CN114627059B - 一种基于数据处理的防震锤螺栓检测方法 - Google Patents
一种基于数据处理的防震锤螺栓检测方法 Download PDFInfo
- Publication number
- CN114627059B CN114627059B CN202210183035.8A CN202210183035A CN114627059B CN 114627059 B CN114627059 B CN 114627059B CN 202210183035 A CN202210183035 A CN 202210183035A CN 114627059 B CN114627059 B CN 114627059B
- Authority
- CN
- China
- Prior art keywords
- bolt
- texture
- probability
- acquiring
- obtaining
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/40—Analysis of texture
- G06T7/41—Analysis of texture based on statistical description of texture
Abstract
本发明涉及图像数据处理技术领域,具体涉及一种基于数据处理的防震锤螺栓检测方法,该方法通过生产领域人工智能系统技术完成对螺栓的松动程度的检测,首先将防震锤区域中的直线映射到霍夫空间,由霍夫空间中点的分布情况得到螺栓纹理和螺栓纹理区域;计算每条螺栓纹理的清晰程度;构建纹理清晰度坐标系,基于每条螺栓纹理的标号和对应的清晰程度得到多个分布在坐标系上的点,由点的分布得到第一概率;获取螺母线和螺栓纹理的距离得到螺母间距序列;由螺母间距序列得到第二概率;由第一概率和第二概率对螺栓检测。本发明通过判断螺栓纹理区域的清晰程度和螺栓纹理到螺母线的距离得到螺栓的松动程度,提高了检测的精准度和效率。
Description
技术领域
本发明涉及图像数据处理技术领域,具体涉及一种基于数据处理的防震锤螺栓检测方法。
背景技术
架空输电线路中的防震锤在长时间运作后,会因导线震动产生位置偏移,从而使得防震锤的功能失效。因此需对防震锤进行复位任务,在进行防震锤复位任务过程中需要对防震锤螺栓进行松动和紧固的步骤,故需要对防震锤进行螺栓松动程度检测。
目前,常见的对螺栓进行检测的方法为基于深度学习神经网络对螺栓进行检测,但由于防震锤螺栓目标较小,故使用深度学习神经网络对螺栓进行松动程度检测时精确度较低。
发明内容
为了解决上述技术问题,本发明的目的在于提供一种基于数据处理的防震锤螺栓检测方法,所采用的技术方案具体如下:
采集防震锤图像,获取所述防震锤图像中防震锤区域;
所述防震锤区域中的直线映射到霍夫空间得到多个高亮点;根据所述高亮点的分布情况得到防震锤区域中的周期性纹理,根据所述周期性纹理中纹理的最大间距得到防震锤的螺栓纹理和螺栓纹理区域;
对所述螺栓纹理区域的每条螺栓纹理进行排序,获取所述螺栓纹理区域的中线,沿所述中线计算所述螺栓纹理区域的每条螺栓纹理的清晰程度;构建纹理清晰度坐标系,基于所述每条螺栓纹理的标号和对应的清晰程度得到多个分布在所述纹理清晰度坐标系上的坐标点,根据多个所述坐标点的分布情况得到螺母松动的第一概率;
获取螺母线和最接近的螺栓纹理的距离,得到螺母间距序列;根据所述螺母间距序列和标准螺母间距的相似度得到螺母松动的第二概率;
根据所述第一概率和所述第二概率对螺栓进行检测。
优选的,所述根据所述高亮点的分布情况得到防震锤区域中的周期性纹理,包括:
根据所述高亮点的横坐标对高亮点进行分类得到多个类别;按照类别中高亮点的数量从大到小对类别进行排序;
保留前两个类别内的高亮点对应的直线为周期性纹理。
优选的,所述根据所述周期性纹理中纹理的最大间距得到防震锤的螺栓纹理,包括:
根据高亮点的横坐标将周期性纹理分为两种纹理:第一纹理类别和第二纹理类别;
