CN116630259A - 一种信号箱内螺母松动检测方法及装置 - Google Patents

Abstract

本发明提供了一种信号箱内螺母松动检测方法及装置，该方法预先采集信号箱内螺母的图像数据；然后根据采集的图像数据，搭建网络模型并进行训练以获取检测网络模型；最后采集待测信号箱内螺母的图像数据，并通过训练好的检测网络模型识别信号箱内螺栓与螺母的位置，通过比较位置变化量与阈值的大小判断是否出现螺母松动。本发明可在不打开信号箱且不需要额外对螺母进行刻线或用油漆划线等物理标记的情况下，对信号箱内螺母松动情况进行自动检测。本发明可提高信号箱的安装效率，为信号设备维护和设备故障精确定位提供辅助信息。本发明具有较为广泛的适用性，除了信号箱外，还可以推广到其他应用场景的螺母松动检测中，具有良好的推广应用前景。

Description

一种信号箱内螺母松动检测方法及装置

技术领域

本发明涉及螺母检测技术领域，具体涉及一种信号箱内螺母松动检测方法及装置。

背景技术

在铁路交通领域，信号箱属于信号室外设备的常用装置，如信号机、转辙机、应答器等设备均需要通过信号箱连接对应的信号电缆，箱内的配线通过接线螺栓和螺母进行线缆固定和连接。根据信号箱内螺栓和螺母安装方式，每个连接螺栓上一般设有多个六角螺母。如果受到振动等外界因素影响，信号箱内固定信号线缆的螺母一旦松动，将引起线缆接触不良、短路等现象，会造成设备故障，进而影响设备正常运营。

目前，关于固定螺母是否松动的检查主要通过人工定期打开信号箱进行巡视和检修。由于信号箱数量较多，维护工作量大，人工逐个开箱检查效率低且不及时。也有一些利用电子系统进行自动定期或在线检测，这种方法多采用在螺栓或螺母上安装应变检测传感器来实现，该方法需要特制螺栓或螺母，并且会有额外的电信号作用于螺母，会对通过螺母连接的信号产生影响，同时会造成成本高、应用受限、不适用于信号箱盒内的螺母松动检测。也有一些通过在安装好螺母之后，对拧紧后的待测螺母进行刻线或用油漆划线等物理标记，然后通过获取螺母的照片，识别标记位置及变化，进而判断螺母是否松动的方法。而信号箱内螺母数量较多，该方法需要对每一个螺母进行物理标记，同样有操作不便，不利于安装的问题。

发明内容

本发明的目的在于克服现有技术之缺陷，提供了一种信号箱内螺母松动检测方法及装置，该方法首先获取信号箱盒内部螺母的照片，然后进行算法自动识别，计算出螺栓上各个螺母居中条棱之间的水平及垂直方向上的距离值，并和初次安装所记录的初始值进行对比，通过比较变化量与阈值的大小判断是否出现螺母松动。针对信号箱内螺母松动的检测以及现有技术需要对待测螺母进行物理标记后识别的方法存在的操作维护不便、不利用安装等问题，本发明能够实现在不打开信号箱，且不需要额外对螺母进行物理标记的情况下，对信号箱内螺母松动情况进行自动检测。

为了到达预期效果，本发明采用了以下技术方案：

本发明公开了一种信号箱内螺母松动检测方法，包括：

S1)预先采集信号箱内螺母的图像数据；

S2)根据采集的图像数据，搭建网络模型并进行训练以获取检测网络模型；

S3)采集待测信号箱内螺母的图像数据，并通过训练好的检测网络模型识别信号箱内螺栓与螺母的位置；

S4)通过比较位置变化量与阈值的大小判断是否出现螺母松动。

进一步地，所述S1)具体包括：通过在信号箱内安装图像采集装置来采集信号箱内螺母的图像数据。

进一步地，采用YOLOv5s目标检测算法搭建网络模型。

进一步地，所述S2)具体包括：根据采集的图像数据建立样本库，对样本库中的螺栓及螺母进行标注，并利用标注好的数据集进行网络训练，根据训练结果对螺栓及螺母进行定位并用矩形框进行标记以获取检测网络模型。

进一步地，所述数据集包括一组原始图片以及对应图片中人工标注螺栓和螺母的坐标位置和长宽数据。

进一步地，所述S3)具体包括：采集待测信号箱内螺母的图像数据，应用训练好的检测网络模型对采集的信号箱内的图像数据进行识别，进而对螺栓及螺母进行定位并用矩形框进行标记，根据识别到的螺栓的矩形框范围裁剪带螺母矩形框的子图，在子图的螺母矩形框范围内进行基于霍夫变换的直线检测以获取螺母居中条棱的位置坐标。

