DOI：10.16652/j.issn.1004-373x.2025.16.026

中圖分類號(hào)：TN919-34；TP391 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1004-373X（2025）16-0161-06

Dynamicself-adaptiveelevatorsteelbelttypical faultdetectionalgorithm

ZHOUZecheng1，LIChen1，XUFeng2，ZHANGCai3，HUANGKanfei2 （1.CollegeofEnergy，Environmentand Safety Engineering，ChinaJiliangUniversity，Hangzhou 31o8，China; 2.ZhejiangAcademyofSpecialEquipment Science，Hangzhou 31ooo9，China; 3.Wenzhou Special Equipment Inspectionamp; Science Research Institute，Wenzhou 325oo1，China）

Abstract：Inalusion totheproblems ofpoorreal-timedetection，lowaccuracyandcomplex processintraditional elevator stlbeltypicalfaults，nlevatorstelbelttypcalfaultetetionalgoribsedonamicself-adapation，DOis proposed.ThedeformableconvolutionDCNv2isusedtoreplacetraditionalconvolutionlayers，soastobeteradapttovariations inshapesand structuresoffaults.Themulti-scalelarge kernel separable （MLKS）moduleisconstructedtoenhancethe model's adaptabilitytodiferentfeaturescalesandspatialvariations.Adual-pathchannelatention（DPCA）mechanismisproposedto strengthenthemodel'scapabilityinfeatureperception，extraction，andfusiononthechaneldimension.Adynamicshared alignment（DSA）detection headisdesigned tooptimizethe independence，irelevance，and featureconflictisuesduring localizationandclassificationtasks.Theexperimentalresultsshowthat，ontheelevatorsteelbelttypicalfaultdatasets，DSMAYOLO can increase mAP@0.5and mAP@0.5～0.95by4.4%and10.1%respectively compared with the baselinealgorithm YOLOv8n，whichisbeterthanothercomparativeobjectdetectionalgorithm，andcanmet thereal-timerequirementsfor elevatorsteel belt typical fault detection，providing references for elevator fault diagnosis methods and applications.

Keywords：elevatorsteelbelt;faultdetection；dynamicself-adaption;YOLOv8n;deformableconvolution;dual-chael attention mechanism; feature sharing

0 引言

隨著社會(huì)經(jīng)濟(jì)水平和城市化進(jìn)程的迅速發(fā)展，電梯已成為人們必不可少的垂直交通工具，同時(shí)人們對(duì)于電梯的安全性和舒適性的要求日益增加，因此新材料、新工藝、新技術(shù)也逐漸在電梯制造、設(shè)計(jì)、運(yùn)維中開(kāi)展應(yīng)用。其中，鋼帶作為電梯的核心零部件，承擔(dān)著電梯關(guān)鍵的承重和驅(qū)動(dòng)任務(wù)。鋼帶雖然相較于傳統(tǒng)的鋼絲繩具有諸多顯著優(yōu)勢(shì)，但是在長(zhǎng)時(shí)間服役過(guò)程中仍存在一些不足，包括電梯鋼帶磨損裸露、鼠嚙破損和橫向裂紋等問(wèn)題，會(huì)對(duì)電梯使用安全造成巨大威脅。目前，電梯鋼帶典型故障的檢測(cè)方法主要以人工自測(cè)法為主，但是該方法存在較多不足，如嚴(yán)重耗費(fèi)人力、無(wú)法實(shí)時(shí)檢測(cè)以及有較高檢測(cè)誤差等。而在工業(yè)領(lǐng)域所應(yīng)用的電梯鋼帶無(wú)損檢測(cè)技術(shù)，如基于金屬材料的電磁檢測(cè)技術(shù)、壽命預(yù)測(cè)值法、電阻檢測(cè)法等[2]，都普遍存在操作復(fù)雜和檢測(cè)實(shí)時(shí)性低等問(wèn)題。

