基于DeepLabV3s的曳引轮磨损测量研究_刘士兴.pdf

第 40 卷第 2 期2023 年 2 月机电工程Journal of Mechanical Electrical EngineeringVol 40 No 2Feb 2023收稿日期:2022 06 22基金项目:国家重点研发计划资助项目(2021YFC3001601);安徽省质量技术监督科技计划资助项目(2018AHQT26)作者简介:刘士兴(1969 )，男，安徽合肥人，博士，副教授，主要从事工业视觉检测技术方面的研究。E-mail:liusx hfut edu cnDOI:10 3969/j issn 1001 4551 2023 02 017基于 DeepLabV3s 的曳引轮磨损测量研究*刘士兴1，汪一丹1，王野1，王金博2(1 合肥工业大学 微电子学院，安徽 合肥 230009;2 安徽省特种设备检测院，安徽 合肥 230041)摘要:在不同的光照环境下，对电梯曳引轮的磨损量进行非接触式测量时存在误差较大这一问题，为此，提出了一种基于改进DeepLabV3 的曳引轮磨损自动测量算法。首先，构建了曳引轮绳槽的物理模型，基于采集到的曳引轮绳槽图片，建立了曳引轮绳槽数据集;然后，采用融合 SEnet 和 ECAnet 双注意力机制的 DeepLabV3s 模型，对数据集进行了训练，实现了钢丝绳与曳引轮的分类目标;提出了一种融合曳引轮图像特征的图像处理算法，用相关匹配法识别并截取了目标区域，定位到磨损点，并计算了其磨损量;最后，为了对上述算法的性能进行验证，搭建了测量实验平台，进行了算法的鲁棒性验证和误差分析实验。实验结果表明:采用该算法进行测量所得绝对误差小于0 049 mm，均方根误差小于0 044 mm，且算法运行时间小于2 50 s。研究结果表明:与传统测量方法相比，该自动测量方法具有高精度、自动化、非接触的特点，能适应不同光照环境，快速、准确地测量曳引轮绳槽的磨损量，解决了不同光照环境下的曳引轮磨损非接触式测量问题。关键词:非接触式测量;磨损量;注意力机制;测量误差;图像处理;曳引轮绳槽中图分类号:TH117 1;TU857文献标识码:A文章编号:1001 4551(2023)02 0284 08Traction sheave wear measurement based on DeepLabV3sLIU Shi-xing1，WANG Yi-dan1，WANG Ye1，WANG Jin-bo2(1 School of Microelectronics，Hefei University of Technology，Hefei 230009，China;2 Anhui SpecialEquipment Testing Institute，Hefei 230041，China)Abstract:Aiming at solving the problem of large error in the non-contact measurement of traction sheave wear in different lightingconditions，an automatic measurement algorithm of traction sheave wear based on improved DeepLabV3 was proposed First，the physicalmodel of the traction sheave rope groove was built，a data set of traction sheave rope groove was built based on the collected traction sheaverope groove images Then，the DeepLabV3s model with squeeze-and-excitation networks(SEnet)and efficient channel attention networks(ECAnet)dual attention mechanism was used to train the data set to classify wire rope and traction sheave An