进一步地，将检测的直线中相对子图中螺母矩形框垂直中心距离最小的条棱作为居中条棱。

进一步地，所述S4)具体包括：基于螺母居中条棱的位置坐标，计算螺母居中条棱之间的水平距离以及垂直距离并计算其相对于初始值的变化量，通过比较变化量与阈值的大小判断是否出现螺母松动。

进一步地，对采集的图像数据进行预处理后再进行网络模型检测。

本发明还公开了一种信号箱内螺母松动检测装置，包括：

图像采集模块，用于采集信号箱内螺栓和螺母的图像数据；

通信模块，用于将采集的图像数据传输至数据检测服务模块；

数据检测服务模块，用于搭建网络模型并进行训练以获取检测网络模型；用于通过训练好的检测网络模型识别信号箱内螺栓与螺母的位置；用于通过比较位置变化量与阈值的大小判断是否出现螺母松动。

与现有技术相比，本发明的有益效果是：本发明提供了一种信号箱内螺母松动检测方法及装置，该方法预先采集信号箱内螺母的图像数据；然后根据采集的图像数据，搭建网络模型并进行训练以获取检测网络模型；最后采集待测信号箱内螺母的图像数据，并通过训练好的检测网络模型识别信号箱内螺栓与螺母的位置，通过比较位置变化量与阈值的大小判断是否出现螺母松动。本发明能够实现在不打开信号箱且不需要额外对螺母进行物理标记的情况下，对信号箱内螺母松动情况进行自动检测。本发明可提高信号箱的安装效率，为信号设备维护和设备故障精确定位提供了辅助信息。同时，本发明具有较为广泛的适用性，除了信号箱外，还可以推广到其他应用场景的螺母松动检测中，具有良好的推广应用前景。

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，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地介绍，显而易见地，下面描述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的附图。

图1是本发明实施例提供的一种信号箱内螺母松动检测方法的流程图。

图2是本发明实施例提供的一种信号箱内螺母松动检测方法的信号箱内螺母示例图。

图3是本发明实施例提供的一种信号箱内螺母松动检测方法的信号箱内螺栓和螺母的标记示例图。

图4是本发明实施例提供的一种信号箱内螺母松动检测方法的信号箱内螺母水平及垂直距离的计算示例图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。

参见图1至图4，本发明公开了一种信号箱内螺母松动检测方法，包括：

S1)预先采集信号箱内螺母的图像数据；这一步通过采集不同角度及采光位置的图片来增加数据的丰富度，为后续训练网络模型做好准备。根据螺栓及螺母的安装结构可知，一般采集的图像数据包括螺栓和螺母，每个螺栓会对应一个或多个螺母。一般螺母为六角螺母，在信号箱初次安装的时候即可获取初始的图像数据。

S2)根据采集的图像数据，搭建网络模型并进行训练以获取检测网络模型；这一步根据预先采集好的图像数据训练得到检测网络模型，为后续的检测螺母是否出现松动做好准备工作。可以采用人工智能、图像识别和大数据分析技术来搭建网络模型。

S3)采集待测信号箱内螺母的图像数据，并通过训练好的检测网络模型识别信号箱内螺栓与螺母的位置；在获取初次安装信号箱时的初始图像数据后，后面可以定期检测信号箱内螺母的图像数据，通过本发明方法，可以不用再次打开信号箱，减少工作量，节约人力成本，可以实现智能化巡检信号箱内螺母的情况。

S4)通过比较位置变化量与阈值的大小判断是否出现螺母松动。一旦检测出螺母出现松动，可以实时报警，并将报警信息发送给运维人员以便及时对设备进行维护。

本发明公开了一种信号箱内螺母松动检测方法，能够实现在不打开信号箱盒，且不需要额外对螺母进行物理标记的情况下，进行信号箱盒内螺母松动的自动检测。本发明通过采集信号箱内的图像数据，然后采用图像识别算法，进行螺母松动的检测。本发明可提高信号箱的安装效率，为信号设备维护和设备故障精确定位提供了辅助信息。

优选的实施例中，本发明通过在信号箱内安装图像采集装置来采集信号箱内螺母的图像数据。图像采集装置可选用小型摄像头，在信号箱初次安装的时候一并安装进信号箱。在初次采集图像数据的时候，可以采集不同角度及采光位置的图片来增加数据的丰富度。

优选的实施例中，对采集的图像数据进行预处理后再进行网络模型检测。所述预处理包括灰度补偿、色彩差值、平滑处理、色彩校正等手段，对图像进行预处理后再进行螺栓和螺母的检测识别，能够提升检测精度。

