CN113639685A - 位移检测方法、装置、设备和存储介质 - Google Patents
位移检测方法、装置、设备和存储介质 Download PDFInfo
- Publication number
- CN113639685A CN113639685A CN202110912433.4A CN202110912433A CN113639685A CN 113639685 A CN113639685 A CN 113639685A CN 202110912433 A CN202110912433 A CN 202110912433A CN 113639685 A CN113639685 A CN 113639685A
- Authority
- CN
- China
- Prior art keywords
- component
- information
- loosening
- line
- section
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000006073 displacement reaction Methods 0.000 title claims abstract description 44
- 238000001514 detection method Methods 0.000 title claims abstract description 28
- 238000000034 method Methods 0.000 claims abstract description 43
- 238000012545 processing Methods 0.000 claims abstract description 13
- 230000000712 assembly Effects 0.000 claims description 9
- 238000000429 assembly Methods 0.000 claims description 9
- 230000015654 memory Effects 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 4
- 230000002596 correlated effect Effects 0.000 claims description 4
- 239000003550 marker Substances 0.000 claims 1
- 230000002159 abnormal effect Effects 0.000 abstract description 6
- 238000007689 inspection Methods 0.000 abstract description 6
- 230000011218 segmentation Effects 0.000 description 15
- 238000012549 training Methods 0.000 description 6
- 239000000428 dust Substances 0.000 description 5
- 238000013135 deep learning Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000005286 illumination Methods 0.000 description 3
- KJLPSBMDOIVXSN-UHFFFAOYSA-N 4-[4-[2-[4-(3,4-dicarboxyphenoxy)phenyl]propan-2-yl]phenoxy]phthalic acid Chemical compound C=1C=C(OC=2C=C(C(C(O)=O)=CC=2)C(O)=O)C=CC=1C(C)(C)C(C=C1)=CC=C1OC1=CC=C(C(O)=O)C(C(O)=O)=C1 KJLPSBMDOIVXSN-UHFFFAOYSA-N 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 210000004556 brain Anatomy 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000000875 corresponding effect Effects 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011897 real-time detection Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B21/00—Measuring arrangements or details thereof, where the measuring technique is not covered by the other groups of this subclass, unspecified or not relevant
- G01B21/02—Measuring arrangements or details thereof, where the measuring technique is not covered by the other groups of this subclass, unspecified or not relevant for measuring length, width, or thickness
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Image Analysis (AREA)
Abstract
本申请提供一种位移检测方法、装置、设备和存储介质，该方法包括：获取待测组件的影像信息，所述待测组件包括第一部件和第二部件，所述第一部件和所述第二部件上分别设置有防松标记；识别得到所述影像信息中所述第一部件上第一段防松标记信息和所述第二部件上第二段防松标记信息；将所述第一段防松标记信息和所述第二段防松标记信息做立体空间投影处理，获得空间投影信息；根据所述空间投影信息确定与初始连接状态相比，所述第一部件与所述第二部件之间是否发生相对位移。本申请可以实时检测螺栓的松动情况，摆脱了螺栓异常样本的限制，提高了识别准确率，极大地释放人工巡检压力，有效提高巡检效率。
Description
技术领域
本申请涉及图像处理技术领域，具体而言，涉及一种位移检测方法、装置、设备和存储介质。
背景技术
地铁列车底部是地铁检修任务中不可缺少的检修对象。列车底部有转向架、轮对、蓄电池等众多关键部件，巡检工作人员在检修沟道对车底关键部件逐一进行检查，保障列车出行安全。其中，螺栓紧固件在各个关键部件中起着非常重要的作用，检测螺栓是否松动是巡检任务中的重中之重。
通常，一辆地铁列车车底有约几千个螺栓结构，巡检项目多且繁重；而且巡检工作人员对一辆车的巡检有较严格的时间效率要求，长时间的巡检容易产生疲倦，因此人工巡检难免会造成误检，给列车留下安全隐患。
