李金華，夏黎明

(1.山西潞安集團(tuán) 司馬煤業(yè)有限公司， 山西 長(zhǎng)治 047105； 2.太原科技大學(xué)， 山西 太原 030024)

礦用架空乘人裝置，又稱“猴車”，因具有便捷、安全、易維修等特點(diǎn)，成為煤礦領(lǐng)域必備的人員運(yùn)輸設(shè)備。鋼絲繩是架空乘人裝置關(guān)鍵承載組件，雖然出廠前都進(jìn)行了安全校驗(yàn)，但井下工作強(qiáng)度大，工作環(huán)境復(fù)雜多變，很容易出現(xiàn)翹起、銹蝕、斷絲等不同類型的損傷，嚴(yán)重影響煤礦企業(yè)的安全生產(chǎn)。因此，及時(shí)查找出鋼絲繩缺陷，保證架空乘人裝置安全運(yùn)行，具有十分重要的意義。

傳統(tǒng)的鋼絲繩檢測(cè)方式是依靠人工檢測(cè)，通過(guò)觀察、觸摸、卡尺測(cè)量、敲打等評(píng)估鋼絲繩的安全系數(shù)，符合標(biāo)準(zhǔn)才能繼續(xù)使用。這種檢測(cè)手段過(guò)分依賴檢測(cè)人員主觀的技術(shù)水平和素質(zhì)，容易出現(xiàn)漏檢和誤檢，且在檢測(cè)周期內(nèi)，整套架空乘人裝置需低速運(yùn)行，嚴(yán)重影響礦山作業(yè)安全和效率。近來(lái)年，數(shù)字化、自動(dòng)化進(jìn)程不斷深化，無(wú)損檢測(cè)技術(shù)取代了傳統(tǒng)鋼絲繩檢測(cè)方法，成為煤礦企業(yè)常用的探傷手段。王紅曉、李小偉等[1]設(shè)計(jì)了一種基于超聲波測(cè)距及強(qiáng)磁檢測(cè)原理的檢測(cè)系統(tǒng)，有效地檢測(cè)鋼絲繩表面斷絲情況及斷絲翹起幅度，但是這種方法只能檢測(cè)表面物理特征，對(duì)于鋼絲繩的銹蝕、內(nèi)部缺陷等無(wú)法做出準(zhǔn)確檢測(cè)。賈華龍、李福森等[2]利用電磁特性，提出一種基于LMA和LF的鋼絲繩電磁無(wú)損檢測(cè)技術(shù)，能夠快速查找鋼絲繩中損傷位置及其它損傷信息，但是在檢測(cè)過(guò)程中不能停止鋼絲繩的運(yùn)行，抗干擾能力較差。魏如愿、張靜波等[3]利用ANSYS軟件對(duì)關(guān)鍵部位做出有限元分析，設(shè)計(jì)出一款便于安裝、體積小巧、檢測(cè)迅速的磁漏檢測(cè)裝置，但是對(duì)干擾能力未作出有效改進(jìn)。

本文提出一種基于YOLO v3算法的鋼絲繩無(wú)損檢測(cè)方法，采用多個(gè)拍攝裝置，全方位檢測(cè)鋼絲繩損傷狀況，提高檢測(cè)的靈敏度、速度以及抗干擾能力。

1 YOLO v3算法

YOLO(You Only Look Once)是一種專用于目標(biāo)識(shí)別和檢測(cè)的一階段(one stage)算法。相比較二階段(two stage)算法如R-CNN、Faster R-CNN，YOLO只需執(zhí)行一次，就能實(shí)現(xiàn)物體類別和位置的判斷，檢測(cè)速度更是在眾多目標(biāo)識(shí)別算法中領(lǐng)先。然而，YOLO只適用于小目標(biāo)的檢測(cè)，對(duì)于大目標(biāo)的識(shí)別效果不理想，且隨著網(wǎng)絡(luò)深度的增加，檢測(cè)效果明顯下降。YOLO v3是YOLO系列改進(jìn)后的算法，它在YOLO v2的基礎(chǔ)上進(jìn)行了優(yōu)化，引入了殘差神經(jīng)網(wǎng)絡(luò)Darknet-53以及殘差塊，有效解決了因網(wǎng)絡(luò)深度增加而帶來(lái)的負(fù)面效果[4]. YOLO v3網(wǎng)絡(luò)模型見(jiàn)圖1.

