董 宁

（北京市顺义区特种设备检测所，北京 101300）

0 引言

通过曳引驱动式方式升降的电梯在使用过程中，轮槽很容易产生磨损。这种磨损具有客观、普遍的特性，是不可避免的。当非均匀磨损达到一定程度，并且没有及时采取维护措施的情况下，曳引能力会降低。当曳引系数被影响，轮槽变形会导致轿厢运行不稳定。轮槽的曳引能力发生改变，会影响电梯的使用安全。电梯运行过程中主机驱动轮的摩擦力是运行的主要动力，曳引轮轮槽的磨损问题在电梯运行中有较高的出现频率，严重影响乘梯体验。当前，对于电梯运行相关的安全标准以及法律、法规逐步正在完善和制定。对于长时间使用发生老化的设备，需要及时进行更新，以防止安全事故的发生。

电梯行业的快速发展与市场的不断扩大，给其运行期间的检查与维护带来挑战。为了保证电梯的正常使用，需要分析电梯的结构以及各种安全装置。曳引机的主体包含着曳引轮、减速器和电机等部分，其中尤其需要注意曳引轮轮槽部分的磨损，管理人员需要定期检查磨损量，设计师需要提高材料的品质，以减少电梯事故的发生。本文基于机器视觉的检测方法对曳引轮图像进行处理，在提高测量精度的基础上提供更加丰富的磨损信息。

1 电梯曳引轮轮槽磨损检测方法

1.1 电梯曳引轮轮槽条纹去除

根据激光三角测量原理，使用铰制螺栓连接内轮和外轮圈，当轮槽发生不正常磨损、或者磨损程度导致曳引力不符合要求时，需要将曳引轮从设备上拆卸下。为了实现定量检测，需要查看轮槽工作平面是否平滑，并检查钢丝绳在工作面高度是否大于3 mm。实际检测过程中，通过空载曳引力实验，建立相应的离散特征参数来发射传感器信号。为了便于日常维护和后期管理，要求检测精度达到0.05 mm。

由于检测环境光照不均匀给检测带来了难度，利用双镜头垂直分布，提高原始图片对比度。本文基于激光点阵技术，将激光位移传感器用于曳引轮轮槽磨损的非接触性检测。利用光源的远心透镜捕捉、检测散射光斑的位置。实现弱光照环境下的稳定可靠测量。通过边缘抑制降噪法剔除噪点干扰，提高检测精度。常用的曳引轮绳槽有多种类型，本文主要以U 形槽口为研究对象。

为了实现实时检测，避免纹理干扰影响后续磨损区的提取，本文提出基于链表结构的区域连接标记算法。通过空间区域图对应频率分量可以表示为：

其中，f 表示像素点应变值，r′和r 分别表示链表节点的表面距离和切面距离，d 表示轮槽切面和节点的实际距离，α 表示离散变量，b 表示轮槽面的垂直长度。磨损的不均匀性使磨损区曳引轮槽底部有间隙。每个节点储存每个行程的标签，计算分割后背景区与曳引轮区间的方差，进而实现曳引轮槽条纹的去除。接下来使用机器视觉技术对图像数据进行处理。

1.2 基于机器视觉技术完成图像数据的预处理

为使机器视觉技术在实际应用中能够达到理想的效果，可以通过图像处理的方法有效减少干扰和噪声，提高图像数据精度，实现数据的预处理。通过视觉传感器进行数字信号的转换，再将数字信号处理后显示在显示屏中，具体流程如图1 所示。

图1 机器视觉应用流程

计算机通过USB 端口控制外连步进电机驱动器，同时使用光源为高倍镜分辨率镜头提供光源。由于高清摄像头系统处理能力较弱，本次选取高斯滤波对图像进行降噪处理。使用PointGrey800 万像素的CCD 摄像机，在Windows 10（64 位）操作系统上进行实验，从而获取相关图像的模拟信号。曳引轮通常具有磨损区域像素灰度值高、磨损区域边界处像素灰度值急剧变化的特征。通过高倍率镜头将电梯曳引轮影像投射到CCD 摄像机中，系统能够根据实际状况自动选择灰度，经条纹去除、对比度增强等操作，确定CCD 的阈值，使得磨损区内狭缝减少。检测过程不影响电梯运行。基于机器视觉对电梯曳引轮轮槽磨损进行图像采集并校正畸变后，光心投影的误差较为集中，图像精度也有提升。再结合迁移磨损图像及图像预处理模块和磨损类型，对图像进行预处理。