近年來(lái)，基于深度學(xué)習(xí)的目標(biāo)檢測(cè)技術(shù)在相關(guān)領(lǐng)域取得了顯著進(jìn)展。文獻(xiàn)[4]提出了一種改進(jìn)的YOLOv8-t模型，通過(guò)使用FasterNetBlock和Slim-Neck結(jié)構(gòu)進(jìn)行相關(guān)結(jié)構(gòu)優(yōu)化，并使用自研檢測(cè)頭Detect-G和基于跨空間多尺度的注意力機(jī)制，顯著提升了PCB小目標(biāo)缺陷檢測(cè)的精度和效率，同時(shí)實(shí)現(xiàn)了模型輕量化。文獻(xiàn)[5]為解決絕緣子小目標(biāo)特征不足導(dǎo)致的檢測(cè)精度低和模型體積大的問(wèn)題，提出了MPH-YOLO算法，通過(guò)多尺度檢測(cè)、SIoU損失函數(shù)和Ghost卷積技術(shù)實(shí)現(xiàn)了檢測(cè)精度和模型輕量化的雙重提升。文獻(xiàn)[6]針對(duì)工廠中行人檢測(cè)算法精度不足和存在誤檢、漏檢等問(wèn)題，提出了一種基于改進(jìn)YOLOv8的工廠行人檢測(cè)算法，通過(guò)在YOLOv8中集成CBAM和CoordConv模塊，并采用Inner-IoU損失函數(shù)，實(shí)現(xiàn)了對(duì)遮擋和小目標(biāo)更好的檢測(cè)及更高的定位精度。文獻(xiàn)[7]提出了一種結(jié)合雙向特征金字塔網(wǎng)絡(luò)、Ghostblockv2結(jié)構(gòu)、WiseIoU損失函數(shù)以及動(dòng)態(tài)非單調(diào)聚焦機(jī)制的算法，有效解決了無(wú)人機(jī)多目標(biāo)探測(cè)中的小目標(biāo)誤檢、漏檢和長(zhǎng)距離特征傳輸信息丟失的問(wèn)題。文獻(xiàn)[8]通過(guò)引人C3Ghost卷積模塊、全局關(guān)注機(jī)制模塊、DCNv2、特征上采樣算子以及多注意檢測(cè)頭，提出了一種基于多關(guān)注機(jī)制YOLOv8的軸承表面缺陷檢測(cè)方法，解決了傳統(tǒng)方法漏檢率高、特征融合不足和模型過(guò)大的問(wèn)題。

為應(yīng)對(duì)電梯鋼帶典型故障檢測(cè)時(shí)所面臨的形狀結(jié)構(gòu)復(fù)雜性、多尺度表征和特征提取能力不足，以及目標(biāo)任務(wù)定位與分類任務(wù)的特征沖突等問(wèn)題，本文提出一種針對(duì)電梯鋼帶典型故障的實(shí)時(shí)檢測(cè)算法DSMA-YOLO，主要的貢獻(xiàn)有：

1）采用可變形卷積DCNv2，解決電梯鋼帶典型故障特征圖形狀結(jié)構(gòu)復(fù)雜的問(wèn)題；2）構(gòu)造多尺度大核分離（Multi-ScaleLargeKernelSeparable，MLKS）模塊，解決原模型多尺度表征能力不足的問(wèn)題；3）提出雙通道注意力（DualPathChannelAttention，DPCA）機(jī)制，解決模型在通道維度上的感知能力和特征提取能力不足的問(wèn)題；4）設(shè)計(jì)動(dòng)態(tài)共享對(duì)齊（Dynamic ShareAlignment，DSA）檢測(cè)頭，解決電梯鋼帶典型故障特征在定位和分類任務(wù)中存在的獨(dú)立性、無(wú)關(guān)性以及特征沖突問(wèn)題。

1 YOLOv8算法

YOLOv8算法是YOLO系列中的最新改進(jìn)算法，相較于目前使用較為普遍的YOLOv5算法[]，在檢測(cè)精度和速度方面都提升顯著。YOLOv8算法采用C2f模塊結(jié)合高級(jí)特征與上下文信息，增強(qiáng)梯度流；同時(shí)，使用主流解耦頭結(jié)構(gòu)減少參數(shù)和計(jì)算復(fù)雜度，并采用無(wú)錨框檢測(cè)提升模型的泛化性和魯棒性。此外，正樣本選擇基于分類和回歸分?jǐn)?shù)加權(quán)，分類分支利用二元交叉熵?fù)p失，回歸分支結(jié)合焦點(diǎn)損失和完全交并比損失，提高邊界框預(yù)測(cè)的準(zhǔn)確性。