image processing algorithmintegrating the image features of the traction sheave，which using correlation matching algorithm identified and intercepted the target area tolocate the wear point and calculate it，was proposed Finally，in order to verify the performance of the above algorithm，a measurementexperiment platform was built，and the robustness verification and error analysis experiments of the algorithm were carried out Theexperimental results show that，through algorithm measurement，the absolute error is less than 0 049 mm，the root mean square error is lessthan 0 044 mm，and the operating time is less than 2 50 s The results indicate that，comparing with the traditional measurement，it has thecharacteristics of high precision，automation and non-contact，and can quickly and accurately measure the wear of the traction sheave ropegroove in different lighting conditions，which solves the problem of non-contact measurement of traction wheel wear under different lightingenvironmentsKey words:non-contact measurement;wear loss;attention mechanism;measurement error;image processing;traction sheave rope groove0引言随着我国经济社会的快速发展和城镇化速度的加快，高层建筑中必不可少的电梯的数量快速增加。2020 年我国电梯产量达到了 105 万台，在电梯领域已经成为产能最大、配套最完善、出口最多的国家1。曳引系统是电梯中重要的组成部分，用于提供动力、驱动轿厢的正常运行2。在电梯的运行过程中，曳引轮与钢丝绳反复摩擦，导致绳槽面产生磨损3。如果其过度磨损，可能引发钢丝绳断裂、轿厢振动、冲顶等事故4，对电梯的安全运行具有重大影响。根据调查，使用年限较久的电梯都存在曳引轮磨损严重、曳引力不符合要求的情况，部分电梯的绳槽出现缺损和裂纹5，存在比较严重的安全隐患。因此，按时检测曳引轮的磨损情况对于电梯的安全运行意义重大。曳引轮磨损量传统测量法包括目视法、角尺与塞尺结合法、橡皮泥或塑性胶法等6。陈本瑶等人7 提出了一种规塞式工装测量法，该方法可以同时测量绳槽宽度、深度以及切口上宽度等多个信息，测试精度高;但其通用性不强。非接触式测量有利于提高测量的自动化水平，降低人工成本8。谢晓娟等人9 提出了一种基于图像处理的曳引轮磨损识别方法，该方法不仅简单有效，还可以降低检测的成本;但该方法不适用于绳槽磨损均匀的检测情况10。陈建勋等人11 将激光三角法应用于曳引轮磨损的非接触测量中，该方法具有检测精度高、自动化程度高等特点;但其无法实现便捷检测，且实时检测的可操作性差。林永森等人12 提出了一种基于线激光位移法的磨损检测法，该方法测量精度高，与其他方法相比效率也有所提升;但其有效测试区域长度有限。刘士兴等人13 研制了一种基于单目视觉的曳引轮磨损检测系统，完成了对曳引轮磨损的非接触测量，且与传统方法比，其测量的精度更高。