分别获取所述第一纹理类别和所述第二纹理类别对应的高亮点之间的最大间距;
比较第一纹理类别对应的最大间距和第二纹理类别对应的最大间距,最小的最大间距对应的所述纹理类别为螺栓纹理。
优选的,所述沿所述中线计算所述螺栓纹理区域的每条螺栓纹理的清晰程度,包括:
选取所述螺栓纹理区域中任意螺栓纹理作为目标螺栓纹理;
获取所述目标螺栓纹理两侧相邻的螺栓纹理为第一相邻螺栓纹理和第二相邻螺栓纹理;
获取所述第一相邻螺栓纹理和第二相邻螺栓纹理之间的中线对应的灰度共生矩阵;所述灰度共生矩阵的对比度为所述目标螺栓纹理的清晰程度。
优选的,所述根据多个所述坐标点的分布情况得到螺母松动的第一概率,包括:
获取多个坐标点的点坐标;
利用主成分分析法获取多个点坐标的初始主成分方向,选取对应的特征值最大的初始主成分方向作为目标主成分方向;获取所述目标主成分方向和水平线构成的夹角;
所述夹角和预设主成分方向的比值为螺母松动的第一概率。
优选的,所述获取螺母线和最接近的螺栓纹理的距离,得到螺母间距序列之前,还包括:
获取螺母线和螺栓的六角头之间的第一间距;当所述第一间距小于预设距离阈值时,获取螺母线和最接近的螺栓纹理的距离,得到螺母间距序列。
优选的,所述防震锤区域的获取方式为:利用语义分割网络获取所述防震锤图像中防震锤区域。
本发明实施例至少具有如下有益效果:
本发明实施例利用图像数据处理技术,该方法通过生产领域人工智能系统技术完成对螺栓的松动程度的检测。首先采集防震锤图像,获取防震锤图像中防震锤区域;防震锤区域中的直线映射到霍夫空间得到多个高亮点;根据高亮点的分布情况得到防震锤区域中的周期性纹理,根据周期性纹理中纹理的最大间距得到防震锤的螺栓纹理和螺栓纹理区域;对螺栓纹理区域的每条螺栓纹理进行排序,获取螺栓纹理区域的中线,沿中线计算螺栓纹理区域的每条螺栓纹理的清晰程度;构建纹理清晰度坐标系,基于每条螺栓纹理的标号和对应的清晰程度得到多个分布在纹理清晰度坐标系上的点,根据多个点的分布情况得到螺母松动的第一概率,根据第一概率对螺母松动程度进行初步判断;获取螺母线和最接近的螺栓纹理的距离,得到螺母间距序列;根据螺母间距序列和标准螺母间距的相似度得到螺母松动的第二概率,根据第二概率对螺母松动程度进行第二次判断,两种不同的对螺母松动程度进行判断的方法进一步的提高了松动程度判断的精确度;根据第一概率和第二概率对螺栓进行检测。本发明通过生产领域人工智能系统技术完成对螺栓的松动程度的检测,通过判断螺栓纹理区域的清晰程度和螺栓纹理区域内螺栓纹理与螺母线之间的距离得到螺栓的松动程度,利用生产领域人工智能系统技术和图像数据处理技术达到了提高松动程度检测的精准度和效率的目的。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案和优点,下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,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它附图。
图1为本发明一个实施例所提供的一种基于数据处理的防震锤螺栓检测方法的方法流程图;
图2为本发明一个实施例所提供的获取螺母松动的第一概率的方法流程图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例,对依据本发明提出的一种基于数据处理的防震锤螺栓检测方法,其具体实施方式、结构、特征及其功效,详细说明如下。在下述说明中,不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外,一或多个实施例中的特定特征、结构、或特点可由任何合适形式组合。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