优选的实施例中，采用YOLOv5s目标检测算法搭建网络模型。目前常用目标检测算法均可用于本方法来搭建网络模型，本实施例优选YOLOv5s目标检测算法搭建网络模型，YOLOv5s网络模型的参数配置文件包含parameters、anchors、backbone、head等网络模型参数。

优选的实施例中，根据采集的图像数据建立样本库，对样本库中的螺栓及螺母进行人工标注，并利用标注好的数据集进行网络训练，根据训练结果对螺栓及螺母进行定位并用矩形框进行标记以获取检测网络模型。优选的实施例中，所述数据集包括一组原始图片以及对应图片中人工标注螺栓和螺母的坐标位置和长宽数据。

优选的实施例中，采集待测信号箱内螺母的图像数据，应用训练好的检测网络模型对采集的信号箱内的图像数据进行识别，进而对螺栓及螺母进行定位并用矩形框进行标记，根据识别到的螺栓的矩形框范围裁剪带螺母矩形框的子图，在子图的螺母矩形框范围内进行基于霍夫变换的直线检测以获取螺母居中条棱的位置坐标。优选的实施例中，将检测的直线中相对子图中螺母矩形框垂直中心距离最小的条棱作为居中条棱。

优选的实施例中，基于螺母居中条棱的位置坐标，计算螺母居中条棱之间的水平距离以及垂直距离并计算其相对于初始值的变化量，通过比较变化量与阈值的大小判断是否出现螺母松动。

本发明首先应用YOLOv5s目标检测算法搭建网络模型，收集信号箱盒内的螺栓及螺母的大量样本图，并基于信号箱内部螺栓及螺母样本图数据集进行训练以获取训练好的检测网络模型。

其次采集信号箱盒内螺栓螺母图像，应用已经训练好的YOLOv5s网络模型识别螺栓与螺母，得到带矩形框的螺栓和带矩形框的螺母子图。

然后根据每组带矩形框的螺栓和带矩形框的螺母子图，对螺母子图进行基于霍夫变换直线检测，从检测的直线中找出其中相对螺母子图矩形框的位置居中的1条，得到各螺母居中的条棱的位置坐标。

最后通过比较位置变化量与阈值的大小判断是否出现螺母松动。

初次检测：对信号箱内螺栓和螺母进行检测识别，获得信号箱盒初次安装好后的螺母居中的条棱的位置坐标，并记录存储。

定期检测：对信号箱内螺栓和螺母进行检测识别，获得螺母居中的条棱的位置坐标，通过与初始值进行比较，当位置变化大于设定阈值时，则判断当前螺母存在松动。

以常见的3螺母为例，根据信号箱盒信号电缆配线安装工艺标准，连接每个信号电缆的螺栓上共有三个六角螺母，从下往上依次标记为M₀、M₁和M₂；初次检测三个螺母的居中条棱的三条线段的初始坐标为((x0，y0)，(x0′，y0′))、((x1，y1)，(x1′，y1′))、((x2，y2)，(x2′，y2′))。选取M₁和M₂上的棱相对M₀的水平距离D_H1和D_H2、垂直距离D_V1和D_V2作为位置特征，计算公式如下：

定期对信号箱内螺栓和螺母进行检测识别，并计算M₁和M₂上的棱相对M₀的水平距离D_H1′和D_H2′以及垂直距离D_V1′和D_V2′。

再计算D_H1、D_H2、D_V1、D_V2相对初始值的变化量：

ΔD_H1＝|D_H1′-D_H1|

ΔD_H2＝|D_H2′-D_H2|

ΔD_V1＝|D_V1′-D_V1|

ΔD_V2＝|D_V2′-D_V2|

通过水平距离和垂直距离变化情况来判断位置变化，如果ΔD_H1或者ΔD_H2大于水平距离变化的阈值DHThreshold，代表螺母有松动，如果ΔD_V1或者ΔD_V2大于垂直距离变化的阈值DVThreshold，同样也代表螺母有松动。

同样地，参照以上事实方式，通过螺母居中棱的位置坐标及相关特征，进一步实现单个、两个螺母等多种安装方式的螺母松动的检测，满足信号箱盒多种螺母安装方式。

通过以上实施方式，实现在不打开信号箱盒，且不需要额外对螺母进行物理标记的情况下，实现箱盒内螺母松动的自动检测。

基于同一发明思路，本发明还公开了一种信号箱内螺母松动检测装置，包括：

图像采集模块，用于采集信号箱内螺栓和螺母的图像数据；所述图像采集模块安装于信号箱盒内，采集箱盒内螺栓螺母图像，可采用CMOS等图像传感器方式，由于通过采集不同角度及采光位置的图片来丰富了样本库，仅采集一张图片即可实现检测，可减少图形采集单元的设置数量。