为了提高计算效率，研究人员进一步提出了一种基于机器视觉的曳引轮磨损检测方法14。该方法解决了弱光环境下测量不准确的问题;但其测量过程中需要人工选取测量点，因此，其自动化程度还有待于提高。为了提高电梯曳引轮磨损测量的精度和自动化程度，笔者提出一种电梯曳引轮磨损自动测量算法。通过改进后的模型 DeepLabV3s，笔者对制作好的数据集进行训练，将曳引轮与钢丝绳区域划分，并采用融合曳引轮特征的图像处理算法，实现边缘快速提取、目标区域截取以及磨损点定位的目标;最后，在实验平台进行测量，以验证该算法的精度与可行性。同时，根据国家相关标准，笔者建立曳引轮磨损物理模型，以在不同光照环境下可以对磨损进行精准测量。1曳引轮磨损自动测量系统1 1曳引轮绳槽磨损模型电梯曳引轮绳槽分为凹型槽、半圆槽、V 形槽等15。笔者以带切口的 V 形槽为研究对象，使用工业相机对 V 形槽磨损量进行非接触测量。曳引轮磨损测量系统示意图如图 1 所示。图 1曳引轮磨损测量系统示意图磨损主要是压力和运动摩擦的产物16。根据曳引轮检测国家标准，在未磨损情况下，曳引轮绳槽底部到钢丝绳外缘最大间距为6 mm，当间距小于3 mm 时，需严密监测。假设曳引轮绳槽两侧磨损均匀，曳引轮绳槽的磨损量即为钢丝绳的下沉量。为实现下沉量的计算，笔者基于曳引轮实际特征构建 V 形槽截面的物理模型。曳引轮磨损物理模型如图 2 所示。图 2曳引轮磨损物理模型r曳引轮绳槽深度;AA1绳槽切口长度由图 2 得:当曳引轮未磨损时，A0为钢丝绳与绳槽的左侧接触点，B0为右侧接触点。从 A0、B0两点垂直于绳槽底部构建两条直线，与绳槽底部延长线交于A1、B1。忽略钢丝绳的磨损，当曳引轮发生磨损后，钢582第 2 期刘士兴，等:基于 DeepLabV3s 的曳引轮磨损测量研究丝绳竖直下沉，A0、B0移动至 A、B 两点，A、B 即为磨损点。1 2算法流程基于曳引轮磨损物理模型，笔者提出一种基于改进 DeepLabV3 的磨损自动测量算法。该算法基于PyCharm 平台，使用 python 语言开发，分为语义分割和图像处理两个模块。曳引轮磨损自动测量算法流程如图 3 所示。图 3曳引轮磨损自动测量算法流程由图 3 可知:语义分割模块主要用于解决原图像纹理复杂、轮廓不清晰、干扰性特征点过多、受光照影响大等问题，通过深度卷积神经网络对制作好的数据集进行训练，实现对钢丝绳和曳引轮的图像分割;图像处理模块主要用于解决传统目标区域匹配方法限制物距的问题，以及测量的实时性和准确性较差等问题，以实现实时、自动化且不受相机物距限制的磨损值测量的目的。2DeepLabV3 模型2 1模型性能对比在工业领域中，采用机器视觉和非接触式测量的方式，可以减少人为干预，提高响应速度17。目前，融合深度学习的非接触式测量方式在工业中得到了广泛应用。其中，语义分割通过神经网络进行数据处理，在提升特征提取能力的同时，也在特征提取过程中去除了人工的干预，实现了特征提取自动化和端到端学习的目的，有利于系统的自动化。笔者 使 用 fully convolutional networks(FCN)、DeepLabv3、Unet、DeepLabV3+这 4 个网络模型，对曳引轮数据集进行训练测试。测量目标为带切口的 V形槽。为收集足够的训练样本进行训练，需建立曳引轮磨损数据集。笔者使用工业相机采集不同光照、角度下的曳引轮图片，用标注软件 LabelMe 对采集到的图像进行标注，利用数据增强方法提高深度学习模型精度与泛化能力18，最终得到完整的数据集(图片共 3 055 张，其中训练集 2 138 张，测试集 917张)。笔者采用相同损失函数、学习率、学习率衰减函数优化器，分别对数据集训练相同的 epoch，针对训练后的模型进行预测效果评价;采用平均交并比(meanintersection over union，MIoU)和准确率(accuracy，Acc)作为评价指标。MIoU 计算方法如下式所示:MIoU=1k+1ki=0piikj=0pij+kj=0pji pii(1)式中:i曳引轮图像实际值;j预测值;k+1类别个数(包括背景);pij将 i 预测为 j 的个数;pji将 j 预测为 i 的个数;pii将 i 预测为 i 的个数。模型性能比较如表 1 所示。