基于機器視覺技術的電梯曳引輪磨損檢測研究

林 寧

(福建省特種設備檢驗研究院 泉州分院，泉州 362000)

0 引 言

電梯是人們日常生活不可缺少的工具，曳引式電梯目前應用范圍廣泛。輪槽呈現(xiàn)不均勻磨損時，將影響電梯的曳引水平[1]。由于電梯運行曳引力是需要通過鋼絲繩與曳引輪槽摩擦產(chǎn)生的，一旦曳引輪槽磨損量超標，就會導致鋼絲繩打滑，以至于曳引力下降甚至消失，造成沖頂、溜梯等故障。磨損量就是由于磨損引起的材料損失量，其可以通過對長度、體積或質量變化的測量而得到。以往檢測電梯曳引輪磨損主要有經(jīng)驗目測法以及機械測量法兩種。經(jīng)驗目測法需利用經(jīng)驗人員依據(jù)自身的檢測經(jīng)驗，并使用鋼絲繩張力計丈量轎廂側每條鋼絲繩的張力，從而對磨損程度以及是否需要維修進行判斷；機械測量法即利用測量裝置通過測量曳引輪寬度、切口等尺寸衡量曳引輪是否存在磨損[2-3]。以上兩種方法需在曳引式電梯停機情況下檢測，具有較低的檢測效率，且檢測成本較高，需耗費大量人力物力。圖象處理技術具有較高的實時性以及檢測精度，利用機器視覺技術采集所需檢測圖象，通過對圖象實施處理獲取曳引輪磨損檢測結果[4]。機器視覺技術實現(xiàn)電梯曳引輪磨損檢測具有非接觸式以及可視化的特點，應用性較高。

目前針對曳引輪磨損檢測研究較多，文獻[5-6]分別利用單目視覺以及圖象處理技術實現(xiàn)電梯曳引輪磨損檢測[5-6]，以上兩種方法雖可以實現(xiàn)電梯曳引輪磨損的有效檢測，但存在檢測實時性較差，算法復雜性過高的缺陷。為解決這一問題，本文將機器視覺技術引進該領域，將被攝取目標轉換成圖象信號，幫助人們進行問題分析。為此，本文對基于機器視覺技術的電梯曳引輪磨損檢測方法進行研究。利用機器視覺技術采集電梯曳引輪圖象，利用校正后圖象通過輪廓定位與邊緣擬合方法獲取電梯曳引輪曳引繩與曳引輪槽間隙，計算電梯曳引輪繩槽間隙的遮擋補償量，獲取最終電梯曳引輪磨損檢測結果。通過實驗驗證采用該方法在檢測電梯曳引輪磨損方面的效果。

1 基于機器視覺技術的電梯曳引輪磨損檢測

1.1 機器視覺技術

1.1.1 圖象采集

選取CCD相機與高倍高分辨光學鏡頭結合的方式，采集電梯曳引輪圖象。機器視覺技術可將電梯曳引輪磨損檢測精度提升至微米級甚至更高[7]，滿足電梯曳引輪磨損檢測的高精度應用需求。應用于電梯曳引輪磨損檢測的機器視覺技術圖象采集總體結構圖如圖1所示。從圖1可以看出，通過CCD攝相機與高倍高分辨率鏡頭結合實現(xiàn)機器視覺技術的圖象采集，利用光源為高倍高分辨率鏡頭提供光源。光源照射電梯曳引輪磨損面[8]，通過高倍高分辨率鏡頭將電梯曳引輪成象結果投射至CCD攝相機中，通過圖象處理技術實現(xiàn)電梯曳引輪磨損檢測。

圖1 圖象采集總體結構圖

選取Point Grey 2/3英寸、象素為800萬的工業(yè)級黑白面陣CCD相機作為圖象采集相機；選取Navitar12倍放大倍率以及電機驅動為5相步進電機驅動的變倍、變焦放大光學鏡頭作為圖象采集鏡頭，將1.0x標準適配器以及2.0x鏡頭附件應用于鏡頭前端以及鏡頭后端配置中。圖象采集設備僅占用較小空間[9]，可適用于電梯曳引輪磨損檢測中，具有方便拆卸以及結構簡單的優(yōu)勢，檢測過程中不與電梯形成干涉，不影響電梯正常運行。

1.1.2 攝相機畸變模型

機器視覺技術采集圖象過程中，相機鏡頭存在畸變情況，利用畸變模型校正圖象采集過程中的畸變情況。徑向畸變所造成的畸變將令圖象采集時在徑向位置移動方向出現(xiàn)偏差。P1與P2分別表示理想投影點以及畸變投影點。離心畸變?yōu)殓R頭形成的畸變[10]，畸變點與離心點呈非線性關系。建立畸變模型如下：

