[发明专利]一种螺栓检测模型构建及螺栓松动检测方法

说明书

本发明公开了一种螺栓检测模型构建及螺栓松动检测方法，获取包含目标螺栓的图像集进行标注并确定对应的标签信息；将所述图像集中包含的图像输入至预设神经网络进行处理与训练直至得到满足条件的螺栓检测模型；利用该训练好的模型检测螺栓具体位置，并对待检测螺栓的图像进行处理得到去噪后的图像，然后计算待检测螺栓的螺母与裸露部分的螺柱的比例并与预设松动阈值进行比对，最后确定螺栓松动检测结果。该方法提高了在复杂检图像下螺栓松动检测的精度和效率。

技术领域

本发明涉及人工智能和计算机视觉技术领域，具体涉及一种螺栓检测模型构建及螺栓松动检测方法。

背景技术

随着智能电网建设的飞速发展，大容量、远距离高压输电线路的数量越来越多，对输电线路进行定期巡视检查是一项必要而繁重的日常工作。无人机巡检作为一种全新的巡检技术，具有迅速快捷、工作效率高、不受地域影响、巡检质量高、安全性高等优点，在此基础上，基于巡检图像的缺陷识别课题也受到了广泛的关注和重视。目前基于机巡图像的螺栓松动检测方法主要包括(1)采用传统图像处理方法直接对原始巡检图像进行缺陷分析，该类方法要求图像背景较纯净、目标部件与背景对比度高，难度大且准确率低；(2)基于深度学习技术，利用现有的CNN系列、FCN等神经网络进行检测，这种检测方法对于在机巡图像中检测小目标准确率不高，且缺少有效的去噪方式来提取纯净的螺栓目标。

发明内容

有鉴于此，本发明实施例提供了涉及一种螺栓检测模型构建及螺栓松动检测方法，以解决现有技术中螺栓松动检测方法准确率不高且缺少有效的去噪方式来提取纯净的螺栓目标的技术问题。

本发明提出的技术方案如下：

本发明实施例第一方面提供一种螺栓检测模型构建方法，该螺栓检测模型构建方法包括：获取包含目标螺栓的图像集进行标注并确定对应的标签信息，所述标签信息包括所述目标螺栓所在边界框的中心点坐标、所述边界框的宽度与高度；将所述图像集中包含的图像输入至预设神经网络进行归一化处理并输出对应的特征图；在所述特征图的每个网格中预测先验框并根据预设置信度阈值对所述先验框进行处理得到目标预测框及预测值，所述预测值包括所述目标预测框中心点坐标、所述目标预测框的宽度与高度；将所述标签信息与所述预测值的误差反向输入至所述预设神经网络进行训练直至得到满足条件的螺栓检测模型。

可选地，所述将所述标签信息与所述预测值的误差反向输入至所述预设神经网络进行训练直至得到满足条件的螺栓检测模型，包括：将所述图像集的验证集输入所述预设神经网络并根据所述目标螺栓的精确率和召回率验证所述预设神经网络的性能；当所述精确率和所述召回率不满足预设要求，扩充所述图像集的训练集并重复训练直至得到满足条件的螺栓检测模型。

本发明实施例第二方面提供一种螺栓松动检测方法，该螺栓松动检测方法包括：获取待检测螺栓的图像；将所述待检测螺栓的图像输入至如本发明实施例第一方面及第一方面任一项所述的螺栓检测模型构建方法得到的螺栓检测模型并得到所述待检测螺栓的具体位置；根据所述具体位置对包含所述待检测螺栓的图像进行分割并对所述分割后的图像进行处理得到对应的二值化图像；对所述二值化图像进行去噪处理并计算去噪后的二值化图像的水平累积直方图的局部最大值和最小值；根据所述最大值和所述最小值计算所述待检测螺栓的螺母与裸露部分的螺柱的比例并将所述比例与预设松动阈值进行比对；根据比对结果确定螺栓松动检测结果。

可选地，所述根据所述最大值和所述最小值计算所述待检测螺栓的螺母与裸露部分的螺柱的比例并将所述比例与预设松动阈值进行比对，包括：对所述待检测螺栓的图像进行解析得到所述待检测螺栓的拍摄时间、经度、纬度以及高度信息；根据所述经度信息和所述纬度信息确定所述待检测螺栓的型号；根据所述待检测螺栓的型号确定所述待检测螺栓的松动阈值。

可选地，所述根据比对结果确定螺栓松动检测结果之后，所述方法还包括：根据所述经度信息和所述纬度信息确定所述待检测螺栓所在地点信息；将所述螺栓松动检测结果与所述地点信息传输至后台。