现有的螺栓检测技术中常用到图像检测法，原理是依赖螺栓的防松线标志，然后根据图像判断螺帽和底座的防松线是否错位。常见的图像检测法有基于模板图像的比对方法和基于神经网络的图像分类方法。基于模板图像的比对方法，需要事先针对每一个螺栓制作模板图像，再用模板图与巡检图比较得出检测结论。该方法依赖图像配准的精度，容易受列车底部灰尘和光照等影响；基于深度学习的图像分类算法，需要收集尽可能多的正常、异常螺栓样本进行训练。但是实际中异常的螺栓样本严重缺乏，导致深度网络对异常螺栓的特征学习不充分，容易发生漏检情况。
发明内容
本申请实施例的目的在于提供一种位移检测方法、装置、设备和存储介质，能够实时检测螺栓的松动情况，摆脱了螺栓异常样本的限制，提高了识别准确率，极大地释放人工巡检压力，有效提高巡检效率。
本申请实施例第一方面提供了一种位移检测方法，包括：获取待测组件的影像信息，所述待测组件包括第一部件和第二部件，所述第一部件和所述第二部件上分别设置有防松标记；识别得到所述影像信息中所述第一部件上第一段防松标记信息和所述第二部件上第二段防松标记信息；将所述第一段防松标记信息和所述第二段防松标记信息做立体空间投影处理，获得空间投影信息；根据所述空间投影信息确定与初始连接状态相比，所述第一部件与所述第二部件之间是否发生相对位移。
于一实施例中，所述防松标记为防松线段；所述第一部件连接于所述第二部件，在初始连接状态下，所述防松线段在所述第一部件和所述第二部件的结合处连续；所述待测组件包括多个；所述识别得到所述影像信息种所述第一部件上第一段防松标记信息和所述第二部件上第二段防松标记信息包括：识别所述多个待测组件的多个影像信息，分别提取每个所述影像信息中的防松线段的数量；从所述多个影像信息中选取所述防松线段的数量大于1的候选影像集合；分别提取所述候选影像集合的每个候选影像中所述第一部件上第一段防松线信息和所述第二部件上第二段防松线信息。
于一实施例中，所述分别提取所述候选影像集合的每个候选影像中所述第一部件上第一段防松线信息和所述第二部件上第二段防松线信息包括：分别计算每个所述候选影像中面积最大的两段目标防松线之间的距离；从所述候选影像集合中选取所述两段目标防松线之间的距离大于预设阈值的目标影像集合；分别提取所述目标影像集合的每个目标影像中所述第一部件上第一段防松线信息和所述第二部件上第二段防松线信息。
于一实施例中，所述识别得到所述影像信息中所述第一部件上第一段防松标记信息，包括：获取所述第一部件上第一段防松线的最小外接矩形，将所述最小外接矩形沿着所述第一段防松线方向的中心线作为所述第一段防松线信息。
于一实施例中，所述将所述第一段防松标记信息和所述第二段防松标记信息做立体空间投影处理，获得空间投影信息，包括：根据所述影像信息，在所述第一部件中选取一个基准点，根据所述基准点和所述第二段防松线信息，在所述第二部件限定的基准平面内确定一条基准线；根据所述第一段防松线信息确定所述第一段防松线在所述基准平面内的防松线投影。
于一实施例中，所述基准点为在所述影像信息中所述第一部件的顶面中心点；所述根据所述基准点和所述第二段防松线信息，在所述第二部件限定的基准平面内确定一条基准线，包括：获取在所述影像信息中所述第一部件的顶面中心点在所述第二部件上的投影点；选取所述第二部件上所述第二段防松线段轮廓点集中与所述投影点距离最小的目标点，连接所述目标点与所述防松线投影的端点，生成所述基准线。
于一实施例中，所述根据所述空间投影信息确定与初始连接状态相比，所述第一部件与所述第二部件之间是否发生相对位移，包括：根据所述基准线和所述防松线投影之间夹角，确定与所述初始连接状态相比，所述第一部件与所述第二部件之间是否发生相对位移。
于一实施例中，所述根据所述基准线和所述防松线投影之间夹角，确定与初始连接状态相比，所述第一部件与所述第二部件之间是否发生相对位移，包括：若所述基准线与所述防松线投影之间夹角大于预设角度，确定所述第一部件与所述第二部件相较于所述初始连接状态发生相对位移，所述基准线与所述防松线投影之间夹角与所述相对位移程正相关。
于一实施例中，还包括：采用如下公式获取在所述影像信息中所述第一部件的顶面中心点在所述第二部件上的投影点：
p2＝A*(p1-p0)+p0
其中，p2为所述投影点的坐标，p0为所述第一部件的顶面中心点的坐标，p1为所述第一部件的体中心点坐标，A为预先配置的常数。
本申请实施例第二方面提供了一种位移检测装置，包括：获取模块，用于获取待测组件的影像信息，所述待测组件包括第一部件和第二部件，所述第一部件和所述第二部件上分别设置有防松标记；识别模块，用于识别得到所述影像信息中所述第一部件上第一段防松标记信息和所述第二部件上第二段防松标记信息；投影模块，用于将所述第一段防松标记信息和所述第二段防松标记信息做立体空间投影处理，获得空间投影信息；确定模块，用于根据所述空间投影信息确定与初始连接状态相比，所述第一部件与所述第二部件之间是否发生相对位移。
于一实施例中，所述防松标记为防松线段；所述第一部件连接于所述第二部件，在初始连接状态下，所述防松线段在所述第一部件和所述第二部件的结合处连续；所述待测组件包括多个；所述识别模块用于：识别所述多个待测组件的多个影像信息，分别提取每个所述影像信息中的防松线段的数量；从所述多个影像信息中选取所述防松线段的数量大于1的候选影像集合；分别提取所述候选影像集合的每个候选影像中所述第一部件上第一段防松线信息和所述第二部件上第二段防松线信息。
于一实施例中，所述分别提取所述候选影像集合的每个候选影像中所述第一部件上第一段防松线信息和所述第二部件上第二段防松线信息包括：分别计算每个所述候选影像中面积最大的两段目标防松线之间的距离；从所述候选影像集合中选取所述两段目标防松线之间的距离大于预设阈值的目标影像集合；分别提取所述目标影像集合的每个目标影像中所述第一部件上第一段防松线信息和所述第二部件上第二段防松线信息。
于一实施例中，所述识别得到所述影像信息中所述第一部件上第一段防松标记信息，包括：获取所述第一部件上第一段防松线的最小外接矩形，将所述最小外接矩形沿着所述第一段防松线方向的中心线作为所述第一段防松线信息。
于一实施例中，所述将所述第一段防松标记信息和所述第二段防松标记信息做立体空间投影处理，获得空间投影信息，包括：根据所述影像信息，在所述第一部件中选取一个基准点，根据所述基准点和所述第二段防松线信息，在所述第二部件限定的基准平面内确定一条基准线；根据所述第一段防松线信息确定所述第一段防松线在所述基准平面内的防松线投影。
于一实施例中，所述基准点为在所述影像信息中所述第一部件的顶面中心点；所述根据所述基准点和所述第二段防松线信息，在所述第二部件限定的基准平面内确定一条基准线，包括：获取在所述影像信息中所述第一部件的顶面中心点在所述第二部件上的投影点；选取所述第二部件上所述第二段防松线段轮廓点集中与所述投影点距离最小的目标点，连接所述目标点与所述防松线投影的端点，生成所述基准线。
于一实施例中，所述确定模块用于：根据所述基准线和所述防松线投影之间夹角，确定与所述初始连接状态相比，所述第一部件与所述第二部件之间是否发生相对位移。
于一实施例中，所述根据所述基准线和所述防松线投影之间夹角，确定与初始连接状态相比，所述第一部件与所述第二部件之间是否发生相对位移，包括：若所述基准线与所述防松线投影之间夹角大于预设角度，确定所述第一部件与所述第二部件相较于所述初始连接状态发生相对位移，所述基准线与所述防松线投影之间夹角与所述相对位移程正相关。
