基于轻量级卷积神经网络的纤维起重绳索实时损伤检测
计算机视觉与模式识别
2025-02-18 v2 机器学习
摘要
磨损的起重机起重绳索带来的健康与安全隐患要求定期检测损伤。该任务耗时、易受人误影响、需停止作业，并可能导致绳索过早报废。因此，我们提出利用高效的深度学习与计算机视觉方法将绳索损伤检测过程自动化。具体而言，我们提出了一种基于视觉的系统，使用轻量级卷积神经网络检测合成纤维绳索图像中的损伤。我们开发了一种基于摄像机的装置，在绳索运行期间拍摄其表面，捕捉渐进性磨损以及绳索健康状态中更显著的退化。来自 Konecranes 的专家根据绳索状况（正常或受损）对采集的图像进行标注。随后，我们对图像进行预处理，系统性地设计深度学习模型，评估其检测与预测性能，分析其计算复杂度，并与其他多种模型进行比较。实验结果表明，所提模型以 96.5% 准确率、94.8% 精确率、98.3% 召回率、96.5% F1 分数和 99.3% AUC 优于其他同类技术。此外，它们展示了模型的实时运行、低内存占用、对多种环境与作业条件的鲁棒性，以及适用于起重、系泊、拖曳、攀爬和航行等工业应用部署的充足性。
引用
@article{arxiv.2302.11947,
title = {Real-Time Damage Detection in Fiber Lifting Ropes Using Lightweight Convolutional Neural Networks},
author = {Tuomas Jalonen and Mohammad Al-Sa'd and Roope Mellanen and Serkan Kiranyaz and Moncef Gabbouj},
journal= {arXiv preprint arXiv:2302.11947},
year = {2025}
}