圖1 YOLO v3網(wǎng)絡(luò)模型圖

DBL(DarkNetConv2D_BN_Leaky)模塊是在卷積層(Conv)之后加入了批歸一化方法(BN)和激活函數(shù)(Leaky Relu). Darknet-53由DBL和殘差塊res(n)組成，數(shù)字53代表算法共包含了53層網(wǎng)絡(luò)，除去末尾處的全連接層，其余都是卷積層。

Darknet-53網(wǎng)絡(luò)架構(gòu)見(jiàn)圖2，Darknet-53共劃分了5個(gè)卷積模塊，每個(gè)模塊又分為兩小部分：第一部分是重復(fù)執(zhí)行的卷積層，分別執(zhí)行1次、2次、8次、8次、4次重復(fù)操作，卷積核大小為1×1和3×3；第二部分是單獨(dú)的卷積層，僅進(jìn)行一次即可。批歸一化方法首先要計(jì)算調(diào)整參數(shù)前所取得樣本均值，公式如下：

圖2 Darknet-53網(wǎng)絡(luò)架構(gòu)圖

(1)

其中，m為樣本數(shù)，x(i)為樣本中第i個(gè)樣本。

其次計(jì)算對(duì)應(yīng)樣本方差：

(2)

最后計(jì)算標(biāo)準(zhǔn)化后的輸出：

(3)

ε是一個(gè)趨于0的值。

YOLO v3模型參考了金字塔特征圖的思想，在進(jìn)行圖像識(shí)別時(shí)，先通過(guò)Darknet-53層提取圖像特征，生成3個(gè)不同尺度的輸出，分別是針對(duì)大目標(biāo)識(shí)別的y1(13×13×1 024)，中等目標(biāo)識(shí)別的y2(26×26×512)和小目標(biāo)識(shí)別的y3(52×52×256). 然后將輸出圖片劃分為13×13個(gè)單元，并對(duì)每個(gè)單元分別進(jìn)行目標(biāo)檢測(cè)，生成多個(gè)目標(biāo)檢測(cè)框，檢測(cè)框由5個(gè)維度的參數(shù)組成，分別是檢測(cè)框中心坐標(biāo)(x，y)、檢測(cè)框?qū)挾圈?、檢測(cè)框高度h和置信度s. 模型預(yù)先保留諸多置信度不同的檢測(cè)框，通過(guò)對(duì)比，取出最優(yōu)解。

2 系統(tǒng)設(shè)計(jì)

本文提出的智能無(wú)損檢測(cè)方法是采用數(shù)字?jǐn)z像機(jī)對(duì)鋼絲繩進(jìn)行拍攝，通過(guò)線路將數(shù)據(jù)傳輸至中央處理器，由圖像識(shí)別軟件判斷鋼絲繩損傷狀態(tài)，并將判斷結(jié)果傳輸至可編程控制器PLC控制鋼絲繩的起停。系統(tǒng)主要包括：光源、數(shù)字?jǐn)z像機(jī)、信息傳輸子站、西門子PLC、圖像識(shí)別軟件、信息傳輸總站等。

系統(tǒng)共分為3個(gè)部分：1) 數(shù)據(jù)采集。主要由數(shù)字?jǐn)z像機(jī)、光源等組成。為實(shí)現(xiàn)鋼絲繩360°全方位檢測(cè)，系統(tǒng)采用多個(gè)攝影機(jī)對(duì)鋼絲繩的多個(gè)角度進(jìn)行拍攝；光源設(shè)置在攝像機(jī)附近，為其提供足夠光源。2) 信息傳輸線路。主要組成元件是信息傳輸子站、線纜等。當(dāng)接收到攝像機(jī)傳輸?shù)臄?shù)據(jù)后，通過(guò)4G網(wǎng)絡(luò)或煤礦局域網(wǎng)絡(luò)上傳至信息傳輸總站。信息傳輸子站功能單一，僅用于數(shù)據(jù)中轉(zhuǎn)和數(shù)據(jù)存儲(chǔ)；信息傳輸總站為數(shù)據(jù)庫(kù)，具有數(shù)據(jù)存儲(chǔ)、查詢、修改等功能。3) 檢測(cè)控制單元。包含PLC、圖像識(shí)別軟件等模塊。當(dāng)信息傳輸總站獲得實(shí)時(shí)數(shù)據(jù)，立刻比對(duì)訓(xùn)練集進(jìn)行目標(biāo)檢測(cè)，并把檢測(cè)結(jié)果反饋給PLC，實(shí)現(xiàn)鋼絲繩智能損傷。

