CN116630259A - 一种信号箱内螺母松动检测方法及装置 - Google Patents
一种信号箱内螺母松动检测方法及装置 Download PDFInfo
- Publication number
- CN116630259A CN116630259A CN202310548025.4A CN202310548025A CN116630259A CN 116630259 A CN116630259 A CN 116630259A CN 202310548025 A CN202310548025 A CN 202310548025A CN 116630259 A CN116630259 A CN 116630259A
- Authority
- CN
- China
- Prior art keywords
- signal box
- nuts
- nut
- network model
- image data
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 45
- 238000001514 detection method Methods 0.000 claims abstract description 80
- 238000012549 training Methods 0.000 claims description 21
- 230000008859 change Effects 0.000 claims description 16
- 238000004422 calculation algorithm Methods 0.000 claims description 12
- 238000004891 communication Methods 0.000 claims description 7
- 230000009466 transformation Effects 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 5
- 238000009434 installation Methods 0.000 abstract description 11
- 238000012423 maintenance Methods 0.000 abstract description 8
- 239000003973 paint Substances 0.000 abstract 1
- 238000004590 computer program Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000007689 inspection Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 238000009499 grossing Methods 0.000 description 2
- 230000000737 periodic effect Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000003631 expected effect Effects 0.000 description 1
- 238000011900 installation process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000010422 painting Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
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
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/70—Labelling scene content, e.g. deriving syntactic or semantic representations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30204—Marker
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Computational Linguistics (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
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
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DH1和DH2、垂直距离DV1和DV2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DH1′和DH2′以及垂直距离DV1′和DV2′。
再计算DH1、DH2、DV1、DV2相对初始值的变化量:
ΔDH1=|DH1′-DH1|
ΔDH2=|DH2′-DH2|
ΔDV1=|DV1′-DV1|
ΔDV2=|DV2′-DV2|
通过水平距离和垂直距离变化情况来判断位置变化,如果ΔDH1或者ΔDH2大于水平距离变化的阈值DHThreshold,代表螺母有松动,如果ΔDV1或者ΔDV2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。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310548025.4A CN116630259A (zh) | 2023-05-16 | 2023-05-16 | 一种信号箱内螺母松动检测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310548025.4A CN116630259A (zh) | 2023-05-16 | 2023-05-16 | 一种信号箱内螺母松动检测方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116630259A true CN116630259A (zh) | 2023-08-22 |
Family
ID=87591238
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310548025.4A Pending CN116630259A (zh) | 2023-05-16 | 2023-05-16 | 一种信号箱内螺母松动检测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116630259A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117786586A (zh) * | 2024-02-27 | 2024-03-29 | 深圳亚太航空技术股份有限公司 | 一种自锁螺母检测系统及其方法 |
-
2023
- 2023-05-16 CN CN202310548025.4A patent/CN116630259A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117786586A (zh) * | 2024-02-27 | 2024-03-29 | 深圳亚太航空技术股份有限公司 | 一种自锁螺母检测系统及其方法 |
CN117786586B (zh) * | 2024-02-27 | 2024-06-11 | 深圳亚太航空技术股份有限公司 | 一种自锁螺母检测系统及其方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108537154B (zh) | 基于hog特征和机器学习的输电线路鸟巢识别方法 | |
CN111753797B (zh) | 一种基于视频分析的车辆测速方法 | |
US20140233804A1 (en) | Method and apparatus for finding stick-up height of a pipe or finding a joint between two pipes in a drilling environment | |
CN106980816B (zh) | 基于光学图像的绝缘子串自动识别方法 | |
CN116630259A (zh) | 一种信号箱内螺母松动检测方法及装置 | |
CN108961276B (zh) | 基于视觉伺服的配电线路巡检数据自动采集方法及系统 | |
CN204758083U (zh) | 一种基于图像处理的河道水位报警装置 | |
US11580659B2 (en) | Method for size estimation by image recognition of specific target using given scale | |
CN110728212B (zh) | 一种基于计算机视觉的道路