基于圖像識別的電梯制動曳引鋼絲繩滑移量檢測技術＊

周奇才 劉曦晨 馮雙昌 熊肖磊,3 趙 炯

1 同濟大學 上海 201804 2 上海市特種設備監督檢驗技術研究院 上海 200062

3 同濟大學浙江學院 嘉興 314051

0 引言

電梯在使用過程中，纏繞在曳引輪上的鋼絲繩不斷與曳引輪槽發生摩擦，長期使用輪槽處會逐漸磨損，曳引輪與鋼絲繩的摩擦減小，導致曳引能力降低。當曳引能力降低到一定程度時，曳引輪與鋼絲繩發生打滑，無法正常帶動電梯轎廂，如果在運行過程中發生打滑，則會發生安全事故。此外，制動閘瓦每次制動時與制動輪發生摩擦，使閘瓦磨損而造成制動能力下降，發生制動輪打滑，也會發生安全事故。

鋼絲繩在制動過程中的滑移量是電梯制動系統與電梯曳引系統綜合作用的結果。電梯制動過程中，制動輪相對于制動閘瓦的滑移量加上鋼絲繩相對于曳引輪的滑移量等于鋼絲繩的總滑移量（制動輪和曳引輪可以看作剛性連接）。制動輪相對于制動閘瓦的滑移量代表了電梯的制動能力，電梯制動能力越弱，制動距離越大，導致鋼絲繩滑移量增大。鋼絲繩相對于曳引輪的滑移量代表曳引能力，曳引能力越弱，鋼絲繩在電梯制動過程中與曳引輪發生相對滑動，也會導致滑移量增大。因此，鋼絲繩的滑移量，能綜合反映電梯的制動能力和曳引能力。

目前已有一些檢測電梯制動距離的方法。有利用膠輪和旋轉編碼器對鋼絲繩的移動進行檢測，可以得到電梯制動距離[1]。這種方法原理簡單，成本較低，容易實現。然而，由于膠輪本身與鋼絲繩之間也會發生打滑，且隨著使用時間和次數的增加，機械安裝容易松動，致使打滑加劇。因此，這種方法不適合對電梯性能進行長期監控。此外，也有通過加速度傳感器對電梯轎廂運動進行測量的方法[2]。這種方法不僅可以檢測出移動量，還能檢測出速度、加速度。加速度傳感器的成本同樣很低，但是該系統的采集和檢測部分都安裝在電梯轎廂內。如果不對電梯進行改造，很難實現長時間供電和信號傳輸，也不利于長期實時監測。

若對電梯性能進行長期監測，需要求對各參數的檢測技術能保證長期穩定測量。為了確保電梯曳引功能正常運行，本文提出一種對電梯曳引能力進行檢測的技術，通過高幀率工業攝像機、采集電梯制動過程中鋼絲繩運動的視頻。

圖像識別算法綜合使用直方圖特征和霍夫變換，分割出視頻中的鋼絲繩部分，然后對鋼絲繩圖像沿時間軸的變化進行分析，計算得到鋼絲繩在制動過程中的滑移量，從而評估電梯的曳引能力。

1 檢測系統

電梯制動器檢測系統如圖1所示，由電梯制動器、工業攝像機、工業路由器、計算機等組成。電梯制動器的鋼絲繩為被測對象，每次制動過程中，鋼絲繩會因為慣性滑移一段距離，而鋼絲繩本身的紋理具有周期性，適合用來作為被測對象。工業攝像機用于采集電梯制動器制動過程中的圖像信息，將輸入相機鏡頭的光信號轉換為圖像矩陣（電信號），并編碼成一定的格式，用于傳輸。工業路由器負責接收編碼的視頻數據，并將其轉發至計算機；計算機用于進行復雜的圖像處理、計算；監視器用于輸出計算機計算的結果。

圖1 檢測框圖

工業相機擺放時，鏡頭光軸處于水平面上，可以調整相機擺放位置，使鋼絲繩組盡可能多地出現在相機視野中，同時還要保證鋼絲繩紋理清晰可見。需要注意的是，工業攝像機選型時必須選擇高幀相機。電梯鋼絲繩通常為19絲成一股，8股成一繩。鋼絲繩的股間距約為4～5 mm。進行圖像測量時測股的變化，近似為周期圖像。根據采樣定理，相機的幀率（即圖像采用頻率）必須要高于股變化頻率的2倍才能有效測量。