本发明实施例提供了一种基于数据处理的防震锤螺栓检测方法的具体实施方法,该方法适用于防震锤螺栓检测场景。将用于采集图像的RGB相机水平置于防震锤的一侧,使得能够完整的采集到防震锤上螺栓的正侧面图,导线位于螺栓的另一次,部分导线区域会被螺栓遮挡。为了解决利用深度神经网络对螺栓的松动程度检测时精确度不高的问题,本发明通过生产领域人工智能系统技术完成对螺栓的松动程度的检测,首先通过采集防震栓图像,快速识别出螺栓纹理区域,进而判断螺栓纹理区域的清晰程度和螺栓纹理区域内螺栓纹理与螺母线之间的距离得到螺栓的松动程度,达到了提高松动程度检测的精准度和效率的目的。
下面结合附图具体的说明本发明所提供的一种基于数据处理的防震锤螺栓检测方法的具体方案。
请参阅图1,其示出了本发明一个实施例提供的一种基于数据处理的防震锤螺栓检测方法的步骤流程图,该方法包括以下步骤:
步骤S100,采集防震锤图像,获取防震锤图像中防震锤区域。
利用RGB相机采集防震锤图像,由于需要对防震锤图像的螺栓区域进行检测,故先获取防震锤图像中的防震锤区域。具体的:利用语义分割网络获取防震锤图像中的防震锤区域。该DNN语义分割网络的数据集为侧视采集的防震锤图像,需要分割的像素共两类,训练集对应标签标注过程为单通道的语义标签,对应位置像素属于防震锤的像素点标注为1,属于非防震锤的背景类的像素点标注为0。该DNN语义分割网络的任务是分类,该网络的损失函数为交叉熵损失函数。通过语义分割网络得到的0-1掩膜图像与原始的防震锤图像相乘,得到的图像为只含有防震锤区域的目标图像,去除了背景的干扰。
步骤S200,防震锤区域中的直线映射到霍夫空间得到多个高亮点;根据高亮点的分布情况得到防震锤区域中的周期性纹理,根据周期性纹理中纹理的最大间距得到防震锤的螺栓纹理和螺栓纹理区域。
通过最大类间阈值法(OTSU)将只含有防震锤区域的目标图像转化为二值图像。
防震锤区域内正常只存在两个周期纹理:导线区域和螺栓区域存在周期性纹理,且导线区域的周期性纹理和螺栓区域的周期性纹理在图像上均显示为平行线。
常用的检测直线的方法为霍夫直线检测,将图像空间中的直线转换到霍夫空间中为一个个的高亮点。将防震锤区域中的直线映射到霍夫空间得到多个高亮点,需要说明的是,图像空间中的平行直线在霍夫空间中对应的这些高亮点的横坐标相同;霍夫空间中的横坐标表示的是角度值,纵坐标表示的是距离。
可知图像空间中的相互平行的线平行线对应霍夫参数空间中横坐标相同的点。由于导线区域的周期性纹理和螺栓区域的周期性纹理都是平行纹理,且这些平行纹理的间距相同,同时导线区域和螺栓区域的周期性纹理是不平行的。设导线区域的周期性纹理对应的霍夫空间的角度值为a;设螺栓区域的周期性纹理对应的霍夫空间的角度值为b,则在霍夫参数空间中显示为有很多横坐标为a和横坐标为b且纵坐标之间的间距相同的点。
根据高亮点的横坐标对高亮点进行分类得到多个类别;按照类别中高亮点的数量从大到小对类别进行排序。
保留前两个类别内的高亮点对应的区域为周期性纹理,也即保留高亮点中相同横坐标数量最多的两类高亮点对应的直线为周期性纹理,周期性纹理包括:导线纹理和螺栓纹理。
通过对霍夫空间中的数据进行选取,可以检测到的图像空间中的直线数据有:导线边缘数据、导线区域内的周期性纹理和螺栓区域内的周期性纹理。
由于在图像中导线长度远大于螺栓长度,而导线周期性纹理和螺栓周期性纹理遍布导线和螺栓区域,因此导线的周期性纹理的最大距离远大于螺栓的周期性纹理的最大距离,故可将导线周期性纹理和螺栓周期性纹理区分开。具体的:
根据高亮点的横坐标将周期性纹理分为两种纹理:第一纹理类别和第二纹理类别。若霍夫空间中横坐标为a和b的高亮点数量最多,则获取霍夫参数空间中横坐标为a的高亮点属于一种纹理区类别,记为第一纹理类别;横坐标为b的高亮点属于另一种纹理类别,记为第二纹理类别。
分别获取第一纹理类别和第二纹理类别对应的高亮点之间的最大间距,如获取霍夫参数空间中横坐标为a,且两个高亮点之间的纵坐标差值最大的两个高亮点,将这两个高亮点之间的差值记为最大间距U;获取霍夫参数空间中横坐标为b,且两个高亮点之间的纵坐标差值最大的两个高亮点,将这两个高亮点之间的差值记为最大间距V。
