[0001] 本发明涉及架空输电线路技术领域，尤其是涉及钢丝绳缺陷识别方法、装置、设备和介质。

[0002] 防扭钢丝绳是张力放线施工中的主要机具，它又称编织防扭钢丝绳，也称无扭钢丝绳或不旋转钢丝绳。它是由一组左向捻和一组右向捻的圆形股绳钢丝绳(交叉的螺旋轨迹)对称编织而成，其中左向捻股和右向捻股数量相等，两组螺旋力矩因方向相反而平衡，使钢丝绳在受力时具有不旋转特性，因而被应用于牵引机构、卷绕机构、放线滑车等设备中。

[0003] 然而在长期的使用过程中，钢丝绳会与各种设备、工机具因表面摩擦而出现耗损，在牵引作业过程中也会因载荷冲击、过载而出现变形损伤，受外界环境影响而出现生锈、扭绞、断股等问题。基于以上原因，钢丝绳将不可避免的产生缺陷。但有这样的任何一点缺陷都可能造成钢丝绳跑线甚至断裂，将造成严重的安全事故。

[0004] 因此，除了定期的维护保养之外，在张力架线施工前，常需要对防扭钢丝绳的编织质量及外观质量采用手感和目测等外观检查方式来进行检查，检查人员一旦发现缺陷，需要及时进行上报及维修处理。然而该方式主要是依赖人员的经验进行判断，长时间的观察下容易因疲劳而引起误判。同时这种方式也需要大量的人力资源。

[0037] 下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

[0038] 如图1所示，图1为一个实施例中钢丝绳缺陷识别方法的流程示意图，本实施例中钢丝绳缺陷识别方法提供的步骤包括：

[0039] 步骤102，获取目标钢丝绳图像，对目标钢丝绳图像进行图像预处理，获取预处理图像。

[0040] 在钢丝绳检测现场，控制摄像头对准拉直的、匀速前进的待检测钢丝绳，拍摄待检测钢丝绳得到目标钢丝绳图像。对目标钢丝绳图像进行图像预处理，以得到下一环节所需的、细节清晰的预处理图像。本实施中的预处理包括灰度处理、高斯模糊、开闭操作及边缘检测中的至少一种。

[0041] 其中，可采用的灰度处理的算法有多种，可根据需求任选一种。示例性的，采用分量法，将彩色的目标钢丝绳图像中的三分量的亮度分别作为三个灰度图像的灰度值，根据应用需要选取其中一张灰度图像。采用最大值法，将彩色的目标钢丝绳图像中的三分量亮度的最大值作为处理后灰度图像的灰度值。采用平均值法，将彩色的目标钢丝绳图像中的三分量亮度求平均值，作为处理后灰度图像的灰度值。采用加权平均法，根据重要性及其它指标，将三个分量以不同的权值进行加权平均，将加权值作为处理后灰度图像的灰度值。

[0042] 高斯模糊使用正态分布(高斯函数)来计算模糊模板，并使用该模板与目标钢丝绳图像做卷积运算，实现模糊目标钢丝绳图像的目的。其中N维空间下的正态分布方程为：

[0043]

[0044] 开闭操作实际由开操作和闭操作组成，是腐蚀和膨胀的一个组合运算，定位为：

[0045] 开操作：

[0046] 闭操作：

[0047] 开操作使用结构元B对集合A进行开操作，包括先用B对A进行腐蚀，然后用B对结果进行膨胀，使图像的轮廓变得光滑，断开较窄的狭颈和消除细的突出物。闭操作先用B对A进行膨胀，然后用B对结果进行腐蚀，与开操作相反，能弥合狭窄的间断和细长的沟壑，消除小的孔洞，并填补轮廓线中的裂痕。

[0048] 本步骤中可采用的边缘检测算子包括sobel，Roberts，Prewitt,Laplace等等，边缘检测算子是为了将其周围像素灰度有阶跃变化的像素检测出来，而这些像素组成的集合就是该图像的边缘。以sobel算子的检测过程为例，将目标钢丝绳图像中的每一个点都用sobel算子做两项卷积：一个用来检测垂直边缘，一个用来检测水平边缘，再将最后两个卷积的最大值作为每一点的输出，即检测后每一点的灰度。然后利用所有点的灰度考察每个像素在某个领域内灰度的变化，最后利用边缘临近一阶或二阶方向导数变化规律检测边缘，即边缘检测算法。

[0049] 步骤104，从知识库中下载目标缺陷模型，根据目标缺陷模型对预处理图像进行缺陷识别，以识别得到目标钢丝绳图像中钢丝绳的目标缺陷。

[0050] 本实施例中，在用于进行缺陷识别的工控机启动后，工控机从知识库下载最新的目标缺陷模型，并将摄像头采集的预处理图像输入缺陷模型以进行比对识别。在识别发现存在预先设定的任何一种目标缺陷时，进行声光告警。同时将包含目标缺陷的目标钢丝绳图像传回知识库的图像缺陷库中，以用于对目标缺陷模型进行训练更新。