2 DSMA-YOLO算法

為了保證電梯鋼帶典型故障檢測(cè)算法的實(shí)時(shí)性和模型大小的可控性，本文選取YOLOv8n算法作為基準(zhǔn)模型，提出了電梯鋼帶典型故障檢測(cè)算法DSMA-YOLO，其整體網(wǎng)絡(luò)結(jié)構(gòu)圖如圖1所示。

圖1DSMA-YOLO網(wǎng)絡(luò)模型結(jié)構(gòu)圖

2.1可變形卷積DNCv2模塊傳統(tǒng)卷積在電梯鋼帶典型故障特征提取過(guò)程中，其采樣位置受限于固定的矩形框架，使得感受野無(wú)法充分覆蓋電梯鋼帶失效特征圖中的不規(guī)則幾何形狀區(qū)域，導(dǎo)致這些區(qū)域的特征無(wú)法被充分提取，從而降低了模型的檢測(cè)能力。本文采用可變形卷積 DCNv2 ，引入了一種更靈活的卷積核，通過(guò)在卷積操作中引人偏移量，使卷積核在空間上進(jìn)行自適應(yīng)的動(dòng)態(tài)調(diào)整，捕捉不同目標(biāo)的幾何變化，進(jìn)而更好地適應(yīng)電梯鋼帶典型故障的形變和復(fù)雜結(jié)構(gòu)。C2f-DCNv2結(jié)構(gòu)示意圖如圖2所示。

圖2C2f-DCNv2結(jié)構(gòu)示意圖

2.2 多尺度大核分離模塊

傳統(tǒng)的注意力機(jī)制，如自注意力（SelfAttention）以及大核卷積核注意力（LargeKernelAttention）機(jī)制[12均存在一定不足。其中，自注意力機(jī)制雖具有長(zhǎng)程依賴性，但忽略了圖像二維結(jié)構(gòu)，可能導(dǎo)致信息失真；而大核卷積核注意力機(jī)制雖考慮了二維結(jié)構(gòu)，但其計(jì)算復(fù)雜度高會(huì)影響模型效率。因此，本文基于空間金字塔池化（SpatialPyramidPooling）模塊，引人大型可分離核注意力（LargeSeparableKernelAttention，LSKA）機(jī)制[3]構(gòu)造MLKS模塊，在特征融合過(guò)程中更加強(qiáng)調(diào)跨尺度特征，能夠聚焦于更多有效的電梯鋼帶典型故障特征信息，并加強(qiáng)特征融合效果，提升檢測(cè)精度。MLKS模塊網(wǎng)絡(luò)結(jié)構(gòu)圖如圖3所示。

圖3MLKS模塊網(wǎng)絡(luò)結(jié)構(gòu)圖

2.3雙通道注意力機(jī)制

傳統(tǒng)的通道注意力機(jī)制在提升網(wǎng)絡(luò)性能和參數(shù)效率方面表現(xiàn)優(yōu)異，但仍存在計(jì)算復(fù)雜度高、特征信息不完整以及適應(yīng)性不足等問(wèn)題。針對(duì)上述缺點(diǎn)，本文基于雙注意力網(wǎng)絡(luò)的思想14提出了一種DPCA機(jī)制，結(jié)構(gòu)如圖4所示。

圖4DPCA機(jī)制結(jié)構(gòu)示意圖

DPCA機(jī)制的主要流程如下。

1）雙路特征提取。輸入電梯鋼帶故障特征圖X∈R^H×W×C ，通過(guò)兩個(gè)獨(dú)立通道處理：第一通道進(jìn)行 3× 3常規(guī)卷積，第二通道采用 5×5 分組卷積（GroupedConvolution）。然后，分別進(jìn)行批量歸一化和高斯誤差線性單元處理，以增強(qiáng)模型的穩(wěn)健性和特征稀疏表示能力。最后，將所有輸出特征圖拼接為最終特征圖Y。

2）雙路卷積拼接和分離操作。將兩個(gè)通道的輸出特征圖拼接后，進(jìn)行 3×3 卷積；然后，采用Split策略沿通道維度將融合特征圖拆分為 X₁ 和 X₂ ，保留整體特征結(jié)構(gòu)以便于后續(xù)處理;最后，將 X_i 與 X₂ 再次拼接融合，形成更豐富且多層次的特征圖。