表 1模型性能比较模型FCNDeepLabv3UnetDeepLabV3+MIoU0 660 60 964 50 961 70 962 6Acc0 585 00 985 70 981 70 983 2由表 1 可得:除 FCN 模型表现较差外，其余模型相差不大，DeepLabV3 表现较好。由于曳引轮绳槽边缘预测的准确性对测量结果影响最大，而 DeepLabV3 在绳槽区域表现最佳，经综合考虑，笔者最终选用 DeepLabV3 为训练模型。2 2DeepLabV3 网络DeepLab 网络由 CHEN L C 等人19 在 2014 年提出，是语义分割领域较为先进、优秀的算法。相比于其他网络，DeepLabV3 网络舍弃了全连接层，主干网络Backbone 使用 esnet101，并对空间金字塔池化进行了改进，解决了分辨率下降、多尺度信息等问题。为解决输出图像分辨率过低的问题，DeepLabV3中使用空洞卷积。空洞卷积中的膨胀率可以扩展滤波器的感受野，膨胀率越大，其感受野也越大。当使用空洞卷积，则卷积输出和输入关系的表达式如下式所示:y i=jx i+aj w j(2)式中:x i 输入;y i 输出;a膨胀率;w j 卷积核。682机电工程第 40 卷当膨胀率设为 2，空洞卷积结构如图 4 所示。图 4空洞卷积结构由图 4 可得:大小为 3 3 的卷积核可以覆盖5 5的区域。以此类推，当膨胀率设为 3，则卷积核可以覆盖 7 7 的区域。在光照较强或图片模糊状态下，采用 DeepLabV3网络进行图片分割时，会导致误判，对后续图像处理产生干扰，影响最终的测量结果。因此，需要对其做适当的改进处理。2 3改进的 DeepLabV3 网络光照对曳引轮图像的分割存在一定影响。预测图像不可避免地会出现误判区域，对后续图像处理、磨损值测量影响较大。为了解决这个问题，笔者提出一种融合 SEnet 和 ECAnet 双注意力机制的 DeepLabV3 网络DeepLabV3s。融合双注意力机制的 DeepLabv3s 网络结构如图5所示。图 5融合双注意力机制的 DeepLabv3s 网络结构SEnet(即通道注意力机制)通过分配给每个通道权重，以此来平衡不同通道的作用力，解决因不同通道所占权重不同而导致的损失问题。最终的特征值为:=(f w1，w2(g()(3)式中:Sigmoid 函数。f(w1，w2)(y)表达式为:f(w1，w2)(y)=w2eLu(W1y)(4)全局平均池化函数 g()表达式为:g()=1WHW，Hi=1，j=1ij(5)SEnet 通过提取图像特征，得到特征图的维度 C，H，W，在平均池化后，将通道 H，W 压缩至 1，1，再经过两个全连接层，增强通道间的相关性，得到每个通道的权重，然后作用于特征图，使得每个通道各自乘以对应的权重。ECAnet 是一种轻量级的通道注意力机制，通过自适应函数改变卷积核大小，实现跨通道的信息交互。自适应函数如下:k=log2(c)+b(6)其中:=2，b=1。将 SEnet 和 ECAnet 注 意 力 机 制 融 合 在DeepLabV3 的网络结构中，减轻了 SEnet 带来的维度缩减，同时可以有效地增强多维度信息交互。2 4改进后的模型性能分析预测图对比如图 6 所示。图 6预测图对比由图 6 可得:由于不同类别的训练权重不平衡，使用无注意力机制的 DeepLabV3 时，其预测结果常常会出现误判区域，对后续的图像处理造成较大影响，使测量结果不稳定。笔者提出的改进模型解决了因通道权重不平衡而导致的损失问题，更专注于所需类别，有效地降低了其误判几率。模型性能对比如图 7 所示。782第 2 期刘士兴，等:基于 DeepLabV3s 的曳引轮磨损测量研究图 7模型性能对比由图 7 可得:DeepLabV3 在曳引轮数据集中表现良好;MIoU 可达 0 964 5，改进后的模型对 MIoU 的提高比较有限，但是对于类别的判断能力有很大提升。Loss 值对比如图 8 所示。图 8Loss 值对比由图 8 可得:融合双注意力机制的 DeepLabV3 模型 Loss 值下降速度相对较快，收敛效果更好。该结果表明:改进后的算法精度有一定的提升，有效消除了图像中的预测偏差，明显减轻了光照对语义分割效果的影响，使其对光线鲁棒性更强，有利于后续图像的处理和磨损测量精度的提升。3曳引轮磨损测量算法3 1基于预测图像的目标匹配为了实现对目标绳槽的精准提取，并为后续目标点的提取做准备，笔者采用相关匹配法进行模板匹配。