比较第一纹理类别对应的最大间距和第二纹理类别对应的最大间距,最小的最大间距对应的纹理类别为螺栓纹理。如比较最大间距U和最大间距V,当最大间距U大于最大间距V时,最大间距V对应的高亮点在图像空间中对应的直线为螺栓纹理,最大间距U对应的高亮点在图像空间中对应的直线为导线纹理。
将检测到的螺栓纹理与含有防震锤区域的二值图像做叠加运算,由于螺栓的含有螺纹区域整体灰度值是相近的,故获取各像素点的灰度差值均小于预设灰度差值的长方形区域作为螺栓边界区域,在本发明实施例中预设灰度差值为10,在其他实施例中实施者根据实际情况调整该差值。
将得到的螺栓边界区域与步骤S100得到的二值图像进行叠加运算,得到螺栓纹理区域。需要说明的是,原本得到的螺栓纹理均为直线,通过获取螺栓边界区域进而得到螺栓纹理区域,将螺栓纹理规整到一个范围之内,有利于后续的对螺栓纹理的计算。
步骤S300,对螺栓纹理区域的每条螺栓纹理进行排序,获取螺栓纹理区域的中线,沿中线计算螺栓纹理区域的每条螺栓纹理的清晰程度;构建纹理清晰度坐标系,基于每条螺栓纹理的标号和对应的清晰程度得到多个分布在纹理清晰度坐标系上的坐标点,根据多个坐标点的分布情况得到螺母松动的第一概率。
根据螺栓纹理区域内螺栓纹理的清晰程度对螺母的松动程度进行初步分析。因为在螺母松动的情况下,由于螺栓上的螺纹还没有完全被磨平,所有此时螺母还在螺栓上,但是松动位置处的螺纹由于螺母松动的原因会产生一定程度的磨损,对应的螺栓纹理的清晰程度就越小,故靠近螺母的螺栓纹理的清晰程度越小则螺母产生松动的概率越大。
请参阅图2,获取螺母松动的第一概率的步骤,具体的:
步骤S301,对螺栓纹理区域的每条螺栓纹理进行排序,获取螺栓纹理区域的中线,沿中线计算螺栓纹理区域的每条螺栓纹理的清晰程度。
对螺栓纹理区域中的每条螺栓纹理进行排序,距离螺栓的六角头越远的螺栓纹理标号越小,若螺栓上共有n圈螺纹,里螺栓的六角头最远的螺栓纹理的标号为1,最靠近螺栓的六角头的螺栓纹理的标号为n。
获取螺栓纹理区域的中线。具体的:首先获取螺栓边界中两条最短的螺栓边界线的中点,连接两条最短的螺栓边界线的中点得到螺栓纹理区域的中线。
沿中线计算螺栓纹理区域的每条螺栓纹理的清晰程度。具体的:选取螺栓纹理区域中任意螺栓纹理作为目标螺栓纹理。获取目标螺栓纹理两侧相邻的螺栓纹理为第一相邻螺栓纹理和第二相邻螺栓纹理。获取第一相邻螺栓纹理和第二相邻螺栓纹理之间的中线对应的灰度共生矩阵。该灰度共生矩阵的对比度即为目标螺栓纹理的清晰程度。如选取标号为8的螺栓纹理为目标螺栓纹理;则标号为7和标号为9的螺栓纹理即为第一相邻螺栓纹理和第二相邻螺栓纹理。获取标号为7的螺栓纹理和标号为9的螺栓纹理之间的中线对应的灰度共生矩阵,该灰度共生矩阵的对比度即为标号为8的目标螺栓纹理的清晰程度。
步骤S302,构建纹理清晰度坐标系,基于每条螺栓纹理的标号和对应的清晰程度得到多个分布在纹理清晰度坐标系上的点,根据多个点的分布情况得到螺母松动的第一概率。
计算螺栓纹理区域内每条螺栓纹理的清晰程度,沿着中线方向根据螺栓纹理的标号顺序构建纹理清晰度序列,该纹理清晰度序列越接近于一个递减序列,则螺母松动的概率越大。通过计算纹理清晰度序列的主成分方向得到纹理清晰度系数。
首先构建纹理清晰度坐标系,以螺栓纹理的标号为纹理清晰度坐标系的横轴,以纹理清晰程度为纹理清晰度坐标系的纵轴。
基于得到的每条螺栓纹理的标号和其对应的清晰程度得到多个分布于纹理清晰度坐标系上的坐标点。
根据多个坐标点的分布情况得到螺母松动的第一概率。具体的:获取多个坐标点的点坐标;利用主成分分析法获取多个点坐标的初始主成分方向,选取对应的特征值最大的初始主成分方向作为目标主成分方向,获取目标主成分方向和水平线构成的夹角。
夹角和预设主成分方向的比值为螺母松动的第一概率。在本发明实施例中预设主成分方向为90°,在其他实施例中实施者可根据实际情况调整该取值。
步骤S400,获取螺母线和最接近的螺栓纹理的距离,得到螺母间距序列;根据螺母间距序列和标准螺母间距的相似度得到螺母松动的第二概率。