于一实施例中，还包括：采用如下公式获取在所述影像信息中所述第一部件的顶面中心点在所述第二部件上的投影点：
p2＝A*(p1-p0)+p0
其中，p2为所述投影点的坐标，p0为所述第一部件的顶面中心点的坐标，p1为所述第一部件的体中心点坐标，A为预先配置的常数。
本申请实施例第三方面提供了一种电子设备，包括：存储器，用以存储计算机程序；处理器，用以执行所述计算机程序，以实现本申请实施例第一方面及其任一实施例的方法。
本申请实施例第四方面提供了一种非暂态电子设备可读存储介质，包括：程序，当其藉由电子设备运行时，使得所述电子设备执行本申请实施例第一方面及其任一实施例的方法。
本申请提供的位移检测方法、装置、设备和存储介质，通过对待测组件的影像信息进行图像识别，从中提取第一部件上第一段防松标记信息和第二部件上第二段防松标记信息，然后将两个部件上的防松标记信息分别做空间投影处理，得到两个部件上防松标记的空间投影信息，然后根据空间投影信息确定两个部件是否发生相对位移，如此，可以实时对待测组件的松动状况进行识别，不依赖于正负样本，节约了松动状态太识别的成本，提高了识别精度和识别效率。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对本申请实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
图1为本申请一实施例的电子设备的结构示意图；
图2为本申请一实施例的螺栓组件的正视图；
图3A为本申请一实施例的位移检测方法的流程示意图；
图3B为本申请一实施例的初始拧紧状态下螺栓组件的俯视图；
图4A为本申请一实施例的位移检测方法的流程示意图；
图4B为本申请一实施例的松动状态下螺栓组件的俯视图；
图4C为本申请一实施例的松动状态下螺栓组件的立体示意图；
图5本申请一实施例的位移检测装置的结构示意图。
附图标记：
200-螺栓组件，21-螺栓，22-基座，211-第一段防松线段，221-第二段防松线段，212-防松线投影，222-基准线。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行描述。在本申请的描述中，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
如图1所示，本实施例提供一种电子设备1，包括：至少一个处理器11和存储器12，图1中以一个处理器为例。处理器11和存储器12通过总线10连接。存储器12存储有可被处理器11执行的指令，指令被处理器11执行，以使电子设备1可执行下述的实施例中方法的全部或部分流程，以识别待测组件的松动状态。
于一实施例中，电子设备1可以是手机、平板电脑、笔记本电脑、台式计算机等设备。
于一实施例中，待测组件包括第一部件和第二部件，第一部件连接于第二部件。比如，待测组件可以是螺栓螺母组件，此时第一部件可以是螺栓，第二部件可以是螺母。
于一实施例中，如图2所示，待测组件也可以是包含螺栓21与基座22的螺栓组件200，此时第一部件可以是螺栓21，第二部件可以是机械装置上用于插入螺栓21的基座22。在理想状态下，螺栓21与基座22拧紧后是固定状态，然而，实际场景中，因受到外力等因素影响会导致螺栓21与基座22之间发生相对位移，即螺栓21结构发生了松动，螺栓21松动会严重影响相关机械装置的稳定性，比如，轨道车辆底部的螺栓结构松动后，可能导致轨道车辆出现安全事故。因此，需要对螺栓结构的松动状态进行准确识别，以保证轨道车辆的安全运行。
请参看图3A，其为本申请一实施例的位移检测方法，该方法可由图1所示的电子设备1来执行，并可以应用于如图2所示的螺栓组件200的松动状态识别场景中，以准确高效的识别出螺栓组件200的松动情况。该方法包括如下步骤：
步骤301：获取待测组件的影像信息，待测组件包括第一部件和第二部件，第一部件和第二部件上分别设置有防松标记。
在本步骤中，影像信息可以是图片信息，可以通过拍摄待测组件的照片得到。待测组件以如图2所示的螺栓组件200为例，第一部件是螺栓21，第二部件可以是基座22，假设在轨道车辆场景中，基座22可以是轨道车辆底部用于插入螺栓21的部件。
于一实施例中，第一部件连接于第二部件，在初始连接状态下，防松标记在第一部件和第二部件的结合处连续。实际使用中，螺栓21插入基座22的螺孔内拧紧，并在螺栓21和基座22上分别设置防松标记，在初始连接状态下，该防松标记同时经过螺栓21和基座22，并且防松标记在螺栓21和基座22的连接处连续。此处的连续是指螺栓21和基座22上的防松标记可以看作为一个完整的标记。
于一实施例中，以轨道车辆底部的螺栓21结构为例，可以拍摄轨道车辆车底获取待检测的原始图片，图片里可以含有多个车底关键部件的螺栓21连接。然后对获取到的原始图片进行检测，截取含有的螺栓组件200的图片作为螺栓组件200的影像信息。
具体地，可以采用YOLOV4网络对上述从原始图片进行检测。YOLOV4网络基于深度学习理论，能够做到实时检测并且具有优越的精度，实现了精度与速度的平衡。对YOLOV4网络的训练，可以事先收集轨道车底的样本图片数据集，使用深度学习图像标注工具labelme对样本图片中的螺栓21进行标注，然后用样本图片训练YOLOV4网络。再使用训练后的YOLOV4网络对上述原始图片进行检测筛选。经过YOLOV4网络对原始图片检测之后，根据检测结果中螺栓21检测框位置，将包含螺栓21的部分从图片中截取出来，作为该螺栓21结构的待检测影像信息。经过筛选的影像信息可以简化后续图像识别的运算过程，提高后续图像识别的精度。
于一实施例中，防松标记可以为防松线段。在初始连接状态下，防松线段在第一部件和第二部件的结合处连续。如图3B所示，可以在螺栓21和基座22上画一条线段作为防松标记，此处的连续是指在初始拧紧状态下，螺栓21上的第一段防松线段211与基座22上的第二段防松线段221，可以当作是连续的一条线。
步骤302：识别得到影像信息中第一部件上第一段防松标记信息和第二部件上第二段防松标记信息。
在本步骤中，对步骤301中的影像信息进行图像处理，从中提取出第一部件上的第一段防松标记的形状和位置信息，以及第二部件上第二段防松标记的形状和位置信息，其中形状信息可以包括防松标记的面积信息和像素信息，位置信息可以是防松标记所在位置的像素坐标。
以轨道车辆场景为例，实际场景中，为了凸显防松线标记，一般可以采用较亮的颜色标记防松线，比如红丝防松线。考虑到轨道车辆车底的拍摄光线条件不佳，且车底部件表面容易积累机油和灰尘，故螺栓21表面的红色防松线很难高质量地提取出来。可以使用基于图像分割网络UNet的分割模型对拍摄的螺栓组件200的图片进行分割识别，从中分割出防松线的形状和位置。
于一实施例中，考虑到分割的时间效率，可以采用轻量化卷积神经网络Mobilenet-V2作为分割模型的backbone，backbone是一个轻量级的前端MVC(Model ViewControlle，MVC框架)框架。经过训练后得到分割模型，然后将螺栓组件200的图片喂入分割模型，将红色防松线提取出来。分割模型可以将螺栓组件200的图像中属于红线的像素点与背景区分开，然后输出区分后的防松线图像。上述分割模型可以很好地将红色防松线分割出来，对图片光照和灰尘等干扰因素具有良好的鲁棒性。
