[發明專利]基于深度學習的交叉桿端部緊固螺栓丟失故障檢測方法在審
| 申請號: | 202010438296.0 | 申請日: | 2020-05-21 |
| 公開(公告)號: | CN111652212A | 公開(公告)日: | 2020-09-11 |
| 發明(設計)人: | 金佳鑫 | 申請(專利權)人: | 哈爾濱市科佳通用機電股份有限公司 |
| 主分類號: | G06K9/32 | 分類號: | G06K9/32;G06K9/62;G06N3/04;G06T7/00;B61F5/50;G01M17/08 |
| 代理公司: | 哈爾濱市松花江專利商標事務所 23109 | 代理人: | 劉強 |
| 地址: | 150060 黑龍江省*** | 國省代碼: | 黑龍江;23 |
| 權利要求書: | 查看更多 | 說明書: | 查看更多 |
| 摘要: | |||
| 搜索關鍵詞: | 基于 深度 學習 交叉 桿端部 緊固 螺栓 丟失 故障 檢測 方法 | ||
1.基于深度學習的交叉桿端部緊固螺栓丟失故障檢測方法,其特征在于包括:
步驟一:獲取交叉桿端部緊固螺栓的高清線陣圖像,并建立樣本數據集;
步驟二:對樣本數據集進行數據擴增;
步驟三:對數據集中的圖像進行標記;
步驟四:建立TensorFlow Object Detection API深度學習目標檢測模型,并將原始圖像和標記數據生成數據集,用于模型訓練;
步驟五:讀取TFDS貨車圖像檢測系統服務器上的過車圖像,粗定位出緊固螺栓部件區域子圖像,通過調用子圖像,將子圖像輸入到訓練好的模型中,進行實時的故障檢測,模型對子圖像檢測出屬于正常螺栓的概率為a,屬于螺栓丟失的概率為b,a和b的概率范圍用0到1的數值表示,并且檢測到的正常類或者丟失類的概率互相之間是不相關的個體;
步驟六:首先將螺栓正常閾值設定為0.97,丟失閾值設定為0.9,疑似丟失閾值設定為0.5,然后根據模型輸出的閾值進行判斷:
若檢測到丟失類的概率b,并且b0.9,則認為存在緊固螺栓丟失情況,直接報警給TFDS檢測平臺;若0.5b0.9,則判定屬于疑似丟失情況,并繼續判斷是否可以檢測到正常類的概率a,若檢測到正常類的概率a,則判定正常類的概率a是否大于0.97,若a0.97,則不報警,若a0.97,則報警給TFDS檢測平臺;
若檢測到正常類的概率a0.1,且丟失類的概率b0.1,則認定子圖像可能存在異常,未檢測到有用信息,直接報警給TFDS檢測平臺;
若以上情況均不存在,則認為該車緊固螺栓圖像正常,繼續進行下一輛車的緊固螺栓部件檢測。
2.根據權利要求1所述的基于深度學習的交叉桿端部緊固螺栓丟失故障檢測方法,其特征在于所述步驟三中采用LabelImg工具對數據集中的圖像進行標記。
3.根據權利要求2所述的基于深度學習的交叉桿端部緊固螺栓丟失故障檢測方法,其特征在于所述數據集格式為pascal voc。
4.根據權利要求1所述的基于深度學習的交叉桿端部緊固螺栓丟失故障檢測方法,其特征在于所述步驟四中建立TensorFlow Object Detection API深度學習目標檢測模型的具體步驟為:
步驟四一:安裝TensorFlow環境和object detection api,并配置好相關環境變量;
步驟四二:選擇用于遷移學習的目標檢測預訓練模型faster_rcnn_inception_v2_coco;
步驟四三:將標記好的數據集首先通過程序自動生成訓練集和驗證集,并將數據集轉換成tfrecord格式文件train.record和val.record,供給后續模型調用;
步驟四四:依據預訓練模型準備相關配置文件,所述相關配置文件包括:
類標簽文件:pascal_label_map.pbtxt,
訓練參數文件:faster_rcnn_inception_v2_coco.config,在該文件內,設定類別個數,模型訓練子圖像大小,訓練模型的結構參數,訓練迭代次數以及訓練模型數據集路徑參數;
步驟四五:訓練深度學習模型,生成的模型文件為model.ckpt,然后設定迭代次數,多次訓練后選擇最優模型作為最終測試模型文件;
步驟四六:使用export_inference_graph.py導出模型,將模型文件model.ckpt轉換成.pb格式的新模型,即export_inference_graph.pb。
5.根據權利要求4所述的基于深度學習的交叉桿端部緊固螺栓丟失故障檢測方法,其特征在于,所述方法還包括模型測試步驟,所述模型測試步驟為:
選擇交叉桿端部緊固螺栓子圖像數據進行模型測試,若測試識別結果滿足設定的識別率和準確率標準,則模型訓練結束,利用TensorRT加速引擎對模型進行加速,若測試識別結果不滿足設定的識別率和準確率標準,則重新選擇交叉桿端部緊固螺栓子圖像數據進行模型測試,并測試識別結果是否滿足設定的識別率和準確率標準,
所述利用TensorRT加速引擎對模型進行加速的具體步驟為:
1、將網絡中無用的輸出層消除;
2、將網絡中的conv、BN、Relu三個層融合為一個層,對網絡結構進行垂直整合;
3、將輸入為相同的張量和執行相同操作的層融合在一起,對網絡結構進行水平整合;
4、將concat層的輸入直接進行下面的操作,不單獨進行concat后的輸入計算。
該專利技術資料僅供研究查看技術是否侵權等信息,商用須獲得專利權人授權。該專利全部權利屬于哈爾濱市科佳通用機電股份有限公司,未經哈爾濱市科佳通用機電股份有限公司許可,擅自商用是侵權行為。如果您想購買此專利、獲得商業授權和技術合作,請聯系【客服】
本文鏈接:http://www.szxzyx.cn/pat/books/202010438296.0/1.html,轉載請聲明來源鉆瓜專利網。