式中：圖象投影點(xd,yd)與(x,y)分別表示理想點以及實際點，(αx,αy)表示由于鏡頭造成畸變的非線性關系畸變誤差。

采用機器視覺技術采集電梯曳引輪圖象時，建立電梯曳引輪圖象的離心畸變模型如下：

建立電梯曳引輪圖象的徑向畸變模型如下：

采用機器視覺技術檢測電梯曳引輪磨損對精度要求較高，采用以上畸變模型可改善電梯曳引輪磨損檢測過程中造成的畸變。

1.2 圖象預處理

灰度處理所采集的電梯曳引輪圖象，完成圖象灰度處理后通過以下步驟實現(xiàn)圖象預處理：

1) 雙邊濾波。選取改進Canny算子實現(xiàn)圖象的雙邊濾波，Canny算子通常情況下采用高斯濾波方法對圖象實施降噪處理。高斯濾波降噪方法可能造成圖象邊緣模糊情況，令圖象中的細節(jié)信息缺失，影響電梯曳引輪磨損檢測精度。預處理電梯曳引輪圖象時，選取雙邊濾波方法對圖象實施降噪處理[11]，提升圖象的邊緣細節(jié)顯示程度。令圖象中的邊緣象素僅受到較小影響，保留所采集圖象的邊緣象素。加權處理鄰域象素值，獲取采用雙邊濾波算法輸出象素值表達式如下：

式中:f(k,l)與I(i,j)分別表示輸入的電梯曳引輪圖象象素值以及輸出象素值，w(i，j，k，l)表示加權系數(shù)。

2) 梯度計算。通過計算梯度幅值以及方向確定兩部分實現(xiàn)梯度計算。將完成濾波處理后圖象利用鄰域為2×2的一階偏導差分計算，獲取采集圖象的梯度幅值表達式如下：

電梯曳引輪圖象的梯度方向表達式如下：

式中:Qx(i,j)與Qy(i,j)分別表示方向為x與y的電梯曳引輪圖象象素點(i,j)的偏導，通常情況下選取0、45°、90°、135° 4個角度作為梯度方向。

3)雙閾值化處理。T1與T2表示高閾值以及低閾值，利用所設定閾值實現(xiàn)圖象分割。這是因為在采集圖象時由于其他設備以及環(huán)境等情況引起的噪聲會導致采集圖象失真，無法進行圖象分析。為此，需要對噪聲進行去除，而在進行去噪操作時，必須選擇合適的閾值，否則會導致采集圖象仍然不清晰。將幅值大于T1以及小于T2的點分別標記為邊緣點以及非邊緣點，幅值結果處于二者之間時，需繼續(xù)在鄰域中搜尋[12]，存在可連通的邊緣點設置為邊緣點，否則設置為非邊緣點，通過以上過程獲取電梯曳引輪圖象邊緣檢測結果。

1.3 曳引輪磨損檢測算法

1.3.1 輪廓定位與邊緣擬合

完成圖象預處理后，利用所獲取的邊緣檢測結果定位電梯曳引輪曳引繩以及曳引槽間的輪廓。選取不變矩匹配方法，設置匹配模板為標準輪廓形狀，選取連通域標記方法獲取圖象以及模板的全部輪廓[13]。利用待檢測圖象中輪廓與模板圖象輪廓的不變矩獲取二者之間的相似度。輪廓不變矩過程如下：

采集的電梯曳引輪圖象為離散狀態(tài)下，階數(shù)為p+q時，幾何矩表達式如下：

采集的電梯曳引輪圖象階數(shù)為p+q時，中心矩表達式如下：

式中:(m,n)與f(m,n)分別表示采集圖象象素點坐標值以及灰度值。

中心距歸一化公式如下：

通過以上過程導出不變矩，利用不變矩通過相似度公式獲取電梯曳引輪圖象輪廓相似度結果如下：

(12)

利用式(12)的輪廓相似度結果獲取電梯曳引輪曳引繩與曳引輪槽間隙值，利用間隙值衡量曳引輪磨損量。

1.3.2 電梯曳引輪繩槽遮擋補償量

電梯曳引輪繩槽地面以曲面狀態(tài)呈現(xiàn)，采集圖象時繩槽間隙與底部形成遮擋[14]，需計算電梯曳引輪繩槽遮擋補償量，提升電梯曳引輪磨損檢測精度。設置曳引輪圓心作為坐標系坐標原點，用(r+θ,0)表示繩槽底部遮擋相機時，所采集電梯曳引輪檢測區(qū)域邊緣坐標；用(R-H,S)表示采集電梯曳引輪相機的光心坐標。將以上坐標代入直線方程y=kx+b中，用(x,y0)表示受遮擋點與相機光心點相連直線上的隨機點坐標，可得垂直距離表達式如下：

式中:S與H分別表示相機垂直方向物距以及電梯曳引輪鋼絲繩至相機光心間距；θ與R分別表示相機拍攝時受繩槽影響的遮擋長度以及曳引輪圓心至鋼絲繩外緣距離；l表示曳引輪圓心至電梯曳引輪接觸面極限可視點至相機光心的連線距離，即繩槽底部至曳引輪圓心距離[15]，其計算公式如下：