相機的接口標準采用GigE Vision協議，支持為相機分配ip地址，工業路由器通過雙絞線與相機相連，在同一個局域網中，工業路由器用于為相機動態分配ip地址并轉發數據至計算機。

計算機運行計算程序，實時接收路由器轉發的視頻信息。計算程序主要分為兩部分：區域分割和滑移量計算。區域分割程序在每次檢測到制動停止一段時間后運行，用于重新劃分檢測帶。每次制動開始時，制動器控制柜給計算機一個制動開始的信號，計算機開始運行滑移量計算程序，計算整個制動過程中的滑移量。通過這種方式，計算機在每次計算滑移量結束后更新檢測帶，最終計算的結果可顯示在監視器上。

2 圖像識別

圖像算法的功能為：以從工業路由器傳輸過來的、由工業攝像機采集的、鋼絲繩在制動過程中的視頻數據作為輸入，通過計算分析，輸出鋼絲繩在制動過程中的滑移量。

當獲取到含有鋼絲繩的圖像后，需要先篩選出圖像中鋼絲繩所在的點，并根據這些點，劃分出包含鋼絲繩的區域。在這個區域中，有多股鋼絲繩，采用霍夫變換，檢測區域中主要的直線，利用直線將這些鋼絲繩分割成數根。對每根鋼絲繩所在的區域再進一步劃分，得到很多小的區域，統計每個小區域沿時間變化所經過的周期，取平均值，得到鋼絲繩移動的股數，根據股數乘股間距，即可求得鋼絲繩滑移量。因此，鋼絲繩滑移量測量可分為鋼絲繩檢測和分割檢測帶兩步。

2.1 鋼絲繩檢測

鋼絲繩檢測即是檢測出圖像中屬于鋼絲繩的點的坐標分布，從而劃分出一個只包含鋼絲繩得到區域，為下一步計算做準備。典型的鋼絲繩圖像如圖2所示。

鋼絲繩相較于圖像其他部分，沿空間軸灰度變化頻率較高，且有一定周期性，屬于紋理圖像。該類圖像不能簡單地使用顏色或梯度閾值進行分割。考慮到紋理圖像空間分布的規律性，可統計每個像素點周圍區域內灰度的頻率直方圖。組成一個長度為256的向量。并將該向量與預先采樣的區域的灰度分布向量相比較，篩選出鋼絲繩所在的區域。

首先拍攝任意一幀圖像，并手動截取其中一段只包含鋼絲繩的圖像，統計該圖像的灰度頻率分布直方圖。得到一個長度為256的向量X0。

將原圖像轉換成灰度圖并進行高斯模糊，得到一張去噪的灰度圖I(x,y)。對I(x,y)中任意一點(i,j)，統計其周圍13×13像素區域的點（該像素區域可選大小為13×13、15×15、……，可以根據相機的分辨率選擇合適的區域，一個區域盡量包含一個以上股間距，使圖像在局部的周期特性在直方圖上能夠體現）。得到灰度的頻率分布直方圖向量Xij。計算Xij與X0的歐幾里得距離。并設定一個閾值Td，即當公式

式（1）的點(i,j)，將其灰度值賦值為1，并將其余點賦值為0，得到一個提取出鋼絲繩坐標位置的二值圖B0，如圖3所示。

圖3 提取鋼絲繩上點的二值圖B0

從圖3可知，雖然這種方法提取出來的點基本都是鋼絲繩上的點，但也有一些不屬于鋼絲繩的干擾點，其數量不到總數的10%，從原圖中劃分出一塊盡可能只包含鋼絲繩的區域進行分析，可以求出所有點坐標在x，y上的均值和標準差，分別為Mx、My、σx、σy。令

以式（2）中4個值分別為x的最小、最大值；y的最小、最大值從灰度圖I(x,y)中分割出一個區域，結果如圖4所示。

圖4中的區域只包含鋼絲繩，但在實際情況下，這一區域還可能包含其他部分，例如當鋼絲繩之間間隙較大時，間隙也會包含到該區域（以下簡稱檢測窗）。因此，還需要進行二次分割，將只包含鋼絲繩的區域分割出來。

圖4 劃分出的區域

2.2 區域分割

區域分割的主要流程為：先使用梯度閾值處理和霍夫變換檢測出代表鋼絲繩邊緣的直線；然后再用算法剔除干擾直線，篩選出正確直線；最后再利用有效直線對圖像的區域進行分割，劃分出檢測帶。

