基于CBAM-DCNv4与P2头的钢丝绳损伤检测方法及系统

本发明涉及无损检测与机器视觉，尤其涉及一种钢丝绳表面损伤视觉识别方法，适用于矿山提升、起重机械、露天矿电铲等领域中钢丝绳损伤的在线检测与定量评估。

背景技术：

1、钢丝绳作为核心承载部件，广泛应用于矿井提升、电铲采掘、起重运输等关键场合。其在长期服役过程中，受重载、振动、腐蚀、粉尘等因素影响，不可避免地产生断丝、磨损等表面损伤，损伤的数量和程度直接关系到钢丝绳的剩余强度和使用寿命，若不及时发现，可能引发严重安全事故。

2、目前，钢丝绳表面损伤检测方法主要包括人工巡检、传统机器视觉检测两类主流技术方案。其中，人工巡检依赖检测人员的肉眼观察和经验判断，检测效率低、主观性强，无法实现全天候在线监测，且对微弱、隐蔽的损伤极易出现漏检；传统机器视觉检测方法，在处理工业现场强噪声、绳股间隙干扰下的微弱损伤特征时，普遍存在信噪比低、损伤特征提取困难的问题。

3、近年来，基于深度学习的目标检测模型在工业缺陷检测领域得到广泛应用。然而，当前主流的通用目标检测模型（如yolov8）应用于钢丝绳损伤检测场景时，仍存在以下技术缺陷：

4、第一，复杂背景干扰下浅层损伤特征提取能力不足。钢丝绳表面存在固有的绳股纹理、油污、锈斑等强干扰背景，这些背景特征在浅层特征图中与断丝、磨损等真实损伤极为相似。现有yolov8主干网络缺乏有效的特征筛选机制，导致大量背景噪声被引入，严重削弱了损伤相关特征的响应强度，增加了误检风险；

5、第二，对形状不规则、形态多变的损伤适应性差。钢丝绳的断丝截面不规则、磨损区域形态各异，传统标准卷积核具有固定的几何采样结构，无法根据损伤的实际形状动态调整采样位置，导致对断丝边缘、磨损边界等不规则形态特征的几何建模能力不足，难以精准提取关键的形态判别信息。如中国专利cn121884260a公开了一种结合改进yolov11与扩散生成模型的变电站异物类不平衡检测方法，融合生成模型与改进yolo提升小样本、不规则异物检测能力。缺点是模型复杂度高，计算资源需求大，生成数据真实性及泛化性仍存风险；

6、第三，微小尺寸断丝损伤在深层网络中特征丢失严重、漏检率高。钢丝绳上早期断丝的尺寸极小，属于典型的小目标。原始yolov8仅包含p3、p4、p5三个检测头，其最低特征图分辨率仅为输入图像的1/8，浅层高分辨率特征图中丰富的空间位置细节信息在深层传递过程中大量丢失，导致极小尺寸断丝难以被有效表征和检测，漏检问题突出；

7、第四，高精度与高实时性难以兼顾。传统方案为提升检测精度往往依赖复杂的网络结构，导致模型参数量大、计算量高、推理速度慢，无法满足钢丝绳在线无损检测场景中对毫秒级实时响应的工业需求，难以在计算资源受限的边缘部署设备上实现精度与速度的平衡。如中国专利cn120339885a公开了一种无人机视角下的高速公路异常事件检测和跟踪方法，采用改进yolov11结合deepsort，实现无人机视角下小目标检测、跟踪及异常事件识别，提升复杂场景适应性，但算法结构复杂，训练与部署成本较高，对无人机稳定性和数据质量依赖较强。

技术实现思路

1、针对上述问题，提出一种基于cbam-dcnv4与p2头的钢丝绳损伤检测方法，属于轻量化钢丝绳损伤识别方法，融合cbam-dcnv4双模块及新增小目标检测头，以解决现有yolov8目标检测框架在复杂工业场景下对钢丝绳微小损伤检测时存在的精度低、漏检率高及实时性差的技术问题。

2、为了实现上述目的，本发明采用了如下技术方案：

3、第一方面，本技术提供一种基于cbam-dcnv4与p2头的钢丝绳损伤检测方法，包括以下步骤：

4、s1、图像采集：采集钢丝绳表面图像。数据集图像来源于两个渠道：一是煤矿现场采集的钢丝绳实拍图像，二是实验室基于真实损伤特征模拟的缺陷图像。采集设备采用工业防爆视觉相机，能够适配井下、露天矿等防爆工业场景的连续图像采集需求，覆盖断丝、磨损等多种损伤类型；

5、s2、图像预处理：针对现场采集图像中普遍存在的光照不均和高光反射问题，采用同态滤波算法对低质量图像进行增强处理，以提升损伤区域的轮廓清晰度。所有采集到的图像统一调整为640×640像素分辨率，为后续标注和模型训练提供标准化输入；

6、s3、数据集构建：利用标注工具对预处理后的图像进行精细标注，记录每处损伤的类别、边界框位置以及断丝根数量化标签。最终构建的数据集共包含4821张图像，其中正常样本689张、断丝样本1722张、磨损样本1716张、断丝与磨损混合样本694张。按8:1:1的比例划分为训练集、验证集和测试集；