通信模块，用于将采集的图像数据传输至数据检测服务模块；可采用有线或者无线方式进行数据传输。

数据检测服务模块，用于搭建网络模型并进行训练以获取检测网络模型；用于通过训练好的检测网络模型识别信号箱内螺栓与螺母的位置；用于通过比较位置变化量与阈值的大小判断是否出现螺母松动。具体地，初次检测，获得信号箱内初次安装好后的每组螺母居中条棱的位置坐标，并记录在存储器中，再定期检测，获得每组螺母居中条棱的位置坐标，对每组螺母分别进行螺母松动的判断，一旦出现螺母松动的情况，则输出对应螺母的松动报警信息。

优选的实施例中，一种信号箱内螺母松动检测装置还包括供电模块，所述供电模块用于对采集装置供电；可采用内置电池或通过有线电缆连接电源等供电方式。

优选的实施例中，本发明通过在信号箱内安装图像采集装置来采集信号箱内螺母的图像数据。图像采集装置可选用小型摄像头，在信号箱初次安装的时候一并安装进信号箱。在初次采集图像数据的时候，可以采集不同角度及采光位置的图片来增加数据的丰富度。

优选的实施例中，对采集的图像数据进行预处理后再进行网络模型检测。所述预处理包括灰度补偿、色彩差值、平滑处理、色彩校正等手段，对图像进行预处理后再进行螺栓和螺母的检测识别，能够提升检测精度。

优选的实施例中，采用YOLOv5s目标检测算法搭建网络模型。目前常用目标检测算法均可用于本方法来搭建网络模型，本实施例优选YOLOv5s目标检测算法搭建网络模型，YOLOv5s网络模型的参数配置文件包含parameters、anchors、backbone、head等网络模型参数。

优选的实施例中，根据采集的图像数据建立样本库，对样本库中的螺栓及螺母进行人工标注，并利用标注好的数据集进行网络训练，根据训练结果对螺栓及螺母进行定位并用矩形框进行标记以获取检测网络模型。优选的实施例中，所述数据集包括一组原始图片以及对应图片中人工标注螺栓和螺母的坐标位置和长宽数据。

优选的实施例中，采集待测信号箱内螺母的图像数据，应用训练好的检测网络模型对采集的信号箱内的图像数据进行识别，进而对螺栓及螺母进行定位并用矩形框进行标记，根据识别到的螺栓的矩形框范围裁剪带螺母矩形框的子图，在子图的螺母矩形框范围内进行基于霍夫变换的直线检测以获取螺母居中条棱的位置坐标。优选的实施例中，将检测的直线中相对子图中螺母矩形框垂直中心距离最小的条棱作为居中条棱。

优选的实施例中，基于螺母居中条棱的位置坐标，计算螺母居中条棱之间的水平距离以及垂直距离并计算其相对于初始值的变化量，通过比较变化量与阈值的大小判断是否出现螺母松动。

本发明公开的一种信号箱内螺母松动检测装置，首先应用YOLOv5s目标检测算法搭建网络模型，收集信号箱盒内的螺栓及螺母的大量样本图，并基于信号箱内部螺栓及螺母样本图数据集进行训练以获取训练好的检测网络模型。

其次采集信号箱盒内螺栓螺母图像，应用已经训练好的YOLOv5s网络模型识别螺栓与螺母，得到带矩形框的螺栓和带矩形框的螺母子图。

然后根据每组带矩形框的螺栓和带矩形框的螺母子图，对螺母子图进行基于霍夫变换直线检测，从检测的直线中找出其中相对螺母子图矩形框的位置居中的1条，得到各螺母居中的条棱的位置坐标。

最后通过比较位置变化量与阈值的大小判断是否出现螺母松动。

本发明公开的一种信号箱内螺母松动检测装置，能够实现在不打开信号箱盒，且不需要额外对螺母进行物理标记的情况下，进行信号箱盒内螺母松动的自动检测。本发明通过采集信号箱内的图像数据，然后采用图像识别算法，进行螺母松动的检测。本发明可提高信号箱的安装效率，为信号设备维护和设备故障精确定位提供了辅助信息。

