基于深度学习的钢丝绳缺陷检测研究与实现.pdfVIP

摘要

钢丝绳是工业生产中主要的承载构件，在很多工业领域有广泛的应用，由于使用

环境复杂多变，导致钢丝绳容易出现腐蚀、断丝、扭曲等缺陷。传统人工目视检测方法

存在检测时间过长、工作强度大、检测效率低且漏检率高的问题。随着机器视觉和深度

学习技术的进展，智能化质检方法被广泛应用于工业检测领域，其中采用数字图像信

息处理的检验方法可以有效地检查出特定情景下的物体，但因其鲁棒性和泛化性等性

能局限，导致检测结果不准确。基于深度学习的检测方法鲁棒性表现较好，但模型训练

需要大量计算资源，因此难以在资源有限的情景中得到广泛应用。本文针对实际矿井

钢丝绳在使用过程中存在的腐蚀、扭曲、断丝等缺陷，提出了一种基于改进的YOLOv4

目标检测模型，对模型在检测效率和准确度方面进行优化改进。主要研究工作包括：

（1）基于现有目标检测算法多样性与实际矿井钢丝绳工作条件的复杂性，通过

对自制矿井钢丝绳数据集在两阶段与一阶段目标检测算法的对比验证，选取YOLOv4

作为基础模型，并针对实际应用情况对模型进行改进。

（2）针对原始YOLOv4初步特征提取时参数量过大造成效率低下的问题，提出

了融合MobileNet深度可分解卷积思想的初始特征提取模块，该模块利用逐深度卷积

和逐点卷积替代特征提取的全卷积运算，通过减少参数量的形式减少特征提取时的卷

积运算，加快主干特性提取网络的运算速度；针对原始模型中聚类中心点选择方式随

意、聚类效果较差、准确率低的问题，提出了层次聚类分裂算法对样本数据进行重新聚

类，找出最优锚框值；针对原始模型对小目标检测适应性较差的问题，采用数据增强和

多尺度训练技术，提升模型的适应性和泛化能力，从而有效改善钢丝绳缺陷检测的效

−1

果。经过实验证明，三类缺陷平均精度达到98%，FPS达到65.，表明改进的YOLOv4

模型对比传统模型在各方面都有显著改善。

（3）基于本文提出的改进YOLOv4目标检测算法，设计了一款基于改进的

YOLOv4钢丝绳表面缺陷检测系统，实现了实际矿井环境下数据采集、模型处理、数

据存储和可视化显示等功能。数据采集模块将工业相机采集到的数据输送到模型处理

模块。在模型处理模块中使用深度学习框架训练好的模型进行检测，将检测结果信息

输出到后端。数据存储模块接收到检测信息后进行数据的存储并将信息提供给可视化

展示模块进行展示；最后对系统功能进行测试以达到实验预期效果。

关键词：MobileNet；层次聚类分裂算法；数据增强；多尺度训练

论文类型：应用研究

ABSTRACT

Steelwireropeisthemainload-bearingcomponentinindustrialproduction.Inmany

industrialfields,steelwireropehasawiderangeofapplications,duetotheuseofcomplex

andchangingenvironments,resultinginwireropebeingpronetocorrosion,brokenwires,

twistingandotherdefects.Thetraditionalmanualvisualinspectionmethodhastheproblems

oflonginspectiontime,highworkintensity,lowinspectionefficiencyandhighleakagerate.

Withtheprogressofmachinevisionanddeeplearningtechnology,intelligentquality

inspectionmethodsarewidelyusedinthefieldofindustrialinspection,inwhichinspection

methodsusingdigitalimageinformation