7、s4、模型构建与训练：构建改进的轻量化yolov8n损伤识别模型，并采用端到端方式进行训练；

8、s5、损伤检测：训练完成后，将待检测的钢丝绳图像输入模型，模型通过端到端推理直接输出每个损伤目标的类别、边界框坐标及置信度分数。

9、其中，所述改进的轻量化yolov8n损伤识别模型包括主干网络、颈部网络、检测头网络及轻量化模块，具体改进如下：

10、（1）主干网络增强：

11、在原始yolov8n主干网络的基础上，于p3特征层（第4层c2f模块之后）嵌入cbam（convolutional block attention module：卷积注意力模块，它是一个轻量级的通用注意力模块，会沿着通道和空间两个独立维度依次推断注意力图，并与输入特征图相乘以实现自适应特征优化）注意力模块。该模块通过通道注意力和空间注意力双重机制，自适应地强化损伤相关特征响应，抑制绳股纹理、油污等背景干扰。

12、于p4特征层（第6层c2f模块之后）嵌入dcnv4（deformable convolution v4：可形变卷积v4，一个高效且有效的算子）模块。dcnv4在标准卷积的基础上，为每个采样点引入可学习的二维偏移量，使卷积核的采样网格能够根据损伤形态自适应地发生形变，从而更精准地提取断丝、磨损等不规则损伤的几何特征。

13、（2）颈部网络增强：

14、颈部网络采用改进的特征金字塔结构，通过自上而下的路径将高层语义信息与浅层空间细节进行融合。在特征金字塔的上采样融合阶段，于p3和p4对应的c2f输出后分别追加cbam注意力模块，进一步细化多尺度特征表达，提升各尺度特征图中损伤区域的信噪比。

15、（3）新增小目标检测头：

16、在原始yolov8n的3个检测头（对应p3、p4、p5特征层）基础上，新增一个160×160分辨率的p2小目标检测头（对应p2特征层）。该检测头通过更浅层的高分辨率特征图，专门负责捕捉钢丝绳上尺寸微小的断丝损伤，有效解决小目标特征丢失、漏检率高的问题，最终形成4个检测头（p2、p3、p4、p5）并行预测的多尺度检测结构。其中，p2检测头负责微小目标，p3检测头负责小目标，p4检测头负责中目标，p5检测头负责大目标。

17、（4）轻量化设计：

18、在网络中采用深度可分离卷积替代部分标准卷积。深度可分离卷积将标准卷积分解为深度卷积和逐点卷积，在保证检测精度不显著下降的前提下，有效降低模型参数量和计算量，使推理速度满足工业实时性要求。

19、在模型训练阶段，优化器选用adamw，初始学习率设为0.01，动量参数0.937，权重衰减0.0005，训练轮次为100轮。训练过程中同步采用在线数据增强策略，包括随机水平翻转、色彩抖动、平移缩放与剪切等操作，以模拟工业现场光照变化、角度偏移等复杂工况，增强模型对不同成像条件的适应性。

20、模型训练采用多任务联合优化的策略，总损失函数由分类损失和边界框回归损失两部分加权组成。分类损失采用二值交叉熵损失（bceloss），用于优化目标类别的预测准确性；边界框回归损失采用ciou损失（complete intersection over union loss），在传统iou损失的基础上同时考虑边界框的重叠面积、中心点距离和宽高比一致性，使预测框更精准地贴合损伤区域的真实边界。

21、所述ciou损失的计算公式为：

22、；

23、其中，iou为预测框与真实框的交并比，ρ(·)为欧氏距离，b与bgt分别为预测框和真实框的中心点坐标，c为同时包含预测框与真实框的最小闭包框的对角线长度，α为权衡系数，v用于衡量预测框与真实框宽高比一致性；

24、其中：权衡系数；

25、宽高比一致性度量，其中h，w分别表示高和宽。

26、第二方面，本技术提供一种钢丝绳损伤识别系统，其特征在于，包括：

27、图像采集模块，用于采集钢丝绳表面图像；

28、预处理模块，用于对采集的钢丝绳表面图像进行增强和尺寸归一化处理；

29、数据集构建模块，用于对预处理后的图像进行损伤标注，构建包含损伤类别、边界框位置及量化标签的数据集；

30、模型构建与训练模块，用于构建改进的轻量化yolov8n损伤识别模型并进行训练；

31、以及损伤检测模块，用于将待检测图像输入训练完成的模型，输出损伤目标的类别、边界框坐标及置信度分数。

32、与现有技术相比，本技术具有以下有益效果：

33、（1）本发明针对矿山、起重等工业场景下钢丝绳表面损伤检测的行业痛点，以改进yolov8目标检测框架为核心，通过嵌入cbam注意力与dcnv4可变形卷积增强特征提取的组合，新增小目标检测头实现多尺度覆盖，并采用轻量化卷积降低计算量，最终构建出一种兼顾高精度、低漏检和实时性的钢丝绳损伤视觉识别方法，可直接服务于工业现场在线监测；

34、（2）通过在主干网络p3层和颈部融合层嵌入cbam注意力模块，有效增强损伤特征响应，抑制绳股间隙、油污等背景干扰，显著提高损伤区域信噪比；p4层引入dcnv4可变形卷积，使网络能够自适应地提取断丝等不规则损伤的形态特征，相比普通卷积，检测精度得到明显提升；

35、（3）新增p2小目标检测头，充分利用高分辨率特征图，专门针对钢丝绳上细小断丝进行优化，从根本上解决了传统模型小目标特征丢失、漏检率高的问题；

36、（4）采用深度可分离卷积替换部分标准卷积，在不牺牲精度的前提下降低模型复杂度；配合adamw优化器、多任务损失及在线数据增强，确保模型快速收敛且泛化能力强；

37、（5）区别于仅输出“有无损伤”的定性方法，本发明能够同步输出损伤类型、断丝根数和位置坐标，提供量化结果，为钢丝绳剩余寿命预测和维修决策提供切实可靠的数据支撑，工程实用价值更高。