1）直線檢測

圖4中鋼絲繩的與鋼絲繩之間有明顯的直線邊界，可以使用霍夫變換，檢測出圖中的長直線，作為分割線。使用霍夫變換時，先將檢測窗進行梯度閾值過濾。該圖像區域用sec(x,y)表示。令

得到二值圖Bedges。然后可以對該二值圖作霍夫變換，檢測出所有直線，如圖5所示。

圖5a是對梯度進行二值處理后得到的Bedges，圖5b是在劃分出的區域中畫出檢測到的直線（圖中的直線僅保留線長150像素以上的直線，其他直線丟棄，該長度根據分割鋼絲繩的邊界線在檢測窗中的像素長度確定，可以取一個接近檢測窗高的值，例如檢測窗的高度乘以0.8），可以看到，鋼絲繩組被互相平行的直線分割成了孤立的單根鋼絲繩。

2）直線篩選

通過霍夫變換得到的分割線往往伴隨一些干擾的無關直線。例如圖5中檢測的三條直線,最右側一條明顯粗于左邊兩條，因該直線實際上是距離很近，互相平行的兩根線。有時還會檢測出一些不平行的干擾直線。因此，需要對檢測到的所有直線參數進行處理，剔除所有不符合要求的直線，方便后續處理。根據前文的討論，需要剔除的直線分為兩類：1）與正確分割直線不平行的干擾直線；2）與正確分割直線平行，但與另一直線距離很近，可以視作同一直線的冗余直線。

霍夫變換返回的是直線到原點的距離ρ和直線與x軸的夾角θ的集合

式中：Tθ為一個預先選定的閾值，則再將θi對應的ρi與As中所有直線ρ的平均值ρs對比，若

則將（ρi，θi）加入集合 As（其中 Tρ為預先選定的閾值），否則就將該直線丟棄。如果不存在這樣的θs或不存在已有的集合，則新建一個集合Ak+1并將該元素加入新集合。然后繼續從S中取下一個點，繼續以上過程，直至中所有點取完。

通過以上過程，霍夫變換的檢測結果被分割為若干兩兩互斥集合（A1，A2，…，Ak）的并集。從這些集合中找出元素數量最多的一個，假設為Aq，則Aq中的直線即為正確檢測的直線，其他集合中的直線全部剔除。這里假設了正確檢測的直線數量最多，而錯誤檢測的直線只占較少部分，且距離和角度的差別較大。

3）分割檢測帶

經過篩選后的直線已經可以將鋼絲繩按條分割成獨立的區域。由于這些直線有一定的角度，不利于后續的計算處理，因此，計算集合Aq中直線的平均角度θq，然后將檢測窗逆時針旋轉角度θq。這樣，原本檢測到的有一定斜率的分割線會變成豎直線。假設Aq中直線的距離從小到大分別為ρq1＜ρq2＜…＜ρqmax。只需要對圖像 y軸（橫軸）取［ρq1，ρq2］、［ρq2，ρq3］、…、［ρq（max-1），ρqmax］這幾個區間，每個區間就是一個檢測帶。

但上述分割方式仍然存在不足，檢測過程中繩的輕微抖動和變形會對每個檢測帶靠近邊緣處的圖像影響較大，因此改進每個區間為［ρq（k-1）+σ，ρqk-σ］，其中 σ為一個較小的預設值，這種方法能減輕邊緣的變化帶來的影響。此外本例中所用的圖像是以一定傾斜角拍攝的，繩與繩之間沒有縫隙，當攝像機正對鋼絲繩時，繩與繩之間的縫隙帶也會被劃分為檢測帶，這些是對檢測沒有幫助的區間。可以再利用前述檢測方法，對每個檢測帶內的像素灰度進行統計，并計算得到的灰度分布向量與樣本向量X0的歐幾里得范數，并將大于閾值的檢測帶剔除，只保留有效檢測帶。

3 滑移量計算

上一節最終得到若干只包含鋼絲繩的檢測帶，下面根據檢測帶來計算鋼絲繩移動量，主要分為兩步，第一步是從檢測帶中進一步劃分檢測塊，然后再根據檢測塊計算一個指標值（這個指標值經過的周期數要和鋼絲繩移動的股數相同），然后根據指標值的變化曲線，計算得到鋼絲繩的移動量。

