结合单目标多窗口检测器和AlexNet的螺母检测

工业生产中螺母的漏装会导致严重的安全隐患,因此螺母的识别与检测有着重要意义。螺母可提取特征单一,使用传统方法检测时对光照、噪声等变化极为敏感,准确率较低。研究提出一种基于卷积神经网络的螺母检测算法,利用单目标多窗口检测器(single shot multibox detector,SSD)快速检测图像中可能的目标窗口,使用AlexNet对这些窗口进行分类以获得更高的分类精确度,使用基于面积比的非极大值抑制算法去除重复窗口得到最终检测结果。实验表明,该算法检测图像速度快且准确率高,可对螺母漏装进行高精度检测。

YOLOv5目标算法对输变电杆塔工程质量通病检测

输变电杆塔工程中存在的螺母与引线质量通病问题可能会导致电力系统存在安全隐患,造成难以估计的损失,是电力系统安全维护任务中非常重要的一部分。人工巡检的检测效率低下且人力成本较高,而传统的图像检测算法在实际应用中易受环境因素影响,检测性能较差。针对这一问题,通过研究输变电杆塔工程螺母与引线质量通病问题的特点,这里提出基于YOLOv5目标检测算法的输变电杆塔工程螺母与引线质量通病智能检测方法,使用CSPNet作为网络模型的Backbone,PANet作为网络模型的Neck,并使用Mixup、Mosaic数据增强等方法增加数据样本,实现了YOLOv5算法对输变电杆塔工程质量通病问题的检测。实验结果表明,基于YOLOv5目标检测算法的输变电杆塔工程质量通病检测拥有较高的检测精度,mAP达到了87.6%,检测速度达到了90fps,可用于Jet Nano等嵌入式设备和手机等移动端设备,取得了良好的检测效果。

新型螺母自动检测分选机设计

根据企业实际需求,文章研发了一种基于STM32的螺母自动检测分选机。该系统选用STM32作为微控制器,采用比较测量法将工件测量值与标准件比较,利用STM32芯片的片内外设模数转化器(analog-todigital converter,ADC)接收传感器的输出值并判断工件是否合格。测试结果表明,该分选机运行良好,具有操作简单、设计精巧、可靠性好、检测效率高等优点。

基于计算机视觉的钢轨扣件螺母缺失检测系统

针对传统方法己经不能满足线路检修的需要,设计了一种基于计算机视觉的钢轨扣件螺母缺失检测系统,建立了钢轨扣件螺母缺失检测系统的系统框架,提出了一种基于特定区域像素点扫描统计的扣件定位算法,使用了主元分析法算法来提取扣件螺母特征向量,并利用最小距离分类器对扣件进行分类。实验结果表明,该系统能有效地自动识别钢轨扣件螺母是否缺失,能在一定程度上代替扣件系统螺母的人工巡检。

基于STM32的螺母自动检测分选机设计

本文设计一款基于STM32的螺母自动检测和分选系统,系统使用STM32F103xzet6单片机作为核心控制器件,通过精密位移传感器应用比较测量法实现螺母厚度和中径的准确测量。系统包含完善的机械和气动结构,保证检测、分选自动化实现。经测试系统可实现测量、分选工作且测量偏差仅为0.02mm,满足测量精度要求,与其他检测系统相比,该系统结构简单、准确可靠、功能完善、成本低廉。