周奇才 刘曦晨 冯双昌 熊肖磊,3 赵 炯

1 同济大学 上海 201804 2 上海市特种设备监督检验技术研究院 上海 200062

3 同济大学浙江学院 嘉兴 314051

0 引言

电梯在使用过程中，缠绕在曳引轮上的钢丝绳不断与曳引轮槽发生摩擦，长期使用轮槽处会逐渐磨损，曳引轮与钢丝绳的摩擦减小，导致曳引能力降低。当曳引能力降低到一定程度时，曳引轮与钢丝绳发生打滑，无法正常带动电梯轿厢，如果在运行过程中发生打滑，则会发生安全事故。此外，制动闸瓦每次制动时与制动轮发生摩擦，使闸瓦磨损而造成制动能力下降，发生制动轮打滑，也会发生安全事故。

钢丝绳在制动过程中的滑移量是电梯制动系统与电梯曳引系统综合作用的结果。电梯制动过程中，制动轮相对于制动闸瓦的滑移量加上钢丝绳相对于曳引轮的滑移量等于钢丝绳的总滑移量（制动轮和曳引轮可以看作刚性连接）。制动轮相对于制动闸瓦的滑移量代表了电梯的制动能力，电梯制动能力越弱，制动距离越大，导致钢丝绳滑移量增大。钢丝绳相对于曳引轮的滑移量代表曳引能力，曳引能力越弱，钢丝绳在电梯制动过程中与曳引轮发生相对滑动，也会导致滑移量增大。因此，钢丝绳的滑移量，能综合反映电梯的制动能力和曳引能力。

目前已有一些检测电梯制动距离的方法。有利用胶轮和旋转编码器对钢丝绳的移动进行检测，可以得到电梯制动距离[1]。这种方法原理简单，成本较低，容易实现。然而，由于胶轮本身与钢丝绳之间也会发生打滑，且随着使用时间和次数的增加，机械安装容易松动，致使打滑加剧。因此，这种方法不适合对电梯性能进行长期监控。此外，也有通过加速度传感器对电梯轿厢运动进行测量的方法[2]。这种方法不仅可以检测出移动量，还能检测出速度、加速度。加速度传感器的成本同样很低，但是该系统的采集和检测部分都安装在电梯轿厢内。如果不对电梯进行改造，很难实现长时间供电和信号传输，也不利于长期实时监测。

若对电梯性能进行长期监测，需要求对各参数的检测技术能保证长期稳定测量。为了确保电梯曳引功能正常运行，本文提出一种对电梯曳引能力进行检测的技术，通过高帧率工业摄像机、采集电梯制动过程中钢丝绳运动的视频。

图像识别算法综合使用直方图特征和霍夫变换，分割出视频中的钢丝绳部分，然后对钢丝绳图像沿时间轴的变化进行分析，计算得到钢丝绳在制动过程中的滑移量，从而评估电梯的曳引能力。

1 检测系统

电梯制动器检测系统如图1所示，由电梯制动器、工业摄像机、工业路由器、计算机等组成。电梯制动器的钢丝绳为被测对象，每次制动过程中，钢丝绳会因为惯性滑移一段距离，而钢丝绳本身的纹理具有周期性，适合用来作为被测对象。工业摄像机用于采集电梯制动器制动过程中的图像信息，将输入相机镜头的光信号转换为图像矩阵（电信号），并编码成一定的格式，用于传输。工业路由器负责接收编码的视频数据，并将其转发至计算机；计算机用于进行复杂的图像处理、计算；监视器用于输出计算机计算的结果。

图1 检测框图

工业相机摆放时，镜头光轴处于水平面上，可以调整相机摆放位置，使钢丝绳组尽可能多地出现在相机视野中，同时还要保证钢丝绳纹理清晰可见。需要注意的是，工业摄像机选型时必须选择高帧相机。电梯钢丝绳通常为19丝成一股，8股成一绳。钢丝绳的股间距约为4～5 mm。进行图像测量时测股的变化，近似为周期图像。根据采样定理，相机的帧率（即图像采用频率）必须要高于股变化频率的2倍才能有效测量。

