CN119168948B 一种基于深度学习的曳引式电梯钢丝绳缺陷检测方法 （温州市特种设备检测科学研究院(温州市特种设备应急处置中心)）

一种基于深度学习的曳引式电梯钢丝绳缺本发明提出了一种基于深度学习的曳引式用真实缺陷图像和改进的UCG_GAN模型的生成器G生成的第一钢丝绳缺陷图像；采用生成的第一钢丝绳缺陷图像反向传播更新生成器G和鉴别器装置实时采集到的电梯钢丝绳的真实缺陷图像UCG_2S3：利用真实缺陷图像和改进的UCG_GAN模型的生成器G生成的第一钢丝绳缺陷图像；S5：利用训练后的改进的EfficientNet网络模2.根据权利要求1所述的一种基于深度学习的曳引式电梯钢丝绳缺陷检测方法，其特3.根据权利要求2所述的一种基于深度学习的曳引式电梯钢丝绳缺陷检测方法，其特4.根据权利要求3所述的一种基于深度学习的曳引式电梯钢丝绳缺陷检测方法，其特5.根据权利要求3所述的一种基于深度学习的曳引式电梯钢丝绳缺陷检测方法，其特36.根据权利要求5所述的一种基于深度学习的曳引式电梯钢丝绳缺陷检测方法，其特均值为D(x)，k个第一钢丝绳缺陷图像的鉴别器输出分数的平均值为D(i),采用铰链对7.根据权利要求1所述的一种基于深度学习的曳引式电梯钢丝绳缺陷检测方法，其特征在于，所述非对称卷积模块是在标准方形卷积的基础上添加水平非对称卷积核和竖直非对称卷积核，输入图像分别经过三个不同的卷积核卷积处理提取不同的分支特征：其中MU，V，K∈RUXVXC表示输入尺寸为UXV的第K通道的特征8.根据权利要求7所述的一种基于深度学习的曳引式电梯钢丝绳缺陷检测方法，其特是通道C和空间W维度交互捕获分支，输入特征先经过permutation函数变换位HXCXW维度特征，接着在H维度上进行Z_Pool，然后经过7X7卷积和Sigmoid激活函数处理，再经过permutation函数变为CXHXW维度特征；第三个分支是通道C和空间H维度交互捕获分支，输入特征先经过permutation函数变换为WXHXC维度特征，接着在W维度上进行Z_Pool，然后经过7X7卷积和Sigmoid激活函数处理，再经过permutation函数变为CXHXW维度特征；通过对三个分支的输出特征相加求平均得到Triplet注意力机制的输9.根据权利要求1所述的一种基于深度学习的曳引式电梯钢丝绳缺陷检测方法，其特IOULOSS损失函数定义如下：4其中A为预测框与真实框的交集，56[0015]进一步优选的，所述改进的UCG_GAN模型的鉴别器D包括顺次设置的一个卷积层、用铰链对抗损失，鉴别器D的迭代训练目标是7接层；各图卷积层模块ATConv均包括顺次设置的第一普通卷积层、非对称卷积模块、层的输出端之间还设置有跳跃连接；图卷积层模块ATConv的损失函数是由FocalLoss损失函数融合IOULOSS损失函数得到的FILOSS损失函数；改进的EfficientNet网络模型获取样U×V的第K通×W维度特征；通过对三个分支的输出特征相加求平均得到Triplet注意力机制的输出结果。[0021]进一步优选的，FILOSS损失函数的表达式为：FILOSS=α×FocalFoss+(1_α)×其中A为预测框与真实框的[0023](1)为了改善训练样本不足，影响检测模型的训练的问题，本发明提出了改进的8[0024](2)在钢丝绳缺陷检测过程中，本发明提出了改进的EfficientNet网络模型，EfficientNet网络模型的各图卷积层模块ATConv中均引入了非对称卷积模块、Triplet注[0027]图2为本发明一种基于深度学习的曳引式电梯钢丝绳缺陷检测方法的若干图像采[0028]图3为本发明一种基于深度学习的曳引式电梯钢丝绳缺陷检测方法的生成对抗网[0029]图4为本发明一种基于深度学习的曳引式电梯钢丝绳缺陷检测方法的改进的UCG_[0030]图5为本发明一种基于深度学习的曳引式电梯钢丝绳缺陷检测方法的CA注意力机[0031]图6为本发明一种基于深度学习的曳引式电梯钢丝绳缺陷检测方法CG_GAN模型的[0032]图7为本发明一种基于深度学习的曳引式电梯钢丝绳缺陷检测方法的改进的[0033]图8为本发明一种基于深度学习的曳引式电梯钢丝绳缺陷检测方法的图卷积层模[0034]图9为本发明一种基于深度学习的曳引式电梯钢丝绳缺陷检测方法的非对称卷积[0035]图10为本发明一种基于深度学习的曳引式电梯钢丝绳缺陷检测方法的非对称卷[0036]图11为本发明一种基于深度学习的曳引式电梯钢丝绳缺陷检测方法的Triplet注[0037]图12为本发明一种基于深度学习的曳引式电梯钢丝绳缺陷检测方法的实际检测9[0040]在曳引式电梯钢丝绳的缺陷检测与识别中，需要大量的像采集装置2分别对准同一钢丝绳3的不同位置的表面取景，得到电梯钢丝绳3的真实缺陷[0043]图像采集装置2采用IOIVictorem4KSDI系列高速相机，[0046]生成器G采用了U_Net和ResNet的结合结构，通过CA注意力机制模块搜索相关信各跳跃连接的另一端与编号r的解码器块输出端连接；各跳跃连接中插入一个CA注意力机入为真实缺陷图像xk，最后一个解码器块输出第一钢丝绳缺陷图像CA注意力机制模块[0052]具体的，步骤S3所述的采用生成的第一钢丝绳缺陷图像反向传播更新生成器G和出分数的平均值为D(X)，k个第一钢丝绳训练目标是最小化生成器损失函数λGD：其中丝绳缺陷图像和生成的钢丝绳缺陷图像，GDSloss是给原来GeneralizedDiceLoss加了块、Triplet注意力机制、第二普通卷积层和Dropout层，在第一普通卷积层的输入端与Dropout层的输出端之间还设置有跳跃连接；图卷积层模块ATConv的损失函数是由[0056]图7中，ATConv后面的1或6表示倍率因子n即ATConv中第一个1x1的卷积层会将输入特征矩阵的通道数扩充为n倍，其中k3x3或k5x5表示ATConv中非对称卷积所采用的卷积将原来的MBConv模块中的Depwise卷积更换为了非对称卷积，原来的SE注意力机制换为了Triplet注意力机制，最后将原来的FocalLoss损失函数融合IOULOSS损失函数，得到新的[0065]ResUnit(ResidualUnit)：残差单元用于构建残差网络，通过短路连接(skipconnection)将输入直接与输出相加，帮助缓解梯度消失问题，并提高训练深度网络的效[0066]非对称卷积模块是在标准方形卷积的基础上添加水平非对称卷积核和竖直非对特征，接着在H维度上进行Z_Pool，然后经过7×7卷积和Sigmoid激活函数处理，再经过permutation函数变为C×H×W维度特征；第三个分支是通道C和空间H维度交互捕获分支，通过对三个分支的输出特征相加求平均得到Triplet注意力机制的输这种创新设计具有横向交互，解决了传统计算模型中分离通道注意力和空间注意力的挑其中A为预测框与真实框的