[0051] 为了进行缺陷识别，在执行本步骤之前需提前搭建好目标缺陷模型。首先构建图像缺陷库，该图像缺陷库包括钢丝绳缺陷图像及匹配每一钢丝绳缺陷图像的缺陷标签。其中，钢丝绳缺陷图像包括在先检测到存在缺陷的历史图像以及计算机模拟出的缺陷图像等。由于钢丝绳缺陷众多，因此设置的缺陷标签应尽可能满足具有特征性的断丝、钢丝交错、绳套插接不良、股丝松散、节距不均、股松弛、波浪形、灯笼形、扭结、涂油不良、表面损伤、磨损变形、机械磨损、直径变细和锈蚀。此外为了使钢丝绳缺陷图像的样本数量满足训练需求，还对对钢丝绳缺陷图像进行扩增预处理，该扩增预处理包括图像模糊、角度旋转、调整对比度及切换通道中的至少一种，获取处理后的扩增钢丝绳缺陷图像及匹配的缺陷标签。最后将扩增钢丝绳缺陷图像及匹配的缺陷标签输入训练缺陷模型进行迭代训练，直至基于训练缺陷模型的训练输出结果与缺陷标签确定训练缺陷模型收敛，得到训练完成的目标缺陷模型。为避免迭代训练次数过多，还需要设置一个收敛的条件，例如设置两次迭代的损失函数差小于阈值来控制迭代次数，为了保险同时还有限定一个最大迭代次数。

[0052] 在识别得到目标缺陷后，再将目标钢丝绳图像及目标缺陷输入目标缺陷模型进行迭代训练，调整卷积神经网络中的超参数(例如学习率，网络层数)，同时通过在代价函数后面再加上一个正则化项来防止模型发生过拟合，以得到最新的目标缺陷模型。

[0053] 进一步的，本实施例中还可设置不同告警等级的告警提醒，例如针对低危险等级的黄色灯光告警，针对一般危险等级的红色灯光告警和针对高危险等级的声光告警。从云端或本地调取预设的告警等级标准，结合目标缺陷来确定告警等级，并发成相应告警等级的告警提醒，以提醒维修人员作出相应的应对。

[0054] 上述钢丝绳缺陷识别方法，对目标钢丝绳图像进行图像预处理，获取预处理图像。再从知识库中下载最新的目标缺陷模型，结合深度学习技术，用目标缺陷模型来识别预处理图像的缺陷，一旦发现缺陷，则将检测结果上传到数据平台，从而实现提高钢丝绳缺陷的检测效率，降低误判风险，节省人力成本的效果。

[0055] 进一步的，在日常的监控过程中，通过工控机的展示平台还可浏览图像缺陷库，以便于监测人员实时了解钢丝绳的当前及历史缺陷。参见图2，图2为一个实施例中展示平台的示意图，该展示平台的左侧展示常用的缺陷分类，右侧以相册形式展示图像。点击缺陷分类时，展现该类型的缺陷图像。点击未分类节点时，按上传时间倒序排放显示最新上传的、未分类的缺陷图像，也可将未分类的图像进行人工判别、标记。对于新传回知识库的目标钢丝绳图像，根据目标缺陷将目标钢丝绳图像进行归类，将目标钢丝绳图像以相同的类别为划分进行展示。

[0056] 在一个实施例中，如图3所示，提出了一种钢丝绳缺陷识别装置，该装置包括：

[0057] 预处理模块302，用于获取目标钢丝绳图像，对目标钢丝绳图像进行图像预处理，获取预处理图像；

[0058] 模型识别模块304，用于从知识库中下载目标缺陷模型，根据目标缺陷模型对预处理图像进行缺陷识别，以识别得到目标钢丝绳图像中钢丝绳的目标缺陷。

[0059] 上述钢丝绳缺陷识别装置，对目标钢丝绳图像进行图像预处理，获取预处理图像。再从知识库中下载最新的目标缺陷模型，结合深度学习技术，用目标缺陷模型来识别预处理图像的缺陷，一旦发现缺陷，则将检测结果上传到数据平台，从而实现提高钢丝绳缺陷的检测效率，降低误判风险，节省人力成本的效果。

[0060] 在一个实施例中，钢丝绳缺陷识别装置还包括：模型训练模块，用于构建图像缺陷库，图像缺陷库包括钢丝绳缺陷图像及匹配每一钢丝绳缺陷图像的缺陷标签；对钢丝绳缺陷图像进行扩增预处理，扩增预处理包括图像模糊、角度旋转、调整对比度及切换通道中的至少一种，获取处理后的扩增钢丝绳缺陷图像及匹配的缺陷标签；将扩增钢丝绳缺陷图像及匹配的缺陷标签输入训练缺陷模型进行迭代训练，直至基于训练缺陷模型的训练输出结果与缺陷标签确定训练缺陷模型收敛，获取训练完成的目标缺陷模型。

[0061] 在一个实施例中，钢丝绳缺陷识别装置还包括：模型训练模块，还具体用于将目标钢丝绳图像及目标缺陷输入目标缺陷模型进行迭代训练，以调整卷积神经网络中的超参数。