相机的接口标准采用GigE Vision协议，支持为相机分配ip地址，工业路由器通过双绞线与相机相连，在同一个局域网中，工业路由器用于为相机动态分配ip地址并转发数据至计算机。

计算机运行计算程序，实时接收路由器转发的视频信息。计算程序主要分为两部分：区域分割和滑移量计算。区域分割程序在每次检测到制动停止一段时间后运行，用于重新划分检测带。每次制动开始时，制动器控制柜给计算机一个制动开始的信号，计算机开始运行滑移量计算程序，计算整个制动过程中的滑移量。通过这种方式，计算机在每次计算滑移量结束后更新检测带，最终计算的结果可显示在监视器上。

2 图像识别

图像算法的功能为：以从工业路由器传输过来的、由工业摄像机采集的、钢丝绳在制动过程中的视频数据作为输入，通过计算分析，输出钢丝绳在制动过程中的滑移量。

当获取到含有钢丝绳的图像后，需要先筛选出图像中钢丝绳所在的点，并根据这些点，划分出包含钢丝绳的区域。在这个区域中，有多股钢丝绳，采用霍夫变换，检测区域中主要的直线，利用直线将这些钢丝绳分割成数根。对每根钢丝绳所在的区域再进一步划分，得到很多小的区域，统计每个小区域沿时间变化所经过的周期，取平均值，得到钢丝绳移动的股数，根据股数乘股间距，即可求得钢丝绳滑移量。因此，钢丝绳滑移量测量可分为钢丝绳检测和分割检测带两步。

2.1 钢丝绳检测

钢丝绳检测即是检测出图像中属于钢丝绳的点的坐标分布，从而划分出一个只包含钢丝绳得到区域，为下一步计算做准备。典型的钢丝绳图像如图2所示。

钢丝绳相较于图像其他部分，沿空间轴灰度变化频率较高，且有一定周期性，属于纹理图像。该类图像不能简单地使用颜色或梯度阈值进行分割。考虑到纹理图像空间分布的规律性，可统计每个像素点周围区域内灰度的频率直方图。组成一个长度为256的向量。并将该向量与预先采样的区域的灰度分布向量相比较，筛选出钢丝绳所在的区域。

首先拍摄任意一帧图像，并手动截取其中一段只包含钢丝绳的图像，统计该图像的灰度频率分布直方图。得到一个长度为256的向量X0。

将原图像转换成灰度图并进行高斯模糊，得到一张去噪的灰度图I(x,y)。对I(x,y)中任意一点(i,j)，统计其周围13×13像素区域的点（该像素区域可选大小为13×13、15×15、……，可以根据相机的分辨率选择合适的区域，一个区域尽量包含一个以上股间距，使图像在局部的周期特性在直方图上能够体现）。得到灰度的频率分布直方图向量Xij。计算Xij与X0的欧几里得距离。并设定一个阈值Td，即当公式

式（1）的点(i,j)，将其灰度值赋值为1，并将其余点赋值为0，得到一个提取出钢丝绳坐标位置的二值图B0，如图3所示。

图3 提取钢丝绳上点的二值图B0

从图3可知，虽然这种方法提取出来的点基本都是钢丝绳上的点，但也有一些不属于钢丝绳的干扰点，其数量不到总数的10%，从原图中划分出一块尽可能只包含钢丝绳的区域进行分析，可以求出所有点坐标在x，y上的均值和标准差，分别为Mx、My、σx、σy。令

以式（2）中4个值分别为x的最小、最大值；y的最小、最大值从灰度图I(x,y)中分割出一个区域，结果如图4所示。

图4中的区域只包含钢丝绳，但在实际情况下，这一区域还可能包含其他部分，例如当钢丝绳之间间隙较大时，间隙也会包含到该区域（以下简称检测窗）。因此，还需要进行二次分割，将只包含钢丝绳的区域分割出来。

图4 划分出的区域

2.2 区域分割

区域分割的主要流程为：先使用梯度阈值处理和霍夫变换检测出代表钢丝绳边缘的直线；然后再用算法剔除干扰直线，筛选出正确直线；最后再利用有效直线对图像的区域进行分割，划分出检测带。

