基于深度学习与支持向量机的废旧产品锈蚀螺栓可拆卸性判别方法

为提高再制造拆卸的自动化程度,将机器视觉技术加入拆卸过程,提出一种基于深度学习与支持向量机(Support Vector Machine,SVM)的废旧产品锈蚀螺栓可拆卸性判别方法。针对废旧产品多样化、锈蚀螺栓目标小,以及背景干扰强等特点,采用基于YOLOv5算法的废旧产品螺栓检测模型,自动检测并裁剪不同废旧产品的螺栓目标;应用Hough梯度圆检测算法实现螺栓图像分割,剔除背景干扰;利用基于支持向量机的多特征锈蚀螺栓可拆卸性判别模型,完成螺栓的可拆卸性判别。经实验表明,该方法在实际拆卸中判别准确率为96.46%,漏检率为1.32%,相比单一的YOLOv5算法,判别准确率得到较大提升,为深度自动化拆卸提供了有效途径。