[0062] 在一个实施例中，钢丝绳缺陷识别装置还包括：展示模块，用于根据目标缺陷将目标钢丝绳图像进行归类，将目标钢丝绳图像以相同的类别为划分进行展示。

[0063] 在一个实施例中，钢丝绳缺陷识别装置还包括：告警模块，用于获取预设的告警等级标准，根据目标缺陷及告警等级标准确定告警等级，发出告警等级的告警提醒。

[0064] 图4示出了一个实施例中钢丝绳缺陷识别设备的内部结构图。如图4所示，该钢丝绳缺陷识别设备包括通过系统总线连接的处理器、存储器和网络接口。其中，存储器包括非易失性存储介质和内存储器。该钢丝绳缺陷识别设备的非易失性存储介质存储有操作系统，还可存储有计算机程序，该计算机程序被处理器执行时，可使得处理器实现钢丝绳缺陷识别方法。该内存储器中也可储存有计算机程序，该计算机程序被处理器执行时，可使得处理器执行钢丝绳缺陷识别方法。本领域技术人员可以理解，图4中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的钢丝绳缺陷识别设备的限定，具体的钢丝绳缺陷识别设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。

[0065] 一种钢丝绳缺陷识别设备，包括存储器、处理器以及存储在该存储器中并可在该处理器上执行的计算机程序，该处理器执行该计算机程序时实现如下步骤：获取目标钢丝绳图像，对目标钢丝绳图像进行图像预处理，获取预处理图像；从知识库中下载目标缺陷模型，根据目标缺陷模型对预处理图像进行缺陷识别，以识别得到目标钢丝绳图像中钢丝绳的目标缺陷。

[0066] 在一个实施例中，在从知识库中下载目标缺陷模型之前，还包括：构建图像缺陷库，图像缺陷库包括钢丝绳缺陷图像及匹配每一钢丝绳缺陷图像的缺陷标签；对钢丝绳缺陷图像进行扩增预处理，扩增预处理包括图像模糊、角度旋转、调整对比度及切换通道中的至少一种，获取处理后的扩增钢丝绳缺陷图像及匹配的缺陷标签；将扩增钢丝绳缺陷图像及匹配的缺陷标签输入训练缺陷模型进行迭代训练，直至基于训练缺陷模型的训练输出结果与缺陷标签确定训练缺陷模型收敛，获取训练完成的目标缺陷模型。

[0067] 在一个实施例中，在识别得到目标钢丝绳图像中钢丝绳的目标缺陷之后，还包括：将目标钢丝绳图像及目标缺陷输入目标缺陷模型进行迭代训练，以调整卷积神经网络中的超参数。

[0068] 在一个实施例中，方法还包括：根据目标缺陷将目标钢丝绳图像进行归类，将目标钢丝绳图像以相同的类别为划分进行展示。

[0069] 在一个实施例中，在识别得到目标钢丝绳图像中钢丝绳的目标缺陷之后，还包括：获取预设的告警等级标准，根据目标缺陷及告警等级标准确定告警等级，发出告警等级的告警提醒。

[0070] 一种计算机可读存储介质，该计算机可读存储介质存储有计算机程序，该计算机程序被处理器执行时实现如下步骤：获取目标钢丝绳图像，对目标钢丝绳图像进行图像预处理，获取预处理图像；从知识库中下载目标缺陷模型，根据目标缺陷模型对预处理图像进行缺陷识别，以识别得到目标钢丝绳图像中钢丝绳的目标缺陷。

[0071] 在一个实施例中，在从知识库中下载目标缺陷模型之前，还包括：构建图像缺陷库，图像缺陷库包括钢丝绳缺陷图像及匹配每一钢丝绳缺陷图像的缺陷标签；对钢丝绳缺陷图像进行扩增预处理，扩增预处理包括图像模糊、角度旋转、调整对比度及切换通道中的至少一种，获取处理后的扩增钢丝绳缺陷图像及匹配的缺陷标签；将扩增钢丝绳缺陷图像及匹配的缺陷标签输入训练缺陷模型进行迭代训练，直至基于训练缺陷模型的训练输出结果与缺陷标签确定训练缺陷模型收敛，获取训练完成的目标缺陷模型。

[0072] 在一个实施例中，在识别得到目标钢丝绳图像中钢丝绳的目标缺陷之后，还包括：将目标钢丝绳图像及目标缺陷输入目标缺陷模型进行迭代训练，以调整卷积神经网络中的超参数。

[0073] 在一个实施例中，方法还包括：根据目标缺陷将目标钢丝绳图像进行归类，将目标钢丝绳图像以相同的类别为划分进行展示。

[0074] 在一个实施例中，在识别得到目标钢丝绳图像中钢丝绳的目标缺陷之后，还包括：获取预设的告警等级标准，根据目标缺陷及告警等级标准确定告警等级，发出告警等级的告警提醒。

[0075] 需要说明的是，上述钢丝绳缺陷识别方法、装置、设备及计算机可读存储介质属于一个总的发明构思，钢丝绳缺陷识别方法、装置、设备及计算机可读存储介质实施例中的内容可相互适用。

[0076] 本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，该程序可存储于一非易失性计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。

[0077] 以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

[0078] 以上实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本申请专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。