步骤303：将第一段防松标记信息和第二段防松标记信息做立体空间投影处理，获得空间投影信息。
在本步骤中，由于通过影像信息识别得到的防松标记信息时二维平面信息，漏掉了许多立体空间的信息，根据二维信息判断待测组件是否松动具有很大的不确定性，容易导致误判。实际情况中，人眼判断螺栓21是否松动的前提是通过大脑将二维图像还原成三维空间，因此为了提高识别精度，可以模拟人眼识别的过程，将第一段防松标记信息和第二段防松标记信息做立体空间投影处理，获得第一段防松标记和第二段防松标记的空间投影信息。
步骤304：根据空间投影信息确定与初始连接状态相比，第一部件与第二部件之间是否发生相对位移。
在本步骤中，空间投影信息中包含了第一段防松标记和第二段防松标记在实际立体空间中的当前的相对位置关系，因此可以将空间投影信息中的当前相对位置关系与初始连接状态下二者的相对位置关系进行比较，从而确定，与第一部件与第二部件之间是否发生相对位移。基于空间投影信息的识别结果更加精准的表征了实际环境中待测组件的松动状态。
上述位移检测方法，通过对待测组件的影像信息进行图像识别，从中提取第一部件上第一段防松标记信息和第二部件上第二段防松标记信息，然后将两个部件上的防松标记信息分别做空间投影处理，得到两个部件上防松标记的空间投影信息，然后根据空间投影信息确定两个部件是否发生相对位移，如此，可以实时对待测组件的松动状况进行识别，不依赖于正负样本，节约了松动状态太识别的成本，提高了识别精度和识别效率。
请参看图4，其为本申请一实施例的位移检测方法，该方法可由图1所示的电子设备1来执行，并可以应用于如图2所示的螺栓组件200的松动状态识别场景中，以准确高效的识别出螺栓组件200的松动情况。待测组件可以包括多个。该方法包括如下步骤：
步骤401：获取待测组件的影像信息，待测组件包括第一部件和第二部件，第一部件和第二部件上分别设置有防松标记。详细参见上述实施例中对步骤301的描述。
步骤402：识别多个待测组件的多个影像信息，分别提取每个影像信息中的防松线段的数量。
在本步骤中，待测组件可以有多个，每个待测组件对应一个影像信息。以轨道车辆车镜为例，可以拍摄轨道车辆车底获取待检测的原始图片，图片里可以含有多个车底关键部件的螺栓21连接，将包含螺栓21的部分从图片中截取出来，可以得到多个包含螺栓组件200的待测图片。在提取防松线之前，可以先对待测图片进行筛选。具体地，分别对每个螺栓组件200的图片进行图像识别，分别提取每个影像信息中的防松线段的数量。
步骤403：从多个影像信息中选取防松线段的数量大于1的候选影像集合。
在本步骤中，由于初始拧紧状态下，螺栓21与基座22上的两段防松线段在一条线上连续(如图3B所示)，此处连续判别原则可以为：若第一段防松线段211与第二段防松线段221连接处的距离小于预定的距离阈值，则认为二者是连续的，否则二者是不连续的。而如果螺栓21与基座22发生松动时，如图4B所示，第一段防松线段211与第二段防松线段221会错开，导致二者连接处的距离大于或等于上述距离阈值，不在是连续的一条线段，此时一个螺栓组件200的影像信息中就会有至少两段的防松线段。因此，当一个图片中的防松线段数量大于1时，说明此图片对应的螺栓组件200可能发生松动，因此将这种可能发生松动的螺栓组件200的图片作为候选影像，多个图片筛选后可以额得到候选影像集合。
步骤404：分别提取候选影像集合的每个候选影像中第一部件上第一段防松线信息和第二部件上第二段防松线信息。
在本步骤中，经过步骤403的筛选后，剔除了部分可以确定没有发送松动的螺栓组件200，因此对候选影像集合中的候选影像进行防松线的提取分割，可以减少很多不必要的分割过程，提高防松线分割效率。上述防松线的提取分割可以参见步骤302中的描述，此处不再赘述。
于一实施例中，步骤404具体可以包括：分别计算每个候选影像中面积最大的两段目标防松线之间的距离。从候选影像集合中选取两段目标防松线之间的距离大于预设阈值的目标影像集合。分别提取目标影像集合的每个目标影像中第一部件上第一段防松线信息和第二部件上第二段防松线信息。
实际场景中，如果一个候选图片中的防松线段数量大于一条，说明此时螺栓组件200可能存在松动情况，则可以进一步对候选图片进行二次筛选，具体地，判断候选图片中面积最大的两条防松线段之间的最短距离是否大于预设阈值，如果是，则说明该候选图片中的螺栓21可能发生松动，该候选图片可以作为目标图片，否则，说明即使该候选图片中存在多条防松线段，但可能是图像识别的误差造成把螺栓组件200上的而一些小划伤痕迹误当成防松线了，而实际上该图片中的螺栓组件200只有一条防松线段，没有发生松动，因此这样的图片剔除掉。减少不必要的运算过程。被二次筛选出来的目标图片组成目标影像集合中，滤除了大部分的没有发生松动的螺栓组件200的图片，然后分别提取目标影像集合的每个目标影像中第一部件上第一段防松线信息和第二部件上第二段防松线信息。因此对目标影像集合中的目标影像进行防松线的提取分割，可以减少很多不必要的分割过程，提高防松线分割效率。上述防松线的提取分割可以参见步骤302中的描述，此处不再赘述。
于一实施例中，两条防松线段之间的最短距离，可以是两条防松线段轮廓点之间的最短距离。
步骤405：根据影像信息，在第一部件中选取一个基准点，根据基准点和第二段防松线信息，在第二部件限定的基准平面内确定一条基准线222。
在本步骤中，针对步骤404中筛选出来的每个图片，以第一部件上别的点为基准点，采用空间投影方式，在第二部件限定的基准平面内确定一条基准线222。以轨道车辆场景为例，第一部件可以是螺栓21，进一步地为了便于计算，基准点可以选在螺栓21的螺帽顶面上。第二部件也就是基座22，为了便于计算，可以选基座22朝向螺栓21的顶面作为基准平面。采用空间投影的方式可以获取到更多的符合实际场景的立体信息，更精准的还原螺栓组件200的实际情况。
于一实施例中，基准点为在影像信息中第一部件的顶面中心点。步骤405可以包括：获取在影像信息中第一部件的顶面中心点在第二部件上的投影点。选取第二部件上第二段防松线段221轮廓点集中与投影点距离最小的目标点，连接目标点与防松线投影212的端点，生成基准线222。
在实际场景中，如图4B所示，基准点可以选择螺帽的顶面中心点p0，则在确定基准线222时，可以首先找到顶面中心点p0在基座22的基准平面内的空间投影点p2，然后，从基座22上的第二段防松线段221的轮廓点集中选出与投影点p2距离最小的目标点，连接目标点与防松线投影212的端点，即可得到基准线222，如图4C所示，基准线222在基座22的顶面上。
于一实施例中，在找顶面中心点p0时，为了获取待测组件更多的立体空间的信息，可以首先使用基于神经网络学习的螺栓21分割模型将图片中的螺帽顶面、螺帽侧面和基座22分割出来。螺栓21分割模型可以采用UNet网络，使用轻量型的Mobilenet-V2网络作为分割模型的backbone，以便兼顾精度和效率。可以预先选取样本图片，在样本图片中标注螺帽顶面、螺帽侧面和基座22，然后用样本图片训练UNet网络，得到螺栓21分割模型，将筛选出来的螺栓组件200图片输入至螺栓21分割模型，输出螺帽顶面、螺帽侧面和基座22的图像。然后建立坐标系，计算螺帽顶面中心点p0的坐标。
于一实施例中，参见图4C，可以根据顶面中心点p0和螺帽体(螺帽顶面与螺帽侧面)中心点p1之间的相对位置，通过投影公式可以计算出螺帽顶面中心点p0在基座22顶面的投影点p2，具体地，可以采用如下公式获取投影点p2：
