桥式起重机部件多任务学习Mask R-CNN分割与关键点识别方法 .pdfVIP

学术研究



桥式起重机部件多任务学习MaskR-CNN分割与

关键点识别方法*

杨帆1梁敏健2杨宁祥2彭晓军2

（1.华南理工大学机械与汽车工程学院，广东广州510640

2.广东省特种设备检测研究院珠海检测院，广东珠海519002）

摘要：起重机运行状态实时检测是工业安全生产的重要保障之一。针对起重机部件提出基于多任务学习

MaskR-CNNMaskR-CNNDeepLabCut

的分割与关键点网络结构，该结构由定位框与区域语义分割网络、关键点

检测网络构成；在吊钩桥式起重机中采集数据进行测试，利用贪婪线性有哪些信誉好的足球投注网站算法与贝叶斯优化算法，有哪些信誉好的足球投注网站得到此

0.00522.46

模型的最优超参数组合为：学习率，批数，学习率策略为余弦衰减。该模型测试误差为个像素点，

测试AP可达95%，像素点误差反映到实际误差在5cm以内，满足实际检测需求，可拓展应用于无人化、自动

化起重机运行状态监测。

关键词：桥式起重机；关键点识别；深度学习；卷积神经网络；多任务学习；语义分割

中图分类号：文献标识码文章编号：

TN911.73：A1674-2605(2021)02-0003-05

DOI：10.3969/j.issn.1674-2605.2021.02.003

0引言法，深度学习模型具有图像高级语义特征理解力，对

不同场景适应能力更强。为此，文献[6]利用深度学习

起重机是现代工业生产不可或缺的设备，其作业

[7]

检测算法YOLO实现不同角度起重机图片吊钩定位，

范围广、作业环境复杂、吊运对象多样，需要多机构

适应性较好，但算法仅适用于图像定位框识别任务，

同时操作、多工种协同作业。起重机在作业过程中危

没有对起重机运行部件的关键点坐标信息及部件区

险因素较多，需实时监测其关键部件的运行状态，及

域分割信息进行预测。

时发现故障并发出预警信息。起重机关键部件监测方

为此，本文应用MaskR-CNN结合多任务学

[1-3]

法主要有基于多物理传感器直接测量、基于机器视

[8-9]

习，接入多预测分支，构建多任务识别深度学习

[4-6]

觉传感两大类，前者装置拆装不便，适应性较差；

后者拆装方便，以高鲁棒性图像算法为基础，在满足网络，实现桥式起重机关键部件定位框、区域语义分

精度误差范围内具备不同场景测量的高适应性。基于割与关键点的同时识别。

机器视觉传感的监测方法是基于图像传感器及图像1网络设计

处理算法，识别图像中起重机关键部件位置，