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*

杨帆 梁敏健 杨宁祥 彭晓军

学术研究

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*

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）

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Mask R-CNN的分割与关键点网络结构，该结构由Mask R-CNN定位框与区域语义分割网络、DeepLabCut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，利用贪婪线性搜索算法与贝叶斯优化算法，搜索得到此模型的最优超参数组合为：学习率0.005，批数2，学习率策略为余弦衰减。该模型测试误差为2.46个像素点，测试AP可达95%，像素点误差反映到实际误差在5 cm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。

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

0 引言

起重机是现代工业生产不可或缺的设备，其作业范围广、作业环境复杂、吊运对象多样，需要多机构同时操作、多工种协同作业。起重机在作业过程中危险因素较多，需实时监测其关键部件的运行状态，及时发现故障并发出预警信息。起重机关键部件监测方法主要有基于多物理传感器直接测量[1-3]、基于机器视觉传感[4-6]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，在满足精度误差范围内具备不同场景测量的高适应性。……