1）直线检测

图4中钢丝绳的与钢丝绳之间有明显的直线边界，可以使用霍夫变换，检测出图中的长直线，作为分割线。使用霍夫变换时，先将检测窗进行梯度阈值过滤。该图像区域用sec(x,y)表示。令

得到二值图Bedges。然后可以对该二值图作霍夫变换，检测出所有直线，如图5所示。

图5a是对梯度进行二值处理后得到的Bedges，图5b是在划分出的区域中画出检测到的直线（图中的直线仅保留线长150像素以上的直线，其他直线丢弃，该长度根据分割钢丝绳的边界线在检测窗中的像素长度确定，可以取一个接近检测窗高的值，例如检测窗的高度乘以0.8），可以看到，钢丝绳组被互相平行的直线分割成了孤立的单根钢丝绳。

2）直线筛选

通过霍夫变换得到的分割线往往伴随一些干扰的无关直线。例如图5中检测的三条直线,最右侧一条明显粗于左边两条，因该直线实际上是距离很近，互相平行的两根线。有时还会检测出一些不平行的干扰直线。因此，需要对检测到的所有直线参数进行处理，剔除所有不符合要求的直线，方便后续处理。根据前文的讨论，需要剔除的直线分为两类：1）与正确分割直线不平行的干扰直线；2）与正确分割直线平行，但与另一直线距离很近，可以视作同一直线的冗余直线。

霍夫变换返回的是直线到原点的距离ρ和直线与x轴的夹角θ的集合

式中：Tθ为一个预先选定的阈值，则再将θi对应的ρi与As中所有直线ρ的平均值ρs对比，若

则将（ρi，θi）加入集合 As（其中 Tρ为预先选定的阈值），否则就将该直线丢弃。如果不存在这样的θs或不存在已有的集合，则新建一个集合Ak+1并将该元素加入新集合。然后继续从S中取下一个点，继续以上过程，直至中所有点取完。

通过以上过程，霍夫变换的检测结果被分割为若干两两互斥集合（A1，A2，…，Ak）的并集。从这些集合中找出元素数量最多的一个，假设为Aq，则Aq中的直线即为正确检测的直线，其他集合中的直线全部剔除。这里假设了正确检测的直线数量最多，而错误检测的直线只占较少部分，且距离和角度的差别较大。

3）分割检测带

经过筛选后的直线已经可以将钢丝绳按条分割成独立的区域。由于这些直线有一定的角度，不利于后续的计算处理，因此，计算集合Aq中直线的平均角度θq，然后将检测窗逆时针旋转角度θq。这样，原本检测到的有一定斜率的分割线会变成竖直线。假设Aq中直线的距离从小到大分别为ρq1＜ρq2＜…＜ρqmax。只需要对图像 y轴（横轴）取［ρq1，ρq2］、［ρq2，ρq3］、…、［ρq（max-1），ρqmax］这几个区间，每个区间就是一个检测带。

但上述分割方式仍然存在不足，检测过程中绳的轻微抖动和变形会对每个检测带靠近边缘处的图像影响较大，因此改进每个区间为［ρq（k-1）+σ，ρqk-σ］，其中 σ为一个较小的预设值，这种方法能减轻边缘的变化带来的影响。此外本例中所用的图像是以一定倾斜角拍摄的，绳与绳之间没有缝隙，当摄像机正对钢丝绳时，绳与绳之间的缝隙带也会被划分为检测带，这些是对检测没有帮助的区间。可以再利用前述检测方法，对每个检测带内的像素灰度进行统计，并计算得到的灰度分布向量与样本向量X0的欧几里得范数，并将大于阈值的检测带剔除，只保留有效检测带。

3 滑移量计算

上一节最终得到若干只包含钢丝绳的检测带，下面根据检测带来计算钢丝绳移动量，主要分为两步，第一步是从检测带中进一步划分检测块，然后再根据检测块计算一个指标值（这个指标值经过的周期数要和钢丝绳移动的股数相同），然后根据指标值的变化曲线，计算得到钢丝绳的移动量。

