[發明專利]一種基于深度學習的螺栓松動檢測方法、系統及存儲介質

有效

• 申請號: 202210507950.8
• 申請日: 2022-05-11
• 公開（公告）號: CN114742820B
• 公開（公告）日: 2023-06-27
• 發明（設計）人: 崔闖;勞武略;張清華;許肇峰;曹珊珊;王勇平
• 申請（專利權）人: 西南交通大學;廣東交科檢測有限公司
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06T5/00;G06V10/774;G06V10/82
• 代理公司: 成都行之智信知識產權代理有限公司 51256
• 代理人: 宋輝

本發明公開了一種基于深度學習的螺栓松動檢測方法、系統及存儲介質，獲取歷史螺栓圖像集并構建目標檢測數據集和關鍵點檢測數據集；構建目標檢測網絡模型，通過目標檢測數據集對目標檢測網絡模型進行訓練，獲得最優目標檢測模型；構建關鍵點檢測模型，通過關鍵點檢測數據集對關鍵點檢測模型進行訓練，獲得最優關鍵點檢測模型；獲取實時螺栓圖像，并將實時螺栓圖像依次輸入到最優目標檢測模型以及最優關鍵點檢測模型中進行檢測，并根據檢測結果對實時螺栓圖像進行幾何校正，再通過有向邊線值的方法計算螺栓邊線角度值，根據所述角度值判斷螺栓是否松動；本發明的有益效果為提高了對螺栓檢測的效率；準確檢測螺栓的六個角點坐標，然后基于角點坐標進行螺栓角度計算，提高了高強螺栓松動檢測的準確性與可靠性。

技術領域

本發明涉及螺栓檢測技術領域，具體而言，涉及一種基于深度學習的螺栓松動檢測方法、系統及存儲介質。

背景技術

高強螺栓連接具有結構簡單、裝卸便捷、安全可靠等突出優點，已成為了鋼結構的主要連接方式之一。但在車輛、溫度等動力荷載作用下螺栓極易發生松動，造成栓接結構預緊力不足、承載力下降等問題，影響結構的服役性能。

為保證鋼結構運營階段的安全性以及為鋼結構及時檢修維護提供科學依據，眾多學者提出了基于計算機視覺的螺栓松動檢測方法。由于其低成本、易部署、非接觸測量等眾多優點受到廣泛關注，在具體實施過程中通常采用圖像處理、目標檢測等技術實現閾值分割、提取特征，進而實現螺栓松動狀態的識別。該方法較傳統螺栓檢測技術有一定的提升，但螺栓松動檢測結果受外界環境影響較大，且檢測過程中需要人工干預，智能化程度較低，同樣難以運用于高強度螺栓數量龐大的大型鋼結構中。深度學習方法則多為通過目標檢測算法對螺栓目標進行檢測，學習螺母與板件之間的距離特征，從而直接檢測得到松動和未松動螺栓，該方法智能化程度高，且檢測速度快準確率高，但通常只適用于松動尺度較大的螺栓，最小識別距離約為5mm左右。因此，現有技術中可采用深度學習方法判斷螺栓是否發生較大松動，但無法檢測出螺栓的微小角度松動，從而降低了松動病害檢測的準確性，嚴重的時候可能給鋼結構帶來損害。

有鑒于此，特提出本申請。

發明內容

本發明所要解決的技術問題是現有技術中難以實現對螺栓微小角度松動的檢測，降低了檢測螺栓是否松動的準確性，目的在于提供一種基于深度學習的螺栓松動檢測方法、系統及存儲介質，能夠實現螺栓微小角度松動的精確檢測，提高了螺栓松動病害檢測的精度與效率。

本發明通過下述技術方案實現：

一種基于深度學習的螺栓松動檢測方法，方法步驟包括：

S1：獲取歷史螺栓圖像集，所述歷史螺栓圖像集為在不同條件下采集的螺栓圖像，依次標注圖像中的螺栓目標和關鍵點，并構建第一圖像數據集和第二圖像數據集；

S2：構建目標檢測模型，并通過所述第一圖像數據集對所述目標檢測模型進行訓練，獲得最優目標檢測模型；

S3：構建關鍵點檢測模型，并通過所述第二圖像數據集對所述關鍵點檢測模型進行訓練，獲得最優關鍵點檢測模型；

S4：獲取實時螺栓圖像，所述實時螺栓圖像為待檢測螺栓采集的圖像，并將所述實時螺栓圖像依次輸入到所述最優目標檢測模型以及所述最優關鍵點檢測模型中進行檢測，并根據檢測結果對實時螺栓圖像進行幾何校正，再通過有向邊線值的方法計算螺栓邊線角度值，根據所述角度值判斷螺栓是否松動。

優選地，所述步驟S1的子步驟包括：

S11：獲取歷史螺栓圖像集，并采用生成對抗網絡對所述歷史螺栓圖像集進行擴充增強，通過LabelImg對增強后的歷史螺栓圖像集中的螺栓進行標注獲得第一標注文件，第一標注文件與增強后的歷史螺栓圖像集合并獲得第一圖像數據集；