本发明涉及钢丝绳检测，尤其涉及一种基于残差网络多通道融合的钢丝绳损伤宽度识别方法。
背景技术：
1、钢丝绳作为最常用的承载工具之一，其常被用于电梯、运输、起重等各种工程应用中，但随着时间推移，在役钢丝绳受反复摩擦和复杂的应力，会导致钢丝绳断丝、磨损或腐蚀。钢丝绳的缺陷被分为两类，一类是局部损伤型(lf)，主要是指钢丝绳中的不连续，例如断丝、钢丝表面的蚀坑，其特点是钢丝绳的金属断面积突然减小。另一类则是金属横截面积损失型(lma)，其是指钢丝绳的金属断面积突然减小，通过比较检测点与钢丝绳上象征较大金属横截面积的基准点来测定。
2、现有技术中对钢丝绳进行无损检测的方法有多种，如超声波检测法、射线检测法、电磁检测法、机器视觉检测法等。尽管通过机器视觉进行目标检测的的方法逐渐流行起来，但其对钢丝绳内部缺陷和表面缺陷的定量仍然有限。基于计算机视觉的二维图像处理只能检测表面缺陷，这对钢丝绳缺陷检测带来了巨大挑战。因此，通过电磁检测法进行钢丝绳缺陷检测仍然是主流。
3、虽然在现有技术中，电磁检测法对于钢丝绳表面缺陷的检测具有良好的灵敏度和可靠性，但由于钢丝绳测试环境和监测条件复杂，电磁检测法测量出的信号具有各种干扰和噪声，从采集的信号中进行钢丝绳缺陷的特征识别仍然是当前研究的热点。
4、在专利文献中，如授权公告号为cn110231395b，名称为一种钢丝绳断丝损伤识别方法及系统，其对提取的检测到的漏磁信号进行连续小波变换，记录变换后的小波系数峰峰值；接着，将记录的峰值以及钢丝绳直径等特征值导入已经训练好的神经网络；最后，得到神经网络输出的参数，即可完成钢丝绳断丝数目的定量损伤识别。虽然该技术方案可以对钢丝绳断丝数据进行定量损伤识别，但该技术方案是以一维数据中的原始特征作为输入，没有考虑数据在不同时间段的频率变化情况，不能捕获数据的动态特性。
5、因此本发明提出一种基于残差网络多通道融合的钢丝绳损伤宽度识别方法，通过连续小波变换和残差网络，对钢丝绳进行lma缺陷检测。
技术实现思路
1、为克服现有技术中现有电磁检测法测量出的漏磁信号具有各种干扰和噪声，无法从采集的信号中进行钢丝绳缺陷的特征识别，无法准确测量钢丝绳损伤的缺陷，其详细技术方案如下：
2、一种基于残差网络多通道融合的钢丝绳损伤宽度识别方法，包括离线训练步骤和在线检测步骤，离线训练步骤包括：s10，将具有相同损伤深度、不同损伤宽度的钢丝绳作为训练样本，利用霍尔传感器阵列获取训练样本的漏磁量数据；s20，对所述漏磁量数据使用连续小波变换获取各个小波分量，然后对各个小波分量采用滑动平均滤波去噪，获得去噪后的数据；s30，将去噪后的数据转换成时谱图，以时谱图为输入，钢丝绳的损伤宽度为输出，对基于残差网络的图像分类模型进行训练，获得训练完成的基于残差网络的图像分类模型；在线检测步骤包括：s40，利用霍尔传感器阵列获取待检测的钢丝绳的漏磁量数据，将漏磁量数据进行连续小波变换和滑动平均滤波去噪，获得去噪后的数据；s50，将去噪后的数据输入基于残差网络的图像分类模型中，获得由基于残差网络的图像分类模型输出的对应钢丝绳的损伤宽度。
3、进一步地，在s10中，采用多通道的霍尔传感器阵列检测钢丝绳的漏磁量数据，并将漏磁量数据转换为电压信号，获得时间与电压的曲线图。
4、进一步地，在s20中，采用不同尺度和位置的小波函数对时间与电压的曲线图中的电压信号进行变换，获得信号的局部特征，以实现在时域和频域上同时分析；
5、假设函数ψ(t)∈l2(r)满足以下表达式中(a)、(b)、(c)三个条件：
6、
7、式(a)中，ψ(t)为一个正负交替的函数，其函数值在正负两部分的某种能量相等；式(b)表示ψ(t)是一个wavelet，其振荡波形随着自变量的增大波形幅值快速衰减到零；式(c)是为了能够使小波变换存在逆向变换；
8、基于上述表达式，对任意信号f(t)∈l2(r)定义了连续小波变换的表达式如式2所示:
9、
10、其中a＞0，b为位置参数，为ψ(t)的复共轭，cwt表示连续小波变换。
11、进一步地，在s20中，分别选取时间与电压的曲线图中包含钢丝绳损伤和未损伤的部分，使用傅里叶变换分别获得损伤部分的中心频率α，未损伤部分的中心频率β，根据公式(3)计算相对频率因子k，k用来衡量高频特征频率与低频特征频率之间的关系，通过k衡量小波尺度；
12、在连续小波变换中，需根据不同的信号选用合适的小波母函数ψ(t)，通常是一个具有零均值和快速衰减的振荡函数；结合钢丝绳缺陷漏磁信号采集数据，采用cmor小波函数的特性对钢丝绳缺陷进行特征提取，
13、
14、cmor小波母函数的表达式如公式(4)所示：
15、
16、其中，ω0是频率参数，用于控制小波函数的频率，i是虚数单位，π是圆周率，常数为复指数，为高斯函数；cmor小波母函数可以在不同的时间或空间尺度上对信号进行分解，提供信号在不同尺度上的特征，还能在处理一维数据时捕获信号的局部细节和全局优势。