模板匹配即是在图像中用滑动窗口遍历像素，判断其是否与模板相似，计算模板与窗口区域的相关系数，当相关系数足够高时，则认定为要寻找的目标;若匹配到了多个区域，则通过设置阈值得到目标的最佳匹配。相关系数的计算如下式所示:(i，j)=Mm=1Nn=1Sij(m，n)*T(m，n)Mm=1Nn=1Sij(m，n)2Mm=1Nn=1T(m，n)2(7)式中:T(m，n)模板图像;S(w，h)搜索图像;w，h模板的高度和宽度;Sij模板与搜索图重合的子图;i，j子图在被搜索图中的左上角坐标。为了加快匹配速度，当目前子图的相关系数小于一定阈值时，搜索步长加大。在相关匹配法中，由于亮度变化对相似度的计算影响较小，满足曳引轮在不同光照条件下测量的需求。目标匹配如图 9 所示。图 9目标匹配由图 9 可得:该算法对目标绳槽匹配的效果较为精准(其中，方框表示匹配到的目标区域)。3 2磨损点定位为了计算出曳引轮的磨损量，需要监测磨损点的变化，以精确定位磨损点。由图 2 所示物理模型可知:AA1、BB1几乎垂直于绳槽底部，水平方向变化较小，而 A、B 两点磨损处水平、垂直方向变化较大。以拍摄图片左上角为坐标原点，竖直向下为 y 轴正方向，水平向右为 x 轴正方向。像素点的斜率变化监测如图 10 所示。图 10像素点的斜率变化监测882机电工程第 40 卷由图 10 可得:像素点 y 值为目标绳槽边缘在坐标中的 y 轴坐标，磨损处的像素点 y 值处于 1 050，1 080 区间内，AA1则处于斜率几乎不变的 1 035，1 050。当斜率变化从几乎不变的区间滑动至变化较大的区间，即可定位至磨损点。由于相机水平位置的偏差，绳槽左侧和右侧斜率存在不可避免的误差，但其变化趋势与实际值一致。磨损点检测图如图 11 所示。图 11磨损点检测图图 11 中标注的两个点表示检测到的磨损点 A、B。实验结果表明:曳引轮磨损检测系统目标区域提取准确，目标点检测较为精准，对环境要求不高，在实际应用中具有优势;与传统方法相比，该检测系统对设备的要求较低，其测量方法简便，对相机测量物距的 要 求 较 为 宽 松，可 以 取 得 较 高 的 自 动 化程度。3 3磨损量测量定位到磨损点 A、B 后，可由像素点差值计算磨损后切口投影至图像中的长度。绳槽的磨损量 A0A 为:A0A=a0 a1(8)式中:a0未磨损的绳槽切口实际长度，即 A0A1;a1磨损后的切口实际长度，即 AA1。根据相机的成像原理，实际长度与投影至二维图片中对应长度的比值为比例系数。由下式可得 a1:a1a2=rr1=(9)式中:a2绳槽切口长度投影在图片中的尺寸;r绳槽实际深度;r1绳槽深度投影在图片中的尺寸。其中:a0、r 可由出厂标准得到(其中，a0=331 mm，r=1065 mm);a2、r1可由像素点坐标计算得到。为了消除不可避免的相机倾斜误差，笔者使用 B点做加权倾斜补偿。倾斜补偿后的绳槽切口长度 a2为:a2=AA1+BB1(10)式中:AA1，BB1图像中绳槽两侧切口长度;补偿因子。4实验与结果分析4 1鲁棒性验证实验环境为 Ubuntu 操 作 系 统，其 中，GPU 为NVIDIA TX3060，开 发 环 境 为 CUDA11 5，采 用PyTorch 网络框架。笔者采用 DeepLabV3s 为网络模型;esNet101 为预训练模型;初始学习率设置为0 007;批处理大小(batch size)设置为 5。测量实验平台如图 12 所示。图 12测量实验平台笔者使用 MIoU 和 Acc 来评价训练效果。MIoU最终可达到 0 969 2，Acc 可达 0 987 7。不同情况下曳引轮绳槽预测图如图 13 所示。图 13不同情况下曳引轮绳槽预测图由图 13 可知:目标区域几乎没有区别，在弱光、强光环境下和画面模糊状态下的预测效果良好;982第 2 期刘士兴，等:基于 DeepLabV3s 的曳引轮磨损测量研究该方法对清晰度要求不高，对光照的鲁棒性很强，有利于在电梯弱光环境中进行测量。笔者对 4 种不同情况下的图片进行磨损量测量。已知 测 量 标 准 值 为 3 31 mm，不 同 情 况 下 基 于DeepLabV3 的磨损量测量值，如表 2 所示。