2.4動(dòng)態(tài)共享對(duì)齊檢測(cè)頭

為了解決電梯鋼帶典型故障檢測(cè)在分類和定位時(shí)存在的特征沖突問(wèn)題，并進(jìn)一步提升模型的關(guān)鍵性能，本文在YOLOv8n算法的頭部網(wǎng)絡(luò)結(jié)構(gòu)中引入DSA檢測(cè)頭，結(jié)構(gòu)如圖5所示。

圖5DSA檢測(cè)頭結(jié)構(gòu)示意圖

DSA檢測(cè)頭運(yùn)行的主要流程如下。

1）輸入特征圖經(jīng)過(guò)兩次遞歸門控卷積（RecursiveGateConvolution）和組歸一化處理，形成電梯鋼帶故障特征映射，并進(jìn)行拼接。

2）對(duì)合并特征圖進(jìn)行分割：一部分生成掩碼和偏移量，作為DCNv2模塊動(dòng)態(tài)過(guò)濾的基礎(chǔ)；另一部分通過(guò)兩個(gè)任務(wù)分解（TaskDecomposition）模塊[15]，生成多個(gè)子任務(wù)特征，一部分由DCNv2處理，另一部分經(jīng)過(guò)ReLU和Sigmoid激活后與其他特征圖相乘，實(shí)現(xiàn)信息融合并提升辨別力。

3）DCNv2自適應(yīng)調(diào)整濾波器位置，捕捉復(fù)雜特征變化，處理后的特征送入獨(dú)立卷積層進(jìn)行回歸預(yù)測(cè)，生成3個(gè)回歸輸出。同時(shí)，通過(guò)將ReLU和Sigmoid激活后的特征圖與TD模塊產(chǎn)生的特征圖相乘，生成3個(gè)分類結(jié)果。

3 實(shí)驗(yàn)與結(jié)果分析

3.1實(shí)驗(yàn)環(huán)境和數(shù)據(jù)集

實(shí)驗(yàn)環(huán)境使用LinuxUbuntu操作系統(tǒng)，顯卡型號(hào)為NVIDIAGeForceRTX4090D，24GB顯存，處理器為AMDEPYC9754128-CoreProcessor，18核，深度學(xué)習(xí)框架為PyTorch2.0.0，GPU加速庫(kù)為CUDA11.8，編程語(yǔ)言為Python3.8.19，開(kāi)發(fā)者使用的集成開(kāi)發(fā)環(huán)境（IDE）是VisualStudioCode。訓(xùn)練時(shí)，輸入圖像尺寸為 640× 640，每個(gè)模型訓(xùn)練周期為150輪，Batch-size為32，工作線程數(shù)為16，使用SGD優(yōu)化器，學(xué)習(xí)率設(shè)定為0.001。

本研究實(shí)驗(yàn)數(shù)據(jù)集采用省某特種設(shè)備檢測(cè)機(jī)構(gòu)詳細(xì)記錄的3類電梯鋼帶典型故障：磨損裸露、鼠嚙破損以及橫向裂紋，共有5357張圖像，并按7：1：2的比例劃分為訓(xùn)練集、驗(yàn)證集和測(cè)試集。

3.2 評(píng)價(jià)指標(biāo)

為了評(píng)估本文所提算法的有效性，選取精確率 P /召回率 R ，以及平均精度均值mAP中的 mAP@0.5 和nAP@0.5～0.95 作為模型對(duì)多個(gè)目標(biāo)類別綜合檢測(cè)性能評(píng)價(jià)的指標(biāo)。同時(shí)，為了衡量本文算法模型的復(fù)雜程度和檢測(cè)速度，加人每秒的推理速度FPS（FramesPerSecond）、每秒10億次的浮點(diǎn)運(yùn)算次數(shù)（GFLOPs）、模型大小（Modelsize）和參數(shù)量（Parameter）作為評(píng)價(jià)指標(biāo)。

3.3 消融實(shí)驗(yàn)

