基于机器视觉的角钢塔螺母识别定位方法研究

组塔施工中螺栓紧固工作量巨大,螺栓的紧固性很大程度上决定了整体铁塔的防振动性能以及整体的结构稳定性。为实现输电线路机器人自动紧固角钢塔中螺栓的功能,文章对螺母识别检测技术开展了研究。首先应用YOLO V5对工业相机采集的图像进行初定位,处理螺母子图像;然后,采用Canny边缘检测算法得到螺母边缘;最后,利用霍夫圆检测算法对螺母内圆进行检测,通过局部纹理特征信息进行加权投票,确定螺母内圆区域,并将螺母内圆圆心作为待紧固螺母中心位置。实验结果表明,对于3072×2048 pixels的图像,行、列定位误差均可以达到10 pixels以内,且本文算法对增加了不同概率密度的椒盐噪声图像中心定位准确度和定位效果依然具有较强的鲁棒性。研究成果能够快速实现对螺母的精确定位,定位精度较高,检测速度快,具有较强的实用性。

基于改进YOLOv7算法的接触网吊弦线夹螺母状态识别方法

针对传统的深度学习算法在处理铁路接触网吊弦线夹螺母时效果不佳,而人工巡检吊弦线夹螺母速度慢、难度大问题,提出一种改进的YOLOv7算法对接触网吊弦线夹螺母状态进行识别。首先,该算法在YOLOv7原有模型特征提取网络的末端融合卷积和自我注意力机制,使算法既拥有注意力和卷积的优势,又与单一的卷积或注意力相比具有较小的计算量,以提升缺陷检测的速度;然后,在特征提取网络的输出端引入空间到深度卷积模块,以空间层到深度层取代池化层,以非跨行卷积层取代跨行卷积层,强化算法对螺母缺陷状态的识别能力;最后,在输出层加入新的移动网络轻量级坐标注意力机制,以得到方向感知和位置敏感的注意图,互补地应用于输出特征图,以更有利于接触网吊弦线夹螺母的识别。仿真实验结果表明:在未经裁剪的接触网吊弦数据集上,该算法对吊弦线夹螺母状态识别的正确率达到90%以上,平均检测准确率为98.5%,证明改进后YOLOv7算法在兼具检测速度的同时能更加准确地识别接触网吊弦线夹螺母状态。