表 2不同情况下基于 DeepLabV3 的磨损量测量值编号测量值/mm正常强光弱光模糊13 3673 4843 3073 36723 3383 5263 2973 11433 3533 8983 2573 19443 2733 4823 2733 237均方根误差0 0850 6720 0660 245相对误差率/%1 2468 6850 8003 338不同情况下基于 DeepLabV3s 的磨损量测量值如表 3 所示。表 3不同情况下基于 DeepLabV3s 的磨损量测量值编号测量值/mm正常强光弱光模糊13 2563 3643 3323 27023 3103 3553 3103 26533 2943 2943 2793 34243 2823 3513 2823 261均方根误差0 0620 0820 0470 083相对误差率/%0 7401 1780 6111 253对比表 2、表 3 中 4 种不同情况的测量值和误差可得:强光会导致边缘细节丢失，测量结果总体偏大，误差值最大;弱光却能在一定程度上保留更多的暗部纹理细节，测量值最接近标准值，误差值最小;轻微的模糊对测量结果影响较小。综上所述，在测量时应尽可能避免强光环境，而电梯实际测量环境较暗，有利于该算法的测量;在光线环境较为极端的情况下，基于改进后模型的测量值误差下降明显，强光环境下的均方根误差从 0 672 下降到0 082，相对误差率从 8 686%下降到 1 178%，验证了DeepLabV3s 模型改进的有效性。4 2精度与误差为了验证上述自动测量算法的精度与效率，笔者选择 12 张未经处理的原图像作为测量对象(包括模糊、正常、强光、弱光状态，保证测量的普适性与真实性)，并以绝对误差、相对误差和均方根误差为评价标准。测量实验结果如表 4 所示。表 4测量实验结果编号测量值/mm绝对误差/mm相对误差/%运行时间/s13 2990 0110 3491 6123 3220 0110 3451 4733 2790 0310 9370 3043 3540 0441 3301 4153 3310 0200 6162 1063 2730 0371 1282 3373 3600 0491 4871 4083 3230 0120 3831 4093 3350 0240 7531 39103 2810 0290 8912 17113 3420 0310 9562 50123 2810 0290 8912 09由表 4 可得:针对不同的图片，该算法表现较为稳定，其中，编号 3 相机物距较小，图像中仅需处理两个绳槽，故运行时间较短，而编号 11 相机物距较远，背景、绳槽边缘复杂，因此处理时间相对更长;测量值的均方根误差为 0 044 mm，绝对误差值范围为 0 011 mm 0 049 mm，相对误差率最大不超过1 487%，满足曳引轮磨损测量的精度需求;运行时间控制在 2 50 s 内，初步实现了曳引轮磨损的实时测量。与其他算法相比，该算法最大均方根误差从0 05 mm降低到0 044 mm，且无需限制相机的物距，实现了曳引轮磨损测量自动化的目的，同时提高了测量的精度，这对于电梯安全运行有重要的意义。5结束语笔者采用融合注意力机制的语义分割网络，将曳引轮绳槽和钢丝绳进行图像边缘分割，设计了一种融合曳引轮图像特征的图像处理算法，并通过测量实验对算法性能进行了验证，解决了不同光照环境下的曳引轮磨损非接触式测量问题。研究结果表明:(1)与传统边缘提取算法相比，基于语义分割的边缘提取效果更好，并解决了在强光环境下测量误差大的问题;(2)算法实现了目标区域截取、磨损点定位、磨损量测量自动化的目标，同时缩短了运行的时间，提高了操作的便捷性;(3)曳引轮磨损自动测量系统绝对误差小于0 049 mm，相对误差率小于 1 487%，均方根误差为0 044 mm，可满足曳引轮磨损测量的各项要求;同时，验证了基于 DeepLabV3s 的曳引轮测量方法在不同光092机电工程第 40 卷照条件下的鲁棒性及测量的精确性。该方法具有在实际工业场景下应用的潜力。在后续的工作中，笔者将进一步收集足够数量的实验数据，改进深度卷积网络框架，建立更完善的数学模型，以期能够预测电梯曳引轮的寿命，拓展该系统的功能。