3.1 檢測塊劃分與指標值計算

得到了若干有效檢測帶后，可以進行移動量計算。計算移動量，需要利用檢測帶得到若干檢測塊。由前面的討論已知去噪灰度圖用I(x, y)表示，現約定符號I(x1：x2，y1：y2)代表 I(x, y)中x坐標為 x1到x2，y坐標為y1到y2的區域。則某個檢測帶可表示為I(0：xmax，yi：yi+1)，其中xmax代表I(x， y)的最大x坐標。

要得到檢測塊，需要先設置一個塊高h。則該檢測帶的檢測塊分別為 I (0：h-1，yi：yi+1)、I(1：h，yi：yi+1)、…、I(xmax-h+1:xmax,yi: yi+1)。共xmax-h+2個檢測塊，如果總共k個檢測帶，則總共能得到(xmax-h+2)·k個檢測塊。

要計算鋼絲繩的移動量，需根據每個檢測塊中的灰度值計算出一個指標值，對視頻中每一幀，同一個檢測塊都能檢測出一個指標值，若該指標值隨時間波動，則通過統計波動的周期即可檢測出鋼絲繩在這段時間移動的股數。圖6是將一個檢測塊中所有的灰度值沿高度方向求和，得到的一個向量。圖中橫軸為y坐標，縱軸為檢測塊中所有y坐標相同的像素點的灰度值的和。上下兩張圖分別是在不同的時間，對同一個檢測塊進行計算得到的波形。可以看到：當鋼絲繩的股中心正好移動到檢測塊中心時，會在中間坐標處出現一個波峰；當鋼絲繩股間隙正好移動到檢測塊中心時，會在中間坐標處出現一個波谷。因此，可以統計中間坐標ymid以及ymid-1、ymid+1三點處的均值，作為一個指標值v。

圖6 檢測塊在不同時間的波形

3.2 鋼絲繩移動量計算

得到指標值v的計算方法后，在時間軸上，對每個檢測塊都可以求出一個v隨時間變化的波形圖。如圖7所示。

圖中縱坐標為v，橫坐標為幀數，由于整個制動過程中經歷較多周期，不能在一個圖中顯示出來，因此圖7中只給出了兩個不同檢測塊在制動過程的最后一段時間的波形圖。可以看到，指標值明顯地在上下波動變化。

圖7 指標值隨時間變化波形圖

通過特定的算法可以計算出指標值在制動過程中的波動的周期數，即為鋼絲繩經過的股數，乘以股間距即為滑移量。

由圖7中可知，檢測周期有兩個難點：1）每個周期的波峰和波谷變化較大，不能簡單通過閾值判斷波峰波谷2）波形會因為干擾出現小幅波動，不能簡單地通過遞增和遞減計算周期。

算法流程如圖8所示，該程序通過統計波形圖7中上升沿的個數，來表示鋼絲繩移動的周期，從而得出移動的距離。程序中包含兩個常量：N和T，分別代表波形圖中總幀數（即經過的時間步數）和識別為一次上升的閾值。之所以要使用閾值，是因為需要過濾掉噪聲造成的波形下降過程中的小規模上升。程序首先通過循環識別出一個周期，具體做法是，在每次循環中，獲取新的指標值x，并將其與x0相比較，當x-x0＞T時，任務就出現了一次上升，從而進入到后面的步驟中，如果xT時，任務就出現了一次上升；右半部分是檢測下降沿的程序，當x-x0＜-T時，任務就出現了一次下降。如果檢測到上升沿，就將index加1，然后去檢測下降沿，如果檢測到下降沿，就什么都不做，轉為檢測上升沿。當逐漸循環到i=N，即遍歷到最后一張圖片時，檢測結束，輸出index作為檢測到的上升沿的總數量，也可以理解為鋼絲繩移動的周期數。使用該周期數乘鋼絲繩每股的寬度，即可得到鋼絲繩移動的距離。

圖8 周期數的計算過程

4 結語

研究了電梯制動過程鋼絲繩滑移量的圖像檢測方法，可以用于評估電梯的曳引與制動綜合性能。該檢測方法屬于非接觸測量，并可適應較小的位置變化，可用于對一些經常發生事故的舊型號的電梯制動器的鋼絲繩滑移量進行測量，且無需對電梯制動器做任何改造，避免了改造對電梯制動器性能的影響。如果一次測量過程中出現鏡頭搖晃的情況，該方法不能正確測量出結果，故不適合手持測量。但該方法適合長時間現場監控，可作為電梯長期監控系統的其中一種檢測技術使用。