由于存在R=δ+l，δ=δ′+θ，其中δ與δ′分別表示電梯曳引輪繩槽槽底至鋼絲繩外緣間距以及所采集圖象的待檢測區(qū)域可見長度。

獲取電梯曳引輪繩槽遮擋補償量公式如下：

S2(l+θ)2-l2(H-δ′)2-l2S2=0

(15)

通過式(15)實現(xiàn)電梯曳引輪繩槽遮擋補償，提升電梯曳引輪磨損檢測精度。

2 實例分析

為驗證基于機器視覺技術的電梯曳引輪磨損檢測方法對于電梯曳引輪磨損檢測有效性，將本文方法應用于某17層建筑中的電梯曳引輪磨損檢測。

本文方法采用機器視覺技術采集電梯曳引輪圖象如圖2所示。從圖2可以看出，本文方法所采集圖象具有較高的清晰度。本文方法在機器視覺技術的基礎上，利用光源為高倍高分辨率鏡頭提供光源。光源照射電梯曳引輪磨損面，通過高倍高分辨率鏡頭將電梯曳引輪成像結果投射至CCD攝相機中，還采用機器視覺模型中的畸變模型抑制相機采集圖象過程中的畸變，可實現(xiàn)電梯曳引輪高清圖象采集。

圖2 采集電梯曳引輪圖象

利用本文方法對圖象實施灰度處理，灰度處理后結果如圖3所示。從圖3可以看出，本文方法可實現(xiàn)所采集電梯曳引輪圖象的灰度處理，但存在部分區(qū)域由于噪聲導致圖象模糊情況。灰度處理后的圖象有助于電梯曳引輪邊緣提取，為電梯曳引輪磨損精準檢測提供基礎。

圖3 灰度處理后圖象

利用本文方法對灰度處理后的圖象實施雙邊濾波，雙邊濾波處理結果如圖4所示。從圖4可以看出，利用雙邊濾波處理提升了完成灰度處理后的圖象清晰度，雙邊濾波可有效處理圖象中所包含的噪聲，令圖象具有更高的清晰度，提升圖象邊緣檢測性能。

圖4 雙邊濾波結果

利用本文方法，并通過雙閾值化處理獲取圖象邊緣檢測結果如圖5所示。從圖5可以看出，采用本文方法可實現(xiàn)圖象邊緣的有效檢測，利用所檢測的電梯曳引輪圖象邊緣實現(xiàn)電梯曳引輪磨損的精準檢測。

圖5 邊緣檢測結果

本文方法采用機器視覺技術采集圖象時，利用畸變模型對CCD攝相機所采集圖象實施畸變校正處理。本文方法進行畸變校正前后的投影誤差分布結果如圖6所示。從圖6可以看出，本文方法可利用機器視覺模型中的畸變模型實現(xiàn)圖象采集過程中的畸變校正，使光心的投影誤差較為集中。采用本文方法進行畸變校正后，可令相機具有最優(yōu)的參數(shù)，相機標定精度有所提升，而且可以提升電梯曳引輪磨損檢測精度。

圖6 投影誤差校正結果

采用本文方法檢測電梯曳引輪磨損，電梯曳引輪輪槽以及輪繩間距遮擋補償結果如圖7所示。從圖7可以看出，采用本文方法可實現(xiàn)電梯曳引輪繩槽間距的有效補償，驗證本文方法補償電梯曳引輪繩槽間距具有較高有效性，本文方法可通過輪槽間距補償提升電梯曳引輪磨損檢測精度。

圖7 繩槽間隙補償結果

采用本文方法檢測電梯曳引輪磨損的統(tǒng)計結果如表1所示。從表1可以看出，采用本文方法可實現(xiàn)電梯曳引輪磨損量的有效檢測。本文方法采用非接觸式測量方法，實現(xiàn)不同檢測點磨損量精準檢測。本文方法檢測不同檢測點電梯曳引輪磨損量結果均在合格判定標準內，說明該曳引式電梯為安全運行狀態(tài)。采用人工機械測量方法檢測電梯曳引輪磨損同樣為安全狀態(tài)，此電梯曳引輪磨損量檢測結果與采用人工機械測量法所檢測結果相同，說明本文方法檢測結果與實際結果相符。

表1 電梯曳引輪磨損檢測結果

3 結 語

本文利用機器視覺技術采集圖象實現(xiàn)電梯曳引輪磨損檢測。將采集圖象實施雙邊濾波等預處理，通過圖象預處理實現(xiàn)圖象邊緣檢測，利用完成分割的圖象實現(xiàn)電梯曳引輪磨損檢測，實現(xiàn)電梯曳引輪磨損的有效量化。采用機器視覺技術實現(xiàn)電梯曳引輪磨損檢測，具有較高的實時測量性能。本研究方法可實現(xiàn)電梯曳引輪不均勻異常磨損的有效檢測，在電梯實際運行中具有較高的有效性。