p2＝A*(p1-p0)+p0
其中，p2为投影点的坐标，p0为第一部件的顶面中心点的坐标，p1为第一部件的体中心点坐标，A为预先配置的常数，可以基于历史经验数据得到，也可以基于实际场景的需要通过调试得到。本实施例中可选地A＝2，即p2＝2*(p1-p0)+p0。
步骤406：根据第一段防松线信息确定第一段防松线在基准平面内的防松线投影212。
在本步骤中，找到基准线222后，将螺栓21上的第一段防松线段211，投影到基座22上的基准平面上，得到防松线投影212。
于一实施例中，第一部件上第一段防松线信息的提取过程可以包括：获取第一部件上第一段防松线的最小外接矩形，将最小外接矩形沿着第一段防松线段211方向的中心线作为第一段防松线信息。
在本步骤中，可以找到螺帽顶面的红色防松线段，计算该防松线段的最小外接矩形，将外接矩形的中心线作为该第一段防松线段211的中心线，在投影的过程中，如图4C所示，根据第一段防松线段211的中心线与螺帽顶面中心点p0的相对位置，以投影点p2为基准，将该第一段防松线段211的中心线沿着纵向平移到基座22上的基准平面内，即可得到防松线投影212，使得第一段防松线段211的中心线与螺帽顶面中心点p0的相对位置，和防松线投影212与投影点p2的相对位置一致。
步骤407：根据基准线222和防松线投影212之间夹角，确定与初始连接状态相比，第一部件与第二部件之间是否发生相对位移。
在本步骤中，基准线222表征了第二段防松线段221的位置信息，防松线投影212表征了第一段防松线段211的位置信息，将二者经过空间投影处理，投影到同一个基准平面内，相比于二维信息的处理，准确度更高。因此，如图4C所示。基准线222和防松线投影212之间夹角Q可以用来表征螺栓21与基座22之间发生的相对位移信息。
于一实施例中，将第一段防松线段211投影至基座顶面后，防松线投影212和第二段防松线段221处于同一个平面。如果螺栓是没有发生松动，那么防松线投影212和第二段防松线段221是基本处于一条直线上的，此时夹角Q为接近为零。
于一实施例中，若基准线222与防松线投影212之间夹角Q大于预设角度，则可以确定第一部件与第二部件相较于初始连接状态发生相对位移，并且基准线222与防松线投影212之间夹角Q与相对位移程正相关，可以输出基准线222与防松线投影212之间夹角Q来表征螺栓组件200的松动程度。此处预设角度可以是15度。如果基准线222与防松线投影212之间夹角小于或等于15度，可以认为该螺栓组件200并未发生松动。预设角度也可以基于实际需要进行设置。
于一实施例中，输出螺栓组件200的松动检测结果，结果可以用True或者False来表示，True表示螺栓21正常，False表示螺栓21出现松动。同时，还可以输出基座22基准线222和防松线投影212的之间夹角Q，用以表明螺栓21松动的程度，夹角越大说明螺栓21松动程度越大。
上述位移检测方法，不需要采集松动的螺栓21异常样本，可以有效地节约样本采集时间和标注时间，节约人力成本。可以在不同光照条件下提取螺栓21的特征，即使螺栓21上有灰尘部分遮挡，也能轻松判别螺栓21是否松动。因此，可以适用于轨道车辆底盘背景复杂且容易受灰尘、油污影响的工程情况。不依赖图像模板，不依赖图像匹配技术。只需要在训练前期标注螺栓组件200，不需要为每个螺栓21制作图像模板，可以节省大量的时间和工作量，提高识别准确率。
请参看图5，其为本申请一实施例的位移检测装置500，该装置可应用于图1所示的电子设备1，并可以应用于如图2所示的螺栓组件200的松动状态识别场景中，以准确高效的识别出螺栓组件200的松动情况。该装置包括：获取模块501、识别模块502、投影模块503和确定模块504，各个模块的原理关系如下：
获取模块501，用于获取待测组件的影像信息，待测组件包括第一部件和第二部件，第一部件和第二部件上分别设置有防松标记。
识别模块502，用于识别得到影像信息中第一部件上第一段防松标记信息和第二部件上第二段防松标记信息。
投影模块503，用于将第一段防松标记信息和第二段防松标记信息做立体空间投影处理，获得空间投影信息。
确定模块504，用于根据空间投影信息确定与初始连接状态相比，第一部件与第二部件之间是否发生相对位移。
于一实施例中，第一部件连接于第二部件，在初始连接状态下，防松线段在第一部件和第二部件的结合处连续。
于一实施例中，防松标记为防松线段。待测组件包括多个。识别模块502用于：识别多个待测组件的多个影像信息，分别提取每个影像信息中的防松线段的数量。从多个影像信息中选取防松线段的数量大于1的候选影像集合。分别提取候选影像集合的每个候选影像中第一部件上第一段防松线信息和第二部件上第二段防松线信息。
于一实施例中，分别提取候选影像集合的每个候选影像中第一部件上第一段防松线信息和第二部件上第二段防松线信息包括：分别计算每个候选影像中面积最大的两段目标防松线之间的距离。从候选影像集合中选取两段目标防松线之间的距离大于预设阈值的目标影像集合。分别提取目标影像集合的每个目标影像中第一部件上第一段防松线信息和第二部件上第二段防松线信息。
于一实施例中，识别得到影像信息中第一部件上第一段防松标记信息，包括：获取第一部件上第一段防松线的最小外接矩形，将最小外接矩形沿着第一段防松线方向的中心线作为第一段防松线信息。
于一实施例中，投影模块503用于：根据影像信息，在第一部件中选取一个基准点，根据基准点和第二段防松线信息，在第二部件限定的基准平面内确定一条基准线。根据第一段防松线信息确定第一段防松线在基准平面内的防松线投影。
于一实施例中，基准点为在影像信息中第一部件的顶面中心点。根据基准点和第二段防松线信息，在第二部件限定的基准平面内确定一条基准线，包括：获取在影像信息中第一部件的顶面中心点在第二部件上的投影点。选取第二部件上第二段防松线段轮廓点集中与投影点距离最小的目标点，连接目标点与防松线投影的端点，生成基准线。
于一实施例中，确定模块504用于：根据基准线和防松线投影之间夹角，确定与初始连接状态相比，第一部件与第二部件之间是否发生相对位移。
于一实施例中，还包括：采用如下公式获取在影像信息中第一部件的顶面中心点在第二部件上的投影点：
p2＝A*(p1-p0)+p0
其中，p2为投影点的坐标，p0为第一部件的顶面中心点的坐标，p1为第一部件的体中心点坐标，A为预先配置的常数。
上述位移检测装置500的详细描述，请参见上述实施例中相关方法步骤的描述。
本发明实施例还提供了一种非暂态电子设备可读存储介质，包括：程序，当其在电子设备上运行时，使得电子设备可执行上述实施例中方法的全部或部分流程。其中，存储介质可为磁盘、光盘、只读存储记忆体(Read-Only Memory，ROM)、随机存储记忆体(RandomAccess Memory，RAM)、快闪存储器(Flash Memory)、硬盘(Hard Disk Drive，缩写：HDD)或固态硬盘(Solid-State Drive，SSD)等。存储介质还可以包括上述种类的存储器的组合。
虽然结合附图描述了本发明的实施例，但是本领域技术人员可以在不脱离本发明的精神和范围的情况下作出各种修改和变型，这样的修改和变型均落入由所附权利要求所限定的范围之内。
Claims (19)
1.一种位移检测方法，其特征在于，包括：