1.3 匹配曳引轮轮槽磨损特征向量

完成图像预处理后，采用融合不变矩的方式匹配轮槽特征向量。与现有的基于行程的算法相比，综合考虑成本等问题，选择合适的方法提高预测效率。在链表头结点中储存连通域面积，结合区域求算法给出曳引轮轮槽磨损状态参数和磨损位置信息。根据滤波处理后采集融合匹配参数。比较相似度后，考虑离散情况下，（）阶几何矩为：

将提取到的目标轮廓放在实验数据中，进一步观察垂直方向像素的分布，比较边缘检测算子的实验结果。选择使用中值滤波去除噪声，微调AlexNet 网络参数。对工件表面纹理图像的特征参数进行提取，提出采用相对距离作为电梯曳引轮轮槽磨损特征向量的匹配。

1.4 曳引轮轮槽非磨损区域分割

曳引轮轮槽特征向量匹配完成后，磨损区与曳引轮非磨损区间的像素差异被拉大。利用待检测图像中轮廓与模板图像轮廓的对比度增强，选取多个起点进行区域生长，再选取不变矩匹配方法，其中背景区域内所获取的边缘检测结果显示，像素灰度变化较为平缓。若直接以磨损区域作为目标分割，可能会影响分割后的结果完整度，为减弱此类干扰的影响，采集曳引轮槽底部间隙图像。

边缘检测的实验结果显示曳引轮绳槽是曲面形态的。采集图像时首先去除条纹，使用迭代阈值化的结果进行预处理。接下来绘制图像灰度直方图，首先需得到图像最大灰度值，将最大和最小值设为除数因子，再以中间槽为对象，分析其电压的实际位移值。将曳引轮径向距离与移动距离的数据点交汇处标点，实现最佳阈值的搜索判定。用（r+p，O）表示增强后图像，采集到的电梯曳引轮边缘区域坐标用（T-H，O）表示，将以上坐标带入直线方程y=kx+p 中，得垂直距离表达式：

式中，S 表示相机垂直方向物距，O 和l 分别表示绳槽影响下受遮挡点外缘间距和遮挡长度。在非磨损区域内随机取点，构建点集S1、S2，并计算对应的RGB 色彩均值，作为区域生长阈值。在光照不均的情况下，阈值在60 左右属于稳定的情况。从点集S1中捉取n 个点作为生长起点，得到曳引轮轮槽非磨损区域分割结果，完成整体检测流程。

2 实验

2.1 检测实验

为验证本文采用的非接触式检测方法的有效性，首先对曳引轮轮槽的磨损区域分层进行图像采集。选择SSC-PL918P 增强型彩色摄像机和汽轮机转子轮槽加工的曳引轮进行实验，采用RGC-16A-E840 型显微镜进行图像离线采集后将信号传输给CCD 传感器，光源采用SCHOTT 型冷光源。

首先调整显微镜，获得不同方向轮槽径向距离的高低差，使其成像的最清晰部位与实际尺寸关联，此时采集到的图像为曳引轮磨损区域的最底端，然后对得到的包含清晰部分和模糊部分的图像进行处理。

重复以上操作，紧接着将显微镜垂直往上移动，直到图像采集到的最清晰部分区域对应曳引轮轮槽磨损区域的最低端。由于在移动显微镜的过程中，各层图像的清晰部分在不断变化，曳引轮轮槽磨损区域在不同的图像中清晰度有差别。

2.2 测试结果

为验证本文采用方法的有效性，对提取出的几何参数进行评估，并对比人工检测磨损量。具体数据见表1。

表1 电梯曳引轮轮槽磨损量检测结果 mm

对比3 种检测方法对电梯轮槽磨损的检测结果。从表1 可以看出，10 个检测点中，使用常规方法检测的磨损量相对较高，最大值为1.88 mm，最小值为1.24 mm；人工检测的磨损量最大值为1.71 mm，最小值为0.92 mm。本文提出的非接触式检测方法最小值为0.96 mm，误差极小。

通过检测实验可以看出，电梯在使用过程中曳引力随着轮槽的磨损而降低。综合检测精度等情况，表明该曳引式电梯为安全运行状态，说明本文选择的基于机器视觉的检测方法应用结果与实际结果相符。

3 结束语

电梯在运行中，曳引轮磨损严重会导致轿厢冲顶等重大安全事故，因此研究提高检测曳引轮轮槽磨损程度的方法具有重要意义。通过CCD 摄像机器采集图像，实施预处理以及灰度处理等方式实现图像边缘检测。相较于传统接触式检测方法，本文提出的方法能够更加精准且直观地反映出轮槽磨损状况，实现了对电梯轮槽磨损的准确检测，具有一定应用价值。