针对多根钢丝绳检测部署困难、钢丝绳图像采集质量较低、视觉检测法适应性差、准确性不高等问题，提出了一种基于计算机视觉和深度学习的矿井提升机钢丝绳外观缺陷视觉识别方法。首先构建矿井提升机钢丝绳在线监测系统；其次由地面移动巡检平台和井下本安高速相机采集钢丝绳图像，建立钢丝绳图像数据集；考虑井下粉尘影响、相机镜头易受污染、光照不均、钢丝绳高光反射等问题，采用基于Retinex算法的图像去噪方法和基于同态滤波的图像去噪方法对钢丝绳图像进行去噪处理，处理结果表明，基于色彩增益加权的多尺度Retinex（AutoMSRCR）算法为较优方案；缺陷检测过程以卷积神经网络为基础，构建基于YOLOv5s的缺陷检测模型，为降低人为因素影响、调参工作量，在YOLOv5s加入Focus结构对其进行优化，并将改进的YOLOv5s模型作为钢丝绳缺陷检测的预训练模型，以进一步降低模型内存占用率，提高模型加载和检测速度。实验结果表明，所提方法在钢丝绳2处断丝的检测误差分别为1.61%，1.35%，在钢丝绳4处磨损的检测误差分别为2.43%，3.44%，2.11%，3.39%。针对淮河能源控股集团顾北煤矿主井提升机原有一套钢丝绳安全监测系统的检测精度已无法满足现场需求的问题，采用所提方法对原系统进行改进，现场应用效果表明，钢丝绳断丝检测准确率由80%提升至96%、损伤定位误差由500 mm降低至300 mm范围内、损伤定位准确率由75%提升至98%、损伤实时检出率由76%提升至90%、尾绳畸变检出率由70%提升至85%。

0 引言
1 矿井提升机钢丝绳在线监测系统
2 图像信息采集和预处理
3 缺陷检测方法实现
3.1缺陷检测实验流程
3.2数据集建立与处理
3.3缺陷检测模型
3.4实验结果分析
4 现场实施效果
5 结论