本发明还公开了一种电子设备，该电子设备可以包括：处理器、通信接口、存储器和通信总线，其中，处理器、通信接口、存储器通过通信总线完成相互间的通信。处理器可以调用存储器中的逻辑指令，以执行一种信号箱内螺母松动检测方法，该方法包括：S1)预先采集信号箱内螺母的图像数据；S2)根据采集的图像数据，搭建网络模型并进行训练以获取检测网络模型；S3)采集待测信号箱内螺母的图像数据，并通过训练好的检测网络模型识别信号箱内螺栓与螺母的位置；S4)通过比较位置变化量与阈值的大小判断是否出现螺母松动。

此外，上述的存储器中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

另一方面，本发明实施例还提供一种计算机程序产品，所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，计算机能够执行上述各方法实施例所提供的一种信号箱内螺母松动检测方法，该方法包括：S1)预先采集信号箱内螺母的图像数据；S2)根据采集的图像数据，搭建网络模型并进行训练以获取检测网络模型；S3)采集待测信号箱内螺母的图像数据，并通过训练好的检测网络模型识别信号箱内螺栓与螺母的位置；S4)通过比较位置变化量与阈值的大小判断是否出现螺母松动。

又一方面，本发明实施例还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各实施例提供的一种信号箱内螺母松动检测方法，该方法包括：S1)预先采集信号箱内螺母的图像数据；S2)根据采集的图像数据，搭建网络模型并进行训练以获取检测网络模型；S3)采集待测信号箱内螺母的图像数据，并通过训练好的检测网络模型识别信号箱内螺栓与螺母的位置；S4)通过比较位置变化量与阈值的大小判断是否出现螺母松动。

应该理解的是，虽然附图的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，其可以以其他的顺序执行。而且，附图的流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，其执行顺序也不必然是依次进行，而是可以与其他步骤或者其他步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。

以上所述仅为本发明的较佳实施例而已，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 (10)

1.一种信号箱内螺母松动检测方法，其特征在于，包括：

S1)预先采集信号箱内螺母的图像数据；

S2)根据采集的图像数据，搭建网络模型并进行训练以获取检测网络模型；

S3)采集待测信号箱内螺母的图像数据，并通过训练好的检测网络模型识别信号箱内螺栓与螺母的位置；

S4)通过比较位置变化量与阈值的大小判断是否出现螺母松动。

2.如权利要求1所述的一种信号箱内螺母松动检测方法，其特征在于，所述S1)具体包括：通过在信号箱内安装图像采集装置来采集信号箱内螺母的图像数据。

3.如权利要求1所述的一种信号箱内螺母松动检测方法，其特征在于，采用YOLOv5s目标检测算法搭建网络模型。

4.如权利要求3所述的一种信号箱内螺母松动检测方法，其特征在于，所述S2)具体包括：根据采集的图像数据建立样本库，对样本库中的螺栓及螺母进行标注，并利用标注好的数据集进行网络训练，根据训练结果对螺栓及螺母进行定位并用矩形框进行标记以获取检测网络模型。

5.如权利要求4所述的一种信号箱内螺母松动检测方法，其特征在于，所述数据集包括一组原始图片以及对应图片中人工标注螺栓和螺母的坐标位置和长宽数据。

6.如权利要求1所述的一种信号箱内螺母松动检测方法，其特征在于，所述S3)具体包括：采集待测信号箱内螺母的图像数据，应用训练好的检测网络模型对采集的信号箱内的图像数据进行识别，进而对螺栓及螺母进行定位并用矩形框进行标记，根据识别到的螺栓的矩形框范围裁剪带螺母矩形框的子图，在子图的螺母矩形框范围内进行基于霍夫变换的直线检测以获取螺母居中条棱的位置坐标。

7.如权利要求6所述的一种信号箱内螺母松动检测方法，其特征在于，将检测的直线中相对子图中螺母矩形框垂直中心距离最小的条棱作为居中条棱。

8.如权利要求1所述的一种信号箱内螺母松动检测方法，其特征在于，所述S4)具体包括：基于螺母居中条棱的位置坐标，计算螺母居中条棱之间的水平距离以及垂直距离并计算其相对于初始值的变化量，通过比较位置变化量与阈值的大小判断是否出现螺母松动。

9.如权利要求1所述的一种信号箱内螺母松动检测方法，其特征在于，对采集的图像数据进行预处理后再进行网络模型检测。

10.一种信号箱内螺母松动检测装置，其特征在于，包括：

图像采集模块，用于采集信号箱内螺栓和螺母的图像数据；

通信模块，用于将采集的图像数据传输至数据检测服务模块；

数据检测服务模块，用于搭建网络模型并进行训练以获取检测网络模型；用于通过训练好的检测网络模型识别信号箱内螺栓与螺母的位置；用于通过比较位置变化量与阈值的大小判断是否出现螺母松动。