信息摘要：
隨著社會經濟和工業發展，鋼絲繩在很多重要領域有著越來越廣泛的應用。在鋼絲繩使用過程中，不可避免的會對鋼絲繩造成損傷。為了能夠及早發現損傷，提前進行預警和故障處理，
隨著社會經濟和工業發展，鋼絲繩在很多重要領域有著越來越廣泛的應用。在鋼絲繩使用過程中，不可避免的會對鋼絲繩造成損傷。為了能夠及早發現損傷，提前進行預警和故障處理，有必要針對鋼絲繩開展無損檢測研究。目前，基于計算機視覺的鋼絲繩表面損傷診斷大多是基于傳統機器學習方法，較少采用基于深度學習方法。近年來，基于深度學習的表面損傷診斷方法已經在諸多無損檢測領域快速發展，并且表現出比傳統機器學習方法更優良的性能。因此，本文將卷積神經網絡引入基于計算機視覺的鋼絲繩表面損傷診斷并進行方法探究。
本文的主要研究內容概括如下：
（1）為了對基于深度學習的鋼絲繩表面損傷診斷展開探究，本文設計了基于計算機視覺的鋼絲繩表面圖像采集裝置，用于采集鋼絲繩表面損傷圖像數據。設計滑塊導軌裝置，方便對不同尺寸的鋼絲繩進行圖像采集。設計條形光源與相機間隔60度角，提高漫反射效果，減少鋼絲繩表面反光對損傷識別的影響。添加套筒裝置，穩定鋼絲繩，提高成像質量。同時，本文還分析了影響圖像采集質量的三個因素，為今后設計基于計算機視覺的圖像采集裝置提供一定借鑒意義。
（2）針對鋼絲繩表面損傷模式識別問題，傳統基于人工特征提取的機器學習方法存在依賴大量先驗知識和模型適應性差等問題，因此本文提出一種基于卷積神經網絡的鋼絲繩表面損傷模式識別方法，很好地識別正常、表面斷絲和表面磨損這三種模式。通過和基于人工特征提取的機器學習方法對比發現，本文方法更適合于鋼絲繩表面損傷模式識別。同時，本文還分析了卷積神經網絡結構設計中不同卷積層、池化層和全連接層深度對最終分類效果的影響。對將來設計基于卷積神經網絡的鋼絲繩表面損傷模式識別方法有一定借鑒意義。
（3）針對鋼絲繩表面損傷目標檢測問題，基于現有文獻調研，目前尚未有學者將鋼絲繩目標檢測方法應用于鋼絲繩表面損傷診斷，因此本文提出一種基于YOLOv3的鋼絲繩表面損傷目標檢測方法。在方法設計時，通過引入深度可分離卷積思想，縮小網絡規模，提高模型訓練和推斷速度。通過對比發現，本文所設計的網絡比YOLOv3方法網絡規模更小，更利于生產部署，同時鋼絲繩表面損傷診斷效果比YOLOv3方法更好。為了進一步滿足生產實際部署需要，本文使用Intel公司開發的OpenVINO工具箱對模型推斷進行加速，提高模型在CPU上的運算速度。