檢測(cè)流程見(jiàn)圖3.

圖3 檢測(cè)流程圖

3 仿真結(jié)果與分析

采集300張架空乘人裝置鋼絲繩圖片作為樣本，其中240張作為訓(xùn)練集，60張作為驗(yàn)證集，在Anaconda環(huán)境管理器中配置好環(huán)境后，導(dǎo)入PyCharm軟件進(jìn)行訓(xùn)練。

在訓(xùn)練過(guò)程中，先用K-means聚類算法獲得大小合適的9個(gè)先驗(yàn)框，分別是?。篬11，9]、[20，23]、[27，21]；中：[39，33]、[52，41]、[69，57]；大：[102，83]、[153，132]、[174，146]. 批次大小設(shè)置為8，初始學(xué)習(xí)率設(shè)置為0.001，每次實(shí)驗(yàn)進(jìn)行30 000次循環(huán)迭代，訓(xùn)練總耗時(shí)大約3 h，得到損失函數(shù)的變化情況見(jiàn)圖4.

從圖4中可知，YOLO v3算法的損失值下降很快，在經(jīng)過(guò)極短的時(shí)間后就趨于相對(duì)穩(wěn)定狀態(tài)。因?yàn)槌跏蓟瘮?shù)值與目標(biāo)差異較多，所以在訓(xùn)練次數(shù)的迭代初期損失值變化最大；在迭代2 500次之后，損失值處于小范圍波動(dòng)狀態(tài)。從整個(gè)圖像可以看出，迭代5 000次前模型的損失值下降較快，迭代15 000次后損失值在小范圍內(nèi)微調(diào)，始終維持在9～10，證明此時(shí)的訓(xùn)練整體穩(wěn)定。

圖4 YOLO v3損失變化曲線圖

分別將驗(yàn)證集樣本加入訓(xùn)練完成后的模型進(jìn)行預(yù)測(cè)，計(jì)算得出性能指標(biāo)，見(jiàn)表1.

表1 YOLO v3算法的性能指標(biāo)表

由表1信息可以看出，YOLO v3的檢測(cè)速度可達(dá)66.8PFS，處于很高的數(shù)值，同時(shí)準(zhǔn)確率也超過(guò)90%.

4 結(jié) 論

1) 基于圖像識(shí)別的鋼絲繩無(wú)損檢測(cè)方法有效地解決了諸多模型中抗干擾能力差的問(wèn)題，且具有速度快、精度高、成本低等優(yōu)點(diǎn)，能夠適應(yīng)各種復(fù)雜環(huán)境下的檢測(cè)任務(wù)。

2) 該項(xiàng)技術(shù)的應(yīng)用可達(dá)到實(shí)時(shí)、預(yù)警、可靠的效果。通過(guò)全方位監(jiān)測(cè)鋼絲繩運(yùn)行狀態(tài)，實(shí)現(xiàn)精準(zhǔn)探傷。

3) 基于圖像識(shí)別的鋼絲繩無(wú)損檢測(cè)方法優(yōu)化了諸多煤礦企業(yè)的無(wú)損檢測(cè)方式，檢測(cè)過(guò)程更加智能，檢測(cè)結(jié)果更加精確。

4) 基于圖像識(shí)別的鋼絲繩無(wú)損檢測(cè)方法依賴于圖相的真實(shí)度，若鋼絲繩表面帶有較多油污、遮擋，則檢測(cè)效果很難達(dá)到理想值。