為驗(yàn)證本文算法中各項(xiàng)改進(jìn)模塊的有效性，以原YOLOv8n為基準(zhǔn)模型，采用 /FPS、GFLOPs、模型大小以及模型參數(shù)量作為評(píng)價(jià)指標(biāo)，對(duì)多個(gè)改進(jìn)模塊的不同組合進(jìn)行消融實(shí)驗(yàn)，結(jié)果如表1所示。根據(jù)消融實(shí)驗(yàn)結(jié)果可知：本文改進(jìn)后的DSMA-YOLO相比較于原YOLOv8n基準(zhǔn)模型，雖然在模型大小、參數(shù)量、FPS以及GFLOPs上有一定程度的削弱，但平均精度均值 mAP@0.5 和 mAP@0.5～0.95 分別提高了4.4% 和 10.1% ，充分表明了DSMA-YOLO的有效性。

表1消融實(shí)驗(yàn)結(jié)果

3.4對(duì)比實(shí)驗(yàn)

為進(jìn)一步驗(yàn)證本文算法的優(yōu)越性，在相同的條件下，將DSMA-YOLO與當(dāng)前熱門的檢測(cè)模型進(jìn)行對(duì)比實(shí)驗(yàn)，結(jié)果如表2所示。

根據(jù)對(duì)比實(shí)驗(yàn)結(jié)果可知：本文提出的DSMA-YOLO模型與現(xiàn)有的其他主流模型相比，多個(gè)指標(biāo)都具有優(yōu)越性。同時(shí)，DSMA-YOLO與同類的YOLOv8s和YOLOv10s算法相比，在模型大小、參數(shù)量和GFLOPs上都有略微提升，但沒(méi)有高于YOLOv8s算法；其 mAP@0.5 和 mAP（a） 0.5～0.95明顯高于YOL0系列算法。

表2對(duì)比實(shí)驗(yàn)結(jié)果

3.5 檢測(cè)結(jié)果可視化分析

根據(jù)消融實(shí)驗(yàn)和對(duì)比實(shí)驗(yàn)的結(jié)果，本文選取基準(zhǔn)模型 ΥOLOv8n 和DSMA-YOLO進(jìn)行電梯鋼帶3種典型故障檢測(cè)結(jié)果的可視化對(duì)比，包括磨損裸露、鼠嚙破損和橫向裂紋，如圖6所示。根據(jù)檢測(cè)的可視化結(jié)果可知：DSMA-YOLO算法的檢測(cè)置信度在磨損裸露檢測(cè)中由0.82提高至0.94，增幅 14.6% ；在鼠嚙破損檢測(cè)中雖然增幅不顯著，但是成功消除了漏檢問(wèn)題；在橫向裂紋檢測(cè)中，第一條裂紋從0.66提升至0.77，第二條裂紋從0.69提升至0.81，增幅分別為 16.7% 和 17.4% 。

圖6檢測(cè)結(jié)果可視化對(duì)比圖

綜上所述，DSMA-YOLO算法不僅提升了檢測(cè)效率，還有效降低了誤檢與漏檢現(xiàn)象，其檢測(cè)置信度的提升與故障判斷的準(zhǔn)確性均優(yōu)于對(duì)比實(shí)驗(yàn)中的YOLOv8n算法。

4結(jié)語(yǔ)

針對(duì)傳統(tǒng)電梯鋼帶典型故障檢測(cè)實(shí)時(shí)性差、精度低和流程復(fù)雜的問(wèn)題，本文基于YOLOv8n模型，提出了一種基于動(dòng)態(tài)自適應(yīng)的電梯鋼帶典型故障檢測(cè)算法DSMA-YOLO。首先，采用可變形卷積DCNv2替換傳統(tǒng)卷積層，更好地適應(yīng)故障的形狀和結(jié)構(gòu)變化；其次，構(gòu)造多尺度大核分離（MLKS）模塊，增強(qiáng)模型對(duì)不同特征尺度和空間變化的自適應(yīng)能力；然后，提出一種雙通道注意力（DPCA）機(jī)制，強(qiáng)化模型在通道維度上的特征感知、提取和融合能力；最后，設(shè)計(jì)動(dòng)態(tài)共享對(duì)齊（DSA）檢測(cè)頭，優(yōu)化定位和分類任務(wù)中的特征獨(dú)立性、特征無(wú)關(guān)性及特征間沖突問(wèn)題。實(shí)驗(yàn)結(jié)果證明：改進(jìn)后的算法平均精度均值達(dá)到了 90.2% ，并保證了檢測(cè)實(shí)時(shí)性；同時(shí)，在各方面均優(yōu)于當(dāng)前主流 ΥOLOv8n 目標(biāo)檢測(cè)模型，為電梯故障檢測(cè)方法及應(yīng)用提供了參考。

