随着社会经济和工业发展,钢丝绳在很多重要领域有着越来越广泛的应用。在钢丝绳使用过程中,不可避免的会对钢丝绳造成损伤。为了能够及早发现损伤,提前进行预警和故障处理,有必要针对钢丝绳开展无损检测研究。目前,基于计算机视觉的钢丝绳表面损伤诊断大多是基于传统机器学习方法,较少采用基于深度学习方法。近年来,基于深度学习的表面损伤诊断方法已经在诸多无损检测领域快速发展,并且表现出比传统机器学习方法更优良的性能。因此,本文将卷积神经网络引入基于计算机视觉的钢丝绳表面损伤诊断并进行方法探究。本文的主要研究内容概括如下:(1)为了对基于深度学习的钢丝绳表面损伤诊断展开探究,本文设计了基于计算机视觉的钢丝绳表面图像采集装置,用于采集钢丝绳表面损伤图像数据。设计滑块导轨装置,方便对不同尺寸的钢丝绳进行图像采集。设计条形光源与相机间隔60度角,提高漫反射效果,减少钢丝绳表面反光对损伤识别的影响。添加套筒装置,稳定钢丝绳,提高成像质量。同时,本文还分析了影响图像采集质量的三个因素,为今后设计基于计算机视觉的图像采集装置提供一定借鉴意义。(2)针对钢丝绳表面损伤模式识别问题,传统基于人工特征提取的机器学习方法存在依赖大量先验知识和模型适应性差等问题,因此本文提出一种基于卷积神经网络的钢丝绳表面损伤模式识别方法,很好地识别正常、表面断丝和表面磨损这三种模式。通过和基于人工特征提取的机器学习方法对比发现,本文方法更适合于钢丝绳表面损伤模式识别。同时,本文还分析了卷积神经网络结构设计中不同卷积层、池化层和全连接层深度对最终分类效果的影响。对将来设计基于卷积神经网络的钢丝绳表面损伤模式识别方法有一定借鉴意义。(3)针对钢丝绳表面损伤目标检测问题,基于现有文献调研,目前尚未有学者将钢丝绳目标检测方法应用于钢丝绳表面损伤诊断,因此本文提出一种基于YOLOv3的钢丝绳表面损伤目标检测方法。在方法设计时,通过引入深度可分离卷积思想,缩小网络规模,提高模型训练和推断速度。通过对比发现,本文所设计的网络比YOLOv3方法网络规模更小,更利于生产部署,同时钢丝绳表面损伤诊断效果比YOLOv3方法更好。为了进一步满足生产实际部署需要,本文使用Intel公司开发的OpenVINO工具箱对模型推断进行加速,提高模型在CPU上的运算速度。