584B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5210704A (en) * | 1990-10-02 | 1993-05-11 | Technology International Incorporated | System for prognosis and diagnostics of failure and wearout monitoring and for prediction of life expectancy of helicopter gearboxes and other rotating equipment |
| AU2003235983A8 (en) * | 2002-05-13 | 2003-11-11 | Magnolia Medical Technologies | System and method for analysis of medical image data |
| WO2012013199A1 (en) * | 2010-07-26 | 2012-02-02 | Prysmian S.P.A. | Apparatus and method for monitoring an electric power transmission system through partial discharges analysis |
| CN114841986A (zh) * | 2022-05-24 | 2022-08-02 | 亳州学院 | 一种基于机器视觉的中药饮片质量监测分析*** |
| CN115205318A (zh) * | 2022-09-16 | 2022-10-18 | 中天科技海缆股份有限公司 | 一种海缆表面缺陷识别的方法及*** |
| CN115796832A (zh) * | 2022-11-24 | 2023-03-14 | 国电南瑞科技股份有限公司 | 基于多维参量的变电设备健康状态综合评估方法 |
| CN116189349A (zh) * | 2023-04-28 | 2023-05-30 | 深圳黑蚂蚁环保科技有限公司 | 一种自助打印机的远程故障监测方法及*** |
| CN116559599A (zh) * | 2023-07-12 | 2023-08-08 | 保定天威宝乾电力设备有限公司 | 一种基于大数据的配网电缆故障预警方法及*** |
| CN116839682A (zh) * | 2023-09-01 | 2023-10-03 | 山东日辉电缆集团有限公司 | 一种基于物联网的电缆加工制造实时监控*** |
| CN116912234A (zh) * | 2023-09-06 | 2023-10-20 | 青岛理研电线电缆有限公司 | 一种基于图像特征的电缆绞线质量检测方法 |
Non-Patent Citations (1)
| Title |
|---|
| 徐红辉;: "高速公路机电设备运行状态无线监测方法仿真", 计算机仿真, no. 11 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118134393A (zh) * | 2024-05-08 | 2024-06-04 | 天津万事达物流装备有限公司 | 一种基于云加端的仓储全流程溯源管理*** |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117232584B (zh) | 2024-03-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN117232584B (zh) | 一种基于图像分析的缆绞机质量检测*** | |
| US8718352B2 (en) | System and method for testing ropes | |
| CN116839682B (zh) | 一种基于物联网的电缆加工制造实时监控*** | |
| CN111444471B (zh) | 一种基于多元高斯分布的电缆生产质量异常检测方法和*** | |
| CN108734704B (zh) | 基于灰度方差归一化的输电导线断股检测方法 | |
| CN116742799A (zh) | 一种基于物联网技术的配电辅助监测预警*** | |
| CN113988573A (zh) | 基于电力***巡检无人机的风险判断方法、***和介质 | |
| CN115072598B (zh) | 基于人工智能的塔吊监测方法和装置 | |
| CN114723082A (zh) | 一种智能低压成套设备的异常预警方法及*** | |
| CN114235825A (zh) | 一种基于计算机视觉的钢丝绳质量检测方法 | |
| CN115060312A (zh) | 一种基于人工智能的建筑材料安全监测*** | |
| CN112268547A (zh) | 基于视频图像变化分析监测矿用缆绳运行***及监控方法 | |
| CN116844315A (zh) | 人工智能预警方法、***及存储介质 | |
| Huang et al. | A method of transmission conductor-loosened detect based on image sensors | |
| CN117708637A (zh) | 基于改进k均值聚类分析的风电机组叶片故障诊断方法 | |
| CN113379323A (zh) | 施工现场质量监管方法及*** | |
| Fang et al. | Detection method of transmission line broken stock defects in aircraft inspection based on image processing technology | |
| CN112668912B (zh) | 人工神经网络的训练方法、动态计算切分调度方法、存储介质及*** | |
| CN114757905A (zh) | 一种基于视觉的卷绳缠绕异常检测装置及方法 | |
| CN117237357B (zh) | 一种基于机器视觉的钢丝绳在线监测***和方法 | |
| CN112906454A (zh) | 一种输电通道ai可视化监控方法及装置 | |
| CN115239713B (zh) | 一种钢丝绳状态在线识别方法 | |
| CN117724928B (zh) | 一种基于大数据的智能运维可视化监控方法及*** | |
| CN113011524A (zh) | 一种卷扬钢丝绳状态识别方法、装置、作业机械及电子设备 | |
| CN116579748B (zh) | 基于无线通讯技术的安全生产管理*** |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| CB03 | Change of inventor or designer information | ||
| CB03 | Change of inventor or designer information |
Inventor after: Zhang Xiaokui Inventor after: Song Chao Inventor after: Yan Feng Inventor after: Cui Yunhao Inventor after: Li Qiang Inventor after: Zhang Tianting Inventor after: Bai Leilei Inventor before: Zhang Xiaokui Inventor before: Song Chao Inventor before: Yan Feng Inventor before: Cui Yunhao Inventor before: Li Qiang Inventor before: Zhang Tianting Inventor before: Bai Leilei |
|
| TA01 | Transfer of patent application right | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20240226 Address after: 277099 West Plant, Phase 2, Zhiguang Industrial Park, No. 333, Huaxin Road, High tech Zone, Zaozhuang City, Shandong Province Applicant after: Shandong special light source optical communication Co.,Ltd. Country or region after: China Applicant after: SHENZHEN SDG INFORMATION Co.,Ltd. Address before: 277099 West Plant, Phase 2, Zhiguang Industrial Park, No. 333, Huaxin Road, High tech Zone, Zaozhuang City, Shandong Province Applicant before: Shandong special light source optical communication Co.,Ltd. Country or region before: China |
|
| GR01 | Patent grant | ||
| GR01 | Patent grant |