当螺母松动时,螺母部分与最靠近螺母的螺栓纹理之间的距离与标准距离的差异变大,差异越大,对应的螺母松动程度越大。
将螺母中距离螺栓纹理线最近的线作为螺母线。
获取螺母线和螺栓的六角头之间的第一间距,当第一间距小于预设距离阈值时,进一步的获取螺母线和最接近的螺栓纹理的距离,得到螺母间距序列。由于直接根据螺母间距序列判断螺母的松动程度存在误差,因为可能会存在螺母偏离原来位置但是得到的螺母间距序列仍然相等的情况,故先获取螺母线和螺栓的六角头之间的第一间距,当第一间距大于预设距离阈值时,认为螺母发生了平移,此时螺母必然发生了松动;当第一间距小于预设距离阈值时,即再进一步的根据螺母间距序列进行螺母松动程度的判断。在本发明实施例中预设距离阈值为5,在其他实施例中实施者根据实际情况调整该取值。
需要说明的是,由于螺栓上的螺纹相对于水平面是倾斜的,得到的螺栓纹理相对于螺母线也是倾斜的,故螺母线到螺栓纹理的距离不是一个数值就能表达的,所以可以每隔一定的间隔获取一个螺母线与螺栓纹理的距离,进而得到一个螺母间距序列,即一条螺栓纹理对应一个螺母间距。
根据螺母间距序列和标准螺母间距的相似度得到螺母松动的第二概率。具体的:
利用动态时间规整算法,计算螺母间距序列和标准螺母间距的规整距离,该规整距离越大,两个序列的相似度越小,对得到的规整距离进行归一化。需要说明的是标准螺母间距是在实施例实时之前设定好的
第二概率为1减去归一化后的规整距离得到的值,对应的规整距离越大,则对应的螺母松动的第二概率越大,螺母越松动。
步骤S500,根据第一概率和第二概率对螺栓进行检测。
根据步骤S100~步骤S400得到的第一概率和第二概率中任意取值大于预设概率阈值,则认为需要对螺栓进行紧固,即完成了对螺栓松动程度的检测。在本发明实施例中预设概率阈值为0.9,在其他实施例中实施者可根据实际情况调整该取值。
综上所述,本发明实施例利用图像数据处理技术,该方法通过生产领域人工智能系统技术完成对螺栓的松动程度的检测,首先采集防震锤图像,获取防震锤图像中防震锤区域;防震锤区域中的直线映射到霍夫空间得到多个高亮点;根据高亮点的分布情况得到防震锤区域中的周期性纹理,根据周期性纹理中纹理的最大间距得到防震锤的螺栓纹理和螺栓纹理区域;对螺栓纹理区域的每条螺栓纹理进行排序,获取螺栓纹理区域的中线,沿中线计算螺栓纹理区域的每条螺栓纹理的清晰程度;构建纹理清晰度坐标系,基于每条螺栓纹理的标号和对应的清晰程度得到多个分布在纹理清晰度坐标系上的点,根据多个点的分布情况得到螺母松动的第一概率;获取螺母线和最接近的螺栓纹理的距离,得到螺母间距序列;根据螺母间距序列和标准螺母间距的相似度得到螺母松动的第二概率;根据第一概率和第二概率对螺栓进行检测。本发明通过判断螺栓纹理区域的清晰程度和螺栓纹理区域内螺栓纹理与螺母线之间的距离得到螺栓的松动程度,达到了提高松动程度检测的精准度和效率的目的。
需要说明的是:上述本发明实施例先后顺序仅仅为了描述,不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下,在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (6)
1.一种基于数据处理的防震锤螺栓检测方法,其特征在于,该方法包括以下步骤:
采集防震锤图像,获取所述防震锤图像中防震锤区域;
所述防震锤区域中的直线映射到霍夫空间得到多个高亮点;根据所述高亮点的分布情况得到防震锤区域中的周期性纹理,根据所述周期性纹理中纹理的最大间距得到防震锤的螺栓纹理和螺栓纹理区域;
对所述螺栓纹理区域的每条螺栓纹理进行排序,获取所述螺栓纹理区域的中线,沿所述中线计算所述螺栓纹理区域的每条螺栓纹理的清晰程度;构建纹理清晰度坐标系,基于所述每条螺栓纹理的标号和对应的清晰程度得到多个分布在所述纹理清晰度坐标系上的坐标点,根据多个所述坐标点的分布情况得到螺母松动的第一概率;
获取螺母线和最接近的螺栓纹理的距离,得到螺母间距序列;根据所述螺母间距序列和标准螺母间距的相似度得到螺母松动的第二概率;