获取待测组件的影像信息，所述待测组件包括第一部件和第二部件，所述第一部件和所述第二部件上分别设置有防松标记；
识别得到所述影像信息中所述第一部件上第一段防松标记信息和所述第二部件上第二段防松标记信息；
将所述第一段防松标记信息和所述第二段防松标记信息做立体空间投影处理，获得空间投影信息；
根据所述空间投影信息确定与初始连接状态相比，所述第一部件与所述第二部件之间是否发生相对位移。
2.根据权利要求1所述的方法，其特征在于，所述防松标记为防松线段；所述第一部件连接于所述第二部件，在初始连接状态下，所述防松线段在所述第一部件和所述第二部件的结合处连续；所述待测组件包括多个；所述识别得到所述影像信息种所述第一部件上第一段防松标记信息和所述第二部件上第二段防松标记信息包括：
识别所述多个待测组件的多个影像信息，分别提取每个所述影像信息中的防松线段的数量；
从所述多个影像信息中选取所述防松线段的数量大于1的候选影像集合；
分别提取所述候选影像集合的每个候选影像中所述第一部件上第一段防松线信息和所述第二部件上第二段防松线信息。
3.根据权利要求2所述的方法，其特征在于，所述分别提取所述候选影像集合的每个候选影像中所述第一部件上第一段防松线信息和所述第二部件上第二段防松线信息包括：
分别计算每个所述候选影像中面积最大的两段目标防松线之间的距离；
从所述候选影像集合中选取所述两段目标防松线之间的距离大于预设阈值的目标影像集合；
分别提取所述目标影像集合的每个目标影像中所述第一部件上第一段防松线信息和所述第二部件上第二段防松线信息。
4.根据权利要求2所述的方法，其特征在于，所述识别得到所述影像信息中所述第一部件上第一段防松标记信息，包括：
获取所述第一部件上第一段防松线的最小外接矩形，将所述最小外接矩形沿着所述第一段防松线方向的中心线作为所述第一段防松线信息。
5.根据权利要求2所述的方法，其特征在于，所述将所述第一段防松标记信息和所述第二段防松标记信息做立体空间投影处理，获得空间投影信息，包括：
根据所述影像信息，在所述第一部件中选取一个基准点，根据所述基准点和所述第二段防松线信息，在所述第二部件限定的基准平面内确定一条基准线；
根据所述第一段防松线信息确定所述第一段防松线在所述基准平面内的防松线投影。
6.根据权利要求5所述的方法，其特征在于，所述基准点为在所述影像信息中所述第一部件的顶面中心点；所述根据所述基准点和所述第二段防松线信息，在所述第二部件限定的基准平面内确定一条基准线，包括：
获取在所述影像信息中所述第一部件的顶面中心点在所述第二部件上的投影点；
选取所述第二部件上所述第二段防松线段轮廓点集中与所述投影点距离最小的目标点，连接所述目标点与所述防松线投影的端点，生成所述基准线。
7.根据权利要求5所述的方法，其特征在于，所述根据所述空间投影信息确定与初始连接状态相比，所述第一部件与所述第二部件之间是否发生相对位移，包括：
根据所述基准线和所述防松线投影之间夹角，确定与所述初始连接状态相比，所述第一部件与所述第二部件之间是否发生相对位移。
8.根据权利要求7所述的方法，其特征在于，所述根据所述基准线和所述防松线投影之间夹角，确定与初始连接状态相比，所述第一部件与所述第二部件之间是否发生相对位移，包括：
若所述基准线与所述防松线投影之间夹角大于预设角度，确定所述第一部件与所述第二部件相较于所述初始连接状态发生相对位移，所述基准线与所述防松线投影之间夹角与所述相对位移程正相关。
9.根据权利要求6所述的方法，其特征在于，还包括：
采用如下公式获取在所述影像信息中所述第一部件的顶面中心点在所述第二部件上的投影点：
p2＝A*(p1-p0)+p0
其中，p2为所述投影点的坐标，p0为所述第一部件的顶面中心点的坐标，p1为所述第一部件的体中心点坐标，A为预先配置的常数。
10.一种位移检测装置，其特征在于，包括：
获取模块，用于获取待测组件的影像信息，所述待测组件包括第一部件和第二部件，所述第一部件和所述第二部件上分别设置有防松标记；
识别模块，用于识别得到所述影像信息中所述第一部件上第一段防松标记信息和所述第二部件上第二段防松标记信息；
投影模块，用于将所述第一段防松标记信息和所述第二段防松标记信息做立体空间投影处理，获得空间投影信息；
确定模块，用于根据所述空间投影信息确定与初始连接状态相比，所述第一部件与所述第二部件之间是否发生相对位移。
11.根据权利要求10所述的装置，其特征在于，所述防松标记为防松线段；所述第一部件连接于所述第二部件，在初始连接状态下，所述防松线段在所述第一部件和所述第二部件的结合处连续；所述待测组件包括多个；所述识别模块用于：
识别所述多个待测组件的多个影像信息，分别提取每个所述影像信息中的防松线段的数量；
从所述多个影像信息中选取所述防松线段的数量大于1的候选影像集合；
分别提取所述候选影像集合的每个候选影像中所述第一部件上第一段防松线信息和所述第二部件上第二段防松线信息。
12.根据权利要求11所述的装置，其特征在于，所述分别提取所述候选影像集合的每个候选影像中所述第一部件上第一段防松线信息和所述第二部件上第二段防松线信息包括：
分别计算每个所述候选影像中面积最大的两段目标防松线之间的距离；
从所述候选影像集合中选取所述两段目标防松线之间的距离大于预设阈值的目标影像集合；
分别提取所述目标影像集合的每个目标影像中所述第一部件上第一段防松线信息和所述第二部件上第二段防松线信息。
13.根据权利要求11所述的装置，其特征在于，所述识别得到所述影像信息中所述第一部件上第一段防松标记信息，包括：
获取所述第一部件上第一段防松线的最小外接矩形，将所述最小外接矩形沿着所述第一段防松线方向的中心线作为所述第一段防松线信息。
14.根据权利要求11所述的装置，其特征在于，所述投影模块用于：
根据所述影像信息，在所述第一部件中选取一个基准点，根据所述基准点和所述第二段防松线信息，在所述第二部件限定的基准平面内确定一条基准线；
根据所述第一段防松线信息确定所述第一段防松线在所述基准平面内的防松线投影。
15.根据权利要求14所述的装置，其特征在于，所述基准点为在所述影像信息中所述第一部件的顶面中心点；所述根据所述基准点和所述第二段防松线信息，在所述第二部件限定的基准平面内确定一条基准线，包括：
获取在所述影像信息中所述第一部件的顶面中心点在所述第二部件上的投影点；
选取所述第二部件上所述第二段防松线段轮廓点集中与所述投影点距离最小的目标点，连接所述目标点与所述防松线投影的端点，生成所述基准线。
16.根据权利要求14所述的方法，其特征在于，所述确定模块用于：
根据所述基准线和所述防松线投影之间夹角，确定与所述初始连接状态相比，所述第一部件与所述第二部件之间是否发生相对位移。
17.根据权利要求15所述的装置，其特征在于，还包括：
采用如下公式获取在所述影像信息中所述第一部件的顶面中心点在所述第二部件上的投影点：
p2＝A*(p1-p0)+p0
其中，p2为所述投影点的坐标，p0为所述第一部件的顶面中心点的坐标，p1为所述第一部件的体中心点坐标，A为预先配置的常数。
18.一种电子设备，其特征在于，包括：
存储器，用以存储计算机程序；
处理器，用以执行所述计算机程序，以实现如权利要求1至9中任一项所述的方法。