17、进一步地，在s20中，所述滑动平均滤波去噪为将一个采样周期所获得的采样值看成一个长度固定的队列，将新数据放入队尾的同时扔掉队首的数据，后将队列中的数据进行算术平均运算，获得去噪后的数据。
18、进一步地，在滑动平均滤波去噪后，在转换时谱图前，还包括在相同的变换尺度下，将多个通道的数据进行小波分解，并将分解后的个小波相加求取平均值，获得多通道融合的去噪后的数据。
19、进一步地，在s30中，以1s为周期对多通道融合的去噪后的数据进行均等切割，并将切割后的数据转换成时谱图。
20、进一步地，所述图像分类模型为resnet50模型，包含有5个阶段；第一阶段由1个大小为7×7的卷积层和最大池化层；后续4个阶段采用了第一瓶颈层和第二瓶颈层。
21、进一步地，所述第二瓶颈层的输入和输出通道数相同，所述第二瓶颈层通过将输入进行卷积操作后直接与输入相加，将其作为输出，使得输入通道数与输出通道数匹配；所述第一瓶颈层的输入和输出通道数不同，所述第一瓶颈层的输入分两路进行，一路通过卷积操作进行采样，一路通过卷积操作使得输入与输出维度差异。
22、一种基于残差网络多通道融合的钢丝绳损伤宽度识别系统，用于实施上述的方法。
23、根据上述任一实施例，本发明至少具有下述的有益效果：本发明通过使用霍尔传感器阵列将钢丝绳的漏磁量转换成电压，获得时间与电压的曲线图；使用连续小波变换获取各个小波分量，后对各个小波分量使用滑动平均滤波的方式去噪，并将其转换成时谱图，后使用残差网络resnet50进行图像分类，从而实现钢丝绳缺陷宽度检测。与现有技术相比，本发明具有以下优点：(1)连续小波变换能够提供不同尺度上的频率信息，有助于更精细地分析信号的变化趋势和特征，能够为分类模型提供信号在频域的相关信息，能够更全面的描述信号的时频变化。(2)一维数据转换为时谱图，使用图像分类模型进行分类，更能利用深度学习模型提取特征的优势，时谱图相较于一维数据中的原始特征更具有区分度，其能够显示数据在不同时间段的频率变化情况，有助于模型捕获数据的动态特性。
1.一种基于残差网络多通道融合的钢丝绳损伤宽度识别方法，包括离线训练步骤和在线检测步骤，其特征在于：
2.根据权利要求1所述的基于残差网络多通道融合的钢丝绳损伤宽度识别方法，其特征在于，在s10中，采用多通道的霍尔传感器阵列检测钢丝绳的漏磁量数据，并将漏磁量数据转换为电压信号，获得时间与电压的曲线图。
3.根据权利要求2所述的基于残差网络多通道融合的钢丝绳损伤宽度识别方法，其特征在于，在s20中，采用不同尺度和位置的小波函数对时间与电压的曲线图中的电压信号进行变换，获得信号的局部特征，以实现在时域和频域上同时分析；
4.根据权利要求3所述的基于残差网络多通道融合的钢丝绳损伤宽度识别方法，其特征在于，在s20中，分别选取时间与电压的曲线图中包含钢丝绳损伤和未损伤的部分，使用傅里叶变换分别获得损伤部分的中心频率α，未损伤部分的中心频率β，根据公式(3)计算相对频率因子k，k用来衡量高频特征频率与低频特征频率之间的关系，通过k衡量小波尺度；
5.根据权利要求4所述的基于残差网络多通道融合的钢丝绳损伤宽度识别方法，其特征在于，在s20中，所述滑动平均滤波去噪为将一个采样周期所获得的采样值看成一个长度固定的队列，将新数据放入队尾的同时扔掉队首的数据，后将队列中的数据进行算术平均运算，获得去噪后的数据。
6.根据权利要求5所述的基于残差网络多通道融合的钢丝绳损伤宽度识别方法，其特征在于，在滑动平均滤波去噪后，在转换时谱图前，还包括在相同的变换尺度下，将多个通道的数据进行小波分解，并将分解后的个小波相加求取平均值，获得多通道融合的去噪后的数据。
7.根据权利要求6所述的基于残差网络多通道融合的钢丝绳损伤宽度识别方法，其特征在于，在s30中，以1s为周期对多通道融合的去噪后的数据进行均等切割，并将切割后的数据转换成时谱图。
8.根据权利要求7所述的基于残差网络多通道融合的钢丝绳损伤宽度识别方法，其特征在于，所述图像分类模型为resnet50模型，包含有5个阶段；第一阶段由1个大小为7×7的卷积层和最大池化层；后续4个阶段采用了第一瓶颈层和第二瓶颈层。
9.根据权利要求8所述的基于残差网络多通道融合的钢丝绳损伤宽度识别方法，其特征在于，所述第二瓶颈层的输入和输出通道数相同，所述第二瓶颈层通过将输入进行卷积操作后直接与输入相加，将其作为输出，使得输入通道数与输出通道数匹配；所述第一瓶颈层的输入和输出通道数不同，所述第一瓶颈层的输入分两路进行，一路通过卷积操作进行采样，一路通过卷积操作使得输入与输出维度差异。
10.一种基于残差网络多通道融合的钢丝绳损伤宽度识别系统，其特征在于，用于实施权利要求1-9任意一项所述的方法。