参考文献(eferences):1恩旺，刘子金，张淼 中国电梯行业的技术发展与趋势 J 建筑科学，2018，34(9):110-118 2 陈建勋，林晓明，吴周立，等 曳引轮轮槽磨损对电梯曳引能力的影响分析 J 中国特种设备安全，2019，35(10):14-19，24 3 NAKAZAWA D，WATANABE S，FUKUI D，etal Elevatorrope tension analysis with uneven groove wear of sheave J JournalofPhysics:ConferenceSeries，2018，1048(1):012006 4 王河，邹皓，陈德平，等 电梯曳引轮轮槽磨损检验方法分析 J 技术与市场，2017，24(11):158 5 王扬，周朝彬，张仁奎，等 一起乘客电梯曳引轮磨损案例的分析与应对建议J 中国电梯，2021，32(13):66-67 6 王维善 电梯曳引轮有关问题的探讨 J 设备管理与维修，2020(9):72-74 7 DO GUA，BOUAFA S，AIZA，et alUsingconvolutionalneuralnetworkstoautomateaircraftmaintenance visual inspection J Aerospace，2020，7(12):171 8 吴周立，陈建勋，林晓明 电梯曳引轮轮槽磨损状况检验方法及研究 J 中国设备工程，2019(9):115-116 9 谢小娟，杨宁祥，陈建勋，等 基于图像处理的电梯曳引轮轮槽磨损识别方法J 中国安全科学学报，2019，29(11):122-128 10 倪道尧 电梯曳引轮轮槽磨损与检验检测的分析J 装备维修技术，2019(2):75，64 11 陈建勋，吴周立，林晓明 电梯曳引轮轮槽磨损状况的非接触检测方法研究J 特种设备安全技术，2019(5):45-47 12 林永森，陈建勋 基于线激光位移法的电梯曳引轮轮槽不均匀磨损检测研究J 西部特种设备，2021，4(2):40-43，50 13 刘士兴，周启航，马登科，等 基于单目视觉的电梯曳引轮磨损检测系统研制 J 电子测量与仪器学报，2020，34(9):55-61 14 LIU S，MA D，LIU G Wear Detection System for ElevatorTraction Sheave J Journal of Shanghai JiaotongUniversity:Science，2022，27(5):706-714 15 谢东明，陈春潮 一种电梯曳引轮绳槽的快速检验工具 J 中国电梯，2020，31(6):52-55 16 SLOAN F Predictive Damage Parameter for Fiber opes inCBOS Fatigue C/OCEANS 2018 MTS/IEEE CharlestonKobe:IEEE，2018:1-5 17 张聪聪，牟莉 基于机器视觉的图像边缘检测算法研究 J 国外电子测量技术，2020，39(12):80-85 18 于希明，洪硕，于金祥，等 可见光遥感图像船舶目标数据增强方法研究J 仪器仪表学报，2020，41(11):261-269 19 CHEN L C，PAPANDEOU G，KOKKINOS I，et aldeeplab:semantic image segmentation with deep convolutionalnets，atrous convolution，and fully connected crfsJ IEEE Transactions on Pattern Analysis and MachineIntelligence，2017，40(4):834-848编辑:李辉本文引用格式:刘士兴，汪一丹，王野，等 基于 DeepLabV3s 的曳引轮磨损测量研究 J 机电工程，2023，40(2):284 291LIU Shi-xing，WANG Yi-dan，WANG Ye，et al Traction sheave wear measurement based on DeepLabV3sJ Journal of Mechanical Electrical Engineering，2023，40(2):284 291机电工程 杂志:http:/www meem com cn192第 2 期刘士兴，等:基于 DeepLabV3s 的曳引轮磨损测量研究