面向多尺度多方向螺栓的检测算法

在工业建设中,螺栓零件是关键的连接件之一,通常用于连接大型机器设备和构件,如钢结构、桥梁、高速公路、建筑、石油管道等。其安装状况的优劣将直接关系到整个设备或结构的稳定性和可靠性。然而,螺栓的安装位置常常处于狭窄、复杂的环境中,利用人工检测不仅难度大,效率低,而且容易出现误判和漏检的情况。为此本文以Faster R-CNN为基础开展螺栓零件的识别研究。针对螺栓零件检测的难点,提出了一种基于多尺度多方向螺栓的检测算法。首先对采集到的图像进行扩增,以提高数据集的多样性;其次,通过改变主干网络增强模型对特征信息的敏感程度,再利用多尺度融合模块加强模型对小目标的检测;在预测框生成阶段,提出自适应旋转区域建议网络,以获取最优预测框;最后,针对多方向检测中出现的边界不连续的问题,通过Gaussian Wasserstein距离和焦点损失作为损失函数来代替传统的Smooth L1损失函数。螺栓零件的识别实验结果表明,改进后的Faster R-CNN模型mAP值能达到87.4%,相比于原始Faster R-CNN模型mAP值提升了7.6%。通过消融实验可以得出,改进后的ResNet50网络相较于原始ResNet50网络的AP值提升了0.2%。与其他旋转检测模型在相同数据集上进行比对得出,本文提出的模型AP值更高,鲁棒性更好。本文所提出的模型可以解决螺栓零件在识别任务中因拍摄角度和复杂环境出现的问题,缓解了因图像尺度和旋转边界不连续带来的问题。