未來(lái)的研究重點(diǎn)除了豐富電梯鋼帶典型故障的數(shù)據(jù)集之外，還需要優(yōu)化模型體積，以輕量化為目標(biāo)，將模型部署在資源受限的邊緣端設(shè)備中。

注：本文通訊作者為李琛。

參考文獻(xiàn)

[1]王金釗.電梯電引鋼帶的檢驗(yàn)分析[J].中國(guó)設(shè)備工程，2023 （4）：147-149.

[2]鄭瑞.基于機(jī)器視覺(jué)的電梯鋼帶表面損傷檢測(cè)研究[D].徐州： 中國(guó)礦業(yè)大學(xué)，2022.

[3]曹家樂(lè)，李亞利，孫漢卿，等.基于深度學(xué)習(xí)的視覺(jué)目標(biāo)檢測(cè)技 術(shù)綜述[J].中國(guó)圖象圖形學(xué)報(bào)，2022（6）：27.

[4]張淑卿，孟昊，葛超.改進(jìn)YOLOv8n的輕量級(jí)PCB缺陷檢測(cè)算 法[J].現(xiàn)代電子技術(shù)，2024，47（15）：115-121.

[5]文思予，張上，張朝陽(yáng)，等.基于改進(jìn)YOLOv8s的多尺度檢測(cè) 算法[J].現(xiàn)代電子技術(shù)，2024，47（15）：133-138.

[6]陳思涵，劉勇，何祥.基于改進(jìn)YOLOv8的工廠行人檢測(cè)算法 [J].現(xiàn)代電子技術(shù)，2024，47（24）：160-166.

[7]LIYT，F(xiàn)ANQS，HUANGHS，etal.AmodifiedYOLOv8 detection network for UAV aerial image recognition [J].Drones， 2023，7（5）：1-26.

[8]DINGPC，ZHANHF，YUJH，etal.Abearingsurfacedefect detection method based on multi-attention mechanism Yolov8 [J].Measurement science and technology，2024，35（8）：75402- 75410.

[9] ZHU X，HUH，LINS，et al.Deformable ConvNets V2：more deformable，better results [C]//2019 IEEE/CVF Conference on Computer Vision and Pattern Recognition.[S.l.]：IEEE，2020： 9300-9308.

[10]JOCHERG，NISHIMURA K，MINEEVA T，et al.YOLOv8 [EB/OL].[2023-05-04]. https：//github.com/ultralytics/ultralytics/ tags.

[11]JOCHERG，NISHIMURA K，MINEEVA T，etal.YOLOv5 （minor version6.2）[EB/OL].[2023-05-04]. https：//github.com/ ultralytics/yolov5/releases/tag/v6.2.

[12]GUO MH，LUCZ，LIUZN，etal.Visual attention network [J].Computational visual media，2023，9（4）：733-752.

[13]LAU K W，PO L M，REHMAN Y.Large separable kernel attention：rethinking the large kernel attention design in CNN [J].Expert systems with applications，2024，14（8）：1-16.

[14]FUJ，LIUJ，TIANH，etal.Dual attentionnetwork for scene segmentation [C]//2O19 IEEE/CVF Conference on Computer Visionand Pattern Recognition.LongBeach，CA，USA：IEEE， 2020：3141-3149.

[15]FENGCJ，ZHONGYJ，GAOY，etal.TOOD：task-aligned one- stage object detection [J]. IEEE transactions on pattern analysis and machine intelligence，2021（2）：3490-3499.

作者簡(jiǎn)介：周澤丞（1997—），男，紹興人，碩士研究生，研究方向?yàn)樯疃葘W(xué)習(xí)、目標(biāo)檢測(cè)。李?。?984—），男，寧夏銀川人，博士研究生，博士后，副教授，研究方向?yàn)樯疃葘W(xué)習(xí)、大尺寸晶體基片自適應(yīng)超精密加工方法。