根据所述第一概率和所述第二概率对螺栓进行检测;
其中,第一概率的获取方法为:获取多个坐标点的点坐标;利用主成分分析法获取多个点坐标的初始主成分方向,选取对应的特征值最大的初始主成分方向作为目标主成分方向;获取所述目标主成分方向和水平线构成的夹角;所述夹角和预设主成分方向的比值为螺母松动的第一概率;
其中,根据所述第一概率和所述第二概率对螺栓进行检测的方法为:第一概率和第二概率中任意取值大于预设概率阈值,则对螺栓进行紧固。
2.根据权利要求1所述的一种基于数据处理的防震锤螺栓检测方法,其特征在于,所述根据所述高亮点的分布情况得到防震锤区域中的周期性纹理,包括:
根据所述高亮点的横坐标对高亮点进行分类得到多个类别;按照类别中高亮点的数量从大到小对类别进行排序;
保留前两个类别内的高亮点对应的直线为周期性纹理。
3.根据权利要求1所述的一种基于数据处理的防震锤螺栓检测方法,其特征在于,所述根据所述周期性纹理中纹理的最大间距得到防震锤的螺栓纹理,包括:
根据高亮点的横坐标将周期性纹理分为两种纹理:第一纹理类别和第二纹理类别;
分别获取所述第一纹理类别和所述第二纹理类别对应的高亮点之间的最大间距;
比较第一纹理类别对应的最大间距和第二纹理类别对应的最大间距,最小的最大间距对应的所述纹理类别为螺栓纹理。
4.根据权利要求1所述的一种基于数据处理的防震锤螺栓检测方法,其特征在于,所述沿所述中线计算所述螺栓纹理区域的每条螺栓纹理的清晰程度,包括:
选取所述螺栓纹理区域中任意螺栓纹理作为目标螺栓纹理;
获取所述目标螺栓纹理两侧相邻的螺栓纹理为第一相邻螺栓纹理和第二相邻螺栓纹理;
获取所述第一相邻螺栓纹理和第二相邻螺栓纹理之间的中线对应的灰度共生矩阵;所述灰度共生矩阵的对比度为所述目标螺栓纹理的清晰程度。
5.根据权利要求1所述的一种基于数据处理的防震锤螺栓检测方法,其特征在于,所述获取螺母线和最接近的螺栓纹理的距离,得到螺母间距序列之前,还包括:
获取螺母线和螺栓的六角头之间的第一间距;当所述第一间距小于预设距离阈值时,获取螺母线和最接近的螺栓纹理的距离,得到螺母间距序列。
6.根据权利要求1所述的一种基于数据处理的防震锤螺栓检测方法,其特征在于,所述防震锤区域的获取方式为:利用语义分割网络获取所述防震锤图像中防震锤区域。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210183035.8A CN114627059B (zh) | 2022-02-27 | 2022-02-27 | 一种基于数据处理的防震锤螺栓检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210183035.8A CN114627059B (zh) | 2022-02-27 | 2022-02-27 | 一种基于数据处理的防震锤螺栓检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114627059A CN114627059A (zh) | 2022-06-14 |
CN114627059B true CN114627059B (zh) | 2022-12-13 |
Family
ID=81900410
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210183035.8A Active CN114627059B (zh) | 2022-02-27 | 2022-02-27 | 一种基于数据处理的防震锤螺栓检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114627059B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115330793B (zh) * | 2022-10-13 | 2023-01-31 | 济宁市兖州区恒升机械有限公司 | 一种基于图像处理的液压硬管连接管接头质量检测方法 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2006317288A (ja) * | 2005-05-12 | 2006-11-24 | Central Japan Railway Co | ボルト高さ測定方法、ボルト緩み判定方法、ボルト高さ測定装置、およびボルト緩み検出装置 |
