基于计算机视觉的钢桥螺栓松动检测方法

为提高螺栓松动检测的智能化水平,提出一种基于计算机视觉的钢桥螺栓松动检测方法。首先基于深度学习理论建立关键点检测模型,对采集的螺栓图像进行标注并建立数据集;然后分别训练目标检测模型YoloV5和关键点检测模型,并利用训练后的模型自上而下检测螺栓关键点,根据关键点确定螺栓中心点位置,以中心点的相对位置求解透视变换矩阵,利用透视变换矩阵对关键点进行重投影;最后根据关键点的位置变化检测螺栓是否发生松动。结果表明:训练后的YoloV5模型和关键点检测模型可准确检测出螺栓的关键点;关键点的检测精度受图像采集条件影响且对角度更为敏感;利用所有中心点拟合透视变换矩阵的最小二乘解可提高图像几何矫正的精度;不同图像采集环境下,松动螺栓的检测误差在0%~9.6%之间,误检率为2.7%,表明本方法的检测精度和稳定性均较高,具有较好的实用价值和广阔的工程应用前景。

基于关键点检测的钢桥螺栓松动识别方法

针对钢桥高强螺栓人工检测效率低、风险大,难以量化松动程度等问题,研发了一种基于关键点识别的批量螺栓松动检测方法.首先,通过卷积神经网络模型定位图像中的螺栓关键点;其次,采用K-means聚类算法对螺栓关键点进行包络,计算螺栓初始角度与松动角度.通过收集试验室环境下的螺栓图片对算法性能进行验证,结果表明试验室松动测试均方根误差均在0.63°-1.83°,最大误差为2°,单张平均检测耗时仅为51 ms.方法识别的松动角度与实际松动角度非常吻合,测试误差满足工程应用要求.