19.一种非暂态电子设备可读存储介质，其特征在于，包括：程序，当其藉由电子设备运行时，使得所述电子设备执行权利要求1至9中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110912433.4A CN113639685B (zh) | 2021-08-10 | 2021-08-10 | 位移检测方法、装置、设备和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110912433.4A CN113639685B (zh) | 2021-08-10 | 2021-08-10 | 位移检测方法、装置、设备和存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113639685A true CN113639685A (zh) | 2021-11-12 |
| CN113639685B CN113639685B (zh) | 2023-10-03 |
Family
ID=78420377
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110912433.4A Active CN113639685B (zh) | 2021-08-10 | 2021-08-10 | 位移检测方法、装置、设备和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113639685B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115861912A (zh) * | 2022-09-27 | 2023-03-28 | 北京京天威科技发展有限公司 | 一种螺栓松动状态检测系统和方法 |
Citations (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20050232467A1 (en) * | 2002-11-07 | 2005-10-20 | Olympus Corporation | Motion detection apparatus |
| JP2012246985A (ja) * | 2011-05-26 | 2012-12-13 | Iifas Co Ltd | 取り外し防止ナット、取り外し防止ボルトおよびこれらを着脱するソケットレンチならびにこれらを用いた施工方法 |
| CN104680517A (zh) * | 2015-01-22 | 2015-06-03 | 清华大学 | 一种螺栓松动的检测方法 |
| JP2017075887A (ja) * | 2015-10-16 | 2017-04-20 | 株式会社ニコン | 振動検出装置、検査装置、振動検出方法、及び振動検出プログラム |
| US20170358096A1 (en) * | 2016-06-13 | 2017-12-14 | International Business Machines Corporation | Object tracking with a holographic projection |
| CN207984990U (zh) * | 2018-03-01 | 2018-10-19 | 宁波吉利汽车研究开发有限公司 | 一种备胎固定螺栓 |
| CN110097536A (zh) * | 2019-04-10 | 2019-08-06 | 东南大学 | 基于深度学习和霍夫变换的六边形螺栓松动检测方法 |
| CN111122135A (zh) * | 2019-12-05 | 2020-05-08 | 西安交通大学 | 一种评估法兰螺栓连接结构松动程度的方法 |
| CN112106111A (zh) * | 2019-07-30 | 2020-12-18 | 深圳市大疆创新科技有限公司 | 一种标定方法、设备、可移动平台及存储介质 |
| US20210027475A1 (en) * | 2018-03-23 | 2021-01-28 | University Of Kansas | Vision-based fastener loosening detection |
| CN112381791A (zh) * | 2020-11-13 | 2021-02-19 | 北京图知天下科技有限责任公司 | 一种基于3d点云的螺栓松动检测方法 |
| CN112419297A (zh) * | 2020-12-04 | 2021-02-26 | 中冶建筑研究总院（深圳）有限公司 | 一种螺栓松动检测方法、装置、设备及存储介质 |
| US20210104033A1 (en) * | 2018-08-30 | 2021-04-08 | Panasonic Intellectual Property Management Co., Ltd. | Inspection device and inspection method |
| CN112967257A (zh) * | 2021-03-11 | 2021-06-15 | 杭州申昊科技股份有限公司 | 一种基于视角转换的地铁螺帽松动检测方法 |
| CN113034456A (zh) * | 2021-03-18 | 2021-06-25 | 北京百度网讯科技有限公司 | 螺栓松动的检测方法、装置、设备以及存储介质 |
-
2021
- 2021-08-10 CN CN202110912433.4A patent/CN113639685B/zh active Active
Patent Citations (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20050232467A1 (en) * | 2002-11-07 | 2005-10-20 | Olympus Corporation | Motion detection apparatus |
| JP2012246985A (ja) * | 2011-05-26 | 2012-12-13 | Iifas Co Ltd | 取り外し防止ナット、取り外し防止ボルトおよびこれらを着脱するソケットレンチならびにこれらを用いた施工方法 |
| CN104680517A (zh) * | 2015-01-22 | 2015-06-03 | 清华大学 | 一种螺栓松动的检测方法 |
| JP2017075887A (ja) * | 2015-10-16 | 2017-04-20 | 株式会社ニコン | 振動検出装置、検査装置、振動検出方法、及び振動検出プログラム |
| US20170358096A1 (en) * | 2016-06-13 | 2017-12-14 | International Business Machines Corporation | Object tracking with a holographic projection |
| CN207984990U (zh) * | 2018-03-01 | 2018-10-19 | 宁波吉利汽车研究开发有限公司 | 一种备胎固定螺栓 |
| US20210027475A1 (en) * | 2018-03-23 | 2021-01-28 | University Of Kansas | Vision-based fastener loosening detection |