CN106683075A (zh) * | 2016-11-22 | 2017-05-17 | 广东工业大学 | 一种输电线杆塔横担处螺栓缺陷检测方法 |
KR101819711B1 (ko) * | 2016-07-22 | 2018-01-29 | 충북대학교 산학협력단 | 머신 비전을 이용한 너트 풀림 감지 장치 및 방법 |
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 |
CN111932516A (zh) * | 2020-08-11 | 2020-11-13 | 西南交通大学 | 基于图像处理的免标识物双螺母六角螺栓松弛检测系统 |
CN112352148A (zh) * | 2018-08-30 | 2021-02-09 | 松下知识产权经营株式会社 | 检查装置以及检查方法 |
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 |
CN112907514A (zh) * | 2021-01-20 | 2021-06-04 | 南京迪沃航空技术有限公司 | 一种基于图像识别的螺栓螺母缺陷诊断方法及系统 |
CN112991347A (zh) * | 2021-05-20 | 2021-06-18 | 西南交通大学 | 一种基于三维的列车螺栓松动检测方法 |
CN113128400A (zh) * | 2021-04-19 | 2021-07-16 | 北京明略软件系统有限公司 | 螺栓松动角度识别方法及系统 |
CN113469966A (zh) * | 2021-06-25 | 2021-10-01 | 西南交通大学 | 一种基于防松线识别的列车螺栓松动检测方法 |
CN113850252A (zh) * | 2021-08-18 | 2021-12-28 | 中国科学院自动化研究所 | 防振锤螺栓检测方法、装置和电子设备 |
-
2022
- 2022-02-27 CN CN202210183035.8A patent/CN114627059B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2006317288A (ja) * | 2005-05-12 | 2006-11-24 | Central Japan Railway Co | ボルト高さ測定方法、ボルト緩み判定方法、ボルト高さ測定装置、およびボルト緩み検出装置 |
KR101819711B1 (ko) * | 2016-07-22 | 2018-01-29 | 충북대학교 산학협력단 | 머신 비전을 이용한 너트 풀림 감지 장치 및 방법 |
CN106683075A (zh) * | 2016-11-22 | 2017-05-17 | 广东工业大学 | 一种输电线杆塔横担处螺栓缺陷检测方法 |
CN112352148A (zh) * | 2018-08-30 | 2021-02-09 | 松下知识产权经营株式会社 | 检查装置以及检查方法 |
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 |
CN111932516A (zh) * | 2020-08-11 | 2020-11-13 | 西南交通大学 | 基于图像处理的免标识物双螺母六角螺栓松弛检测系统 |
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 |