3.1 检测块划分与指标值计算

得到了若干有效检测带后，可以进行移动量计算。计算移动量，需要利用检测带得到若干检测块。由前面的讨论已知去噪灰度图用I(x, y)表示，现约定符号I(x1：x2，y1：y2)代表 I(x, y)中x坐标为 x1到x2，y坐标为y1到y2的区域。则某个检测带可表示为I(0：xmax，yi：yi+1)，其中xmax代表I(x， y)的最大x坐标。

要得到检测块，需要先设置一个块高h。则该检测带的检测块分别为 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个检测块，如果总共k个检测带，则总共能得到(xmax-h+2)·k个检测块。

要计算钢丝绳的移动量，需根据每个检测块中的灰度值计算出一个指标值，对视频中每一帧，同一个检测块都能检测出一个指标值，若该指标值随时间波动，则通过统计波动的周期即可检测出钢丝绳在这段时间移动的股数。图6是将一个检测块中所有的灰度值沿高度方向求和，得到的一个向量。图中横轴为y坐标，纵轴为检测块中所有y坐标相同的像素点的灰度值的和。上下两张图分别是在不同的时间，对同一个检测块进行计算得到的波形。可以看到：当钢丝绳的股中心正好移动到检测块中心时，会在中间坐标处出现一个波峰；当钢丝绳股间隙正好移动到检测块中心时，会在中间坐标处出现一个波谷。因此，可以统计中间坐标ymid以及ymid-1、ymid+1三点处的均值，作为一个指标值v。

图6 检测块在不同时间的波形

3.2 钢丝绳移动量计算

得到指标值v的计算方法后，在时间轴上，对每个检测块都可以求出一个v随时间变化的波形图。如图7所示。

图中纵坐标为v，横坐标为帧数，由于整个制动过程中经历较多周期，不能在一个图中显示出来，因此图7中只给出了两个不同检测块在制动过程的最后一段时间的波形图。可以看到，指标值明显地在上下波动变化。

图7 指标值随时间变化波形图

通过特定的算法可以计算出指标值在制动过程中的波动的周期数，即为钢丝绳经过的股数，乘以股间距即为滑移量。

由图7中可知，检测周期有两个难点：1）每个周期的波峰和波谷变化较大，不能简单通过阈值判断波峰波谷2）波形会因为干扰出现小幅波动，不能简单地通过递增和递减计算周期。

算法流程如图8所示，该程序通过统计波形图7中上升沿的个数，来表示钢丝绳移动的周期，从而得出移动的距离。程序中包含两个常量：N和T，分别代表波形图中总帧数（即经过的时间步数）和识别为一次上升的阈值。之所以要使用阈值，是因为需要过滤掉噪声造成的波形下降过程中的小规模上升。程序首先通过循环识别出一个周期，具体做法是，在每次循环中，获取新的指标值x，并将其与x0相比较，当x-x0＞T时，任务就出现了一次上升，从而进入到后面的步骤中，如果xT时，任务就出现了一次上升；右半部分是检测下降沿的程序，当x-x0＜-T时，任务就出现了一次下降。如果检测到上升沿，就将index加1，然后去检测下降沿，如果检测到下降沿，就什么都不做，转为检测上升沿。当逐渐循环到i=N，即遍历到最后一张图片时，检测结束，输出index作为检测到的上升沿的总数量，也可以理解为钢丝绳移动的周期数。使用该周期数乘钢丝绳每股的宽度，即可得到钢丝绳移动的距离。

图8 周期数的计算过程

4 结语

研究了电梯制动过程钢丝绳滑移量的图像检测方法，可以用于评估电梯的曳引与制动综合性能。该检测方法属于非接触测量，并可适应较小的位置变化，可用于对一些经常发生事故的旧型号的电梯制动器的钢丝绳滑移量进行测量，且无需对电梯制动器做任何改造，避免了改造对电梯制动器性能的影响。如果一次测量过程中出现镜头摇晃的情况，该方法不能正确测量出结果，故不适合手持测量。但该方法适合长时间现场监控，可作为电梯长期监控系统的其中一种检测技术使用。