| US20210104033A1 (en) * | 2018-08-30 | 2021-04-08 | Panasonic Intellectual Property Management Co., Ltd. | Inspection device and inspection method |
| CN110097536A (zh) * | 2019-04-10 | 2019-08-06 | 东南大学 | 基于深度学习和霍夫变换的六边形螺栓松动检测方法 |
| CN112106111A (zh) * | 2019-07-30 | 2020-12-18 | 深圳市大疆创新科技有限公司 | 一种标定方法、设备、可移动平台及存储介质 |
| CN111122135A (zh) * | 2019-12-05 | 2020-05-08 | 西安交通大学 | 一种评估法兰螺栓连接结构松动程度的方法 |
| CN112381791A (zh) * | 2020-11-13 | 2021-02-19 | 北京图知天下科技有限责任公司 | 一种基于3d点云的螺栓松动检测方法 |
| CN112419297A (zh) * | 2020-12-04 | 2021-02-26 | 中冶建筑研究总院（深圳）有限公司 | 一种螺栓松动检测方法、装置、设备及存储介质 |
| CN112967257A (zh) * | 2021-03-11 | 2021-06-15 | 杭州申昊科技股份有限公司 | 一种基于视角转换的地铁螺帽松动检测方法 |
| CN113034456A (zh) * | 2021-03-18 | 2021-06-25 | 北京百度网讯科技有限公司 | 螺栓松动的检测方法、装置、设备以及存储介质 |
Non-Patent Citations (3)
| Title |
|---|
| 张金敏 等: "基于WLD-LPQ特征的心盘螺栓故障图像检测算法", 铁道科学与工程学报, no. 09, pages 169 - 178 * |
| 李佳桐 等: "发电机螺栓松动故障特征检测方法及试验研究", 《噪声与振动控制》, vol. 41, no. 02, pages 136 - 139 * |
| 罗福良: "智慧变电站变压器综合在线监测技术综述与应用", 《电工技术》, pages 144 - 146 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115861912A (zh) * | 2022-09-27 | 2023-03-28 | 北京京天威科技发展有限公司 | 一种螺栓松动状态检测系统和方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113639685B (zh) | 2023-10-03 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109949578B (zh) | 一种基于深度学习的车辆压线违法自动审核方法 | |
| CN107743577B (zh) | 用于检测电动铁道车辆的振动信息的方法和装置 | |
| CN111652085B (zh) | 基于2d与3d特征结合的物体识别方法 | |
| CN107169401B (zh) | 基于轨道视觉特征谱的轨道入侵物检测方法 | |
| CN101957325A (zh) | 基于变电站巡检机器人变电站设备外观异常识别方法 | |
| CN115294117B (zh) | Led灯珠的缺陷检测方法及相关装置 | |
| CN110097591B (zh) | 弓网状态的检测方法 | |
| Lu et al. | Automatic fault detection of multiple targets in railway maintenance based on time-scale normalization | |
| CN111768417B (zh) | 基于单目视觉3d重建技术的铁路货车超限检测方法 | |
| CN112488995B (zh) | 列车自动化检修的智能判伤方法及系统 | |
| US20200250806A1 (en) | Information processing apparatus, information processing method, and storage medium | |
| CN115482195B (zh) | 一种基于三维点云的列车部件变形检测方法 | |
| TW201433774A (zh) | 車輛規格測量處理裝置、車輛規格測量方法及記錄媒體 | |
| CN105469380A (zh) | 对于对象的遮挡进行检测的方法和装置 | |
| CN105957300B (zh) | 一种智慧金睛识别可疑张贴遮蔽报警方法和装置 | |
| CN113688817A (zh) | 一种自动巡检的仪表识别方法及识别系统 | |
| CN111563896A (zh) | 一种用于接触网异常检测的图像处理方法 | |
| CN116152697A (zh) | 一种混凝土结构裂缝的三维模型测量方法及相关装置 | |
| CN113639685A (zh) | 位移检测方法、装置、设备和存储介质 | |
| CN110675442A (zh) | 一种结合目标识别技术的局部立体匹配方法及系统 | |
| JP6908445B2 (ja) | 変化検出装置及び鉄道設備部品の保守管理方法 | |
| CN106803937B (zh) | 一种具有文本日志的双摄像头视频监控方法、系统和监控装置 | |
| JP6960252B2 (ja) | 画像分析装置及び鉄道設備部品の保守管理方法 | |
| CN116843829A (zh) | 基于双目视频的混凝土结构裂缝三维重建与长度量化方法 | |
| CN107403429B (zh) | 一种周期序列图像模型参数的快速自动获取方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| PE01 | Entry into force of the registration of the contract for pledge of patent right |
Denomination of invention: Displacement detection methods, devices, equipment, and storage media Granted publication date: 20231003 Pledgee: Guotou Taikang Trust Co.,Ltd. Pledgor: Hangzhou Shenhao Technology Co.,Ltd. Registration number: Y2024980011357 |
|
| PE01 | Entry into force of the registration of the contract for pledge of patent right |