CN112907514A (zh) * | 2021-01-20 | 2021-06-04 | 南京迪沃航空技术有限公司 | 一种基于图像识别的螺栓螺母缺陷诊断方法及系统 |
CN113128400A (zh) * | 2021-04-19 | 2021-07-16 | 北京明略软件系统有限公司 | 螺栓松动角度识别方法及系统 |
CN112991347A (zh) * | 2021-05-20 | 2021-06-18 | 西南交通大学 | 一种基于三维的列车螺栓松动检测方法 |
CN113469966A (zh) * | 2021-06-25 | 2021-10-01 | 西南交通大学 | 一种基于防松线识别的列车螺栓松动检测方法 |
CN113850252A (zh) * | 2021-08-18 | 2021-12-28 | 中国科学院自动化研究所 | 防振锤螺栓检测方法、装置和电子设备 |
Also Published As
Publication number | Publication date |
---|---|
CN114627059A (zh) | 2022-06-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113689428B (zh) | 基于图像处理的机械零件应力腐蚀检测方法及系统 | |
CN115311292B (zh) | 基于图像处理的带钢表面缺陷检测方法及系统 | |
CN115294140B (zh) | 一种五金零件缺陷检测方法及系统 | |
CN115100171A (zh) | 一种基于机器视觉的钢模焊接缺陷检测方法及系统 | |
CN113205063A (zh) | 一种输电导线缺陷的视觉识别及定位方法 | |
CN114820625B (zh) | 一种汽车顶块缺陷检测方法 | |
CN114627059B (zh) | 一种基于数据处理的防震锤螺栓检测方法 | |
CN116611748A (zh) | 一种钛合金家具生产质量监控系统 | |
CN115311267B (zh) | 一种格纹织物异常检测方法 | |
CN116188468B (zh) | 一种hdmi线缆传输分拣智能控制系统 | |
CN115294159A (zh) | 金属紧固件腐蚀区域分割方法 | |
CN112598054A (zh) | 基于深度学习的输变电工程质量通病防治检测方法 | |
CN111461010B (zh) | 一种基于模板跟踪的电力设备识别效率优化方法 | |
CN114821158A (zh) | 一种基于图像处理的干枣质量分类方法及系统 | |
CN112215865A (zh) | 一种荧光显微图像下的微液滴自动检测方法 | |
CN117036737A (zh) | 基于信息熵、gms与lc显著检测的特征提取与匹配方法 | |
CN116596921A (zh) | 一种焚烧炉渣分选方法及系统 | |
CN115082444B (zh) | 一种基于图像处理的铜管焊缝缺陷检测方法及系统 | |
CN115731211A (zh) | 一种采用四级级联架构的接触网紧固件故障检测方法 | |
CN114299406A (zh) | 基于无人机航拍的光纤电缆线路巡检方法 | |
CN113538418A (zh) | 基于形态学分析的轮胎x射线图像缺陷提取模型构建方法 | |
CN113470017A (zh) | 基于人工智能的输电线安全预警检测方法、装置及设备 | |
CN110909628A (zh) | 一种检测带阴影路面裂缝的自然光照补偿方法 | |
CN114663434B (zh) | 一种侧扫声呐影像的阴影判别方法 | |
CN114663713B (zh) | 一种基于霍夫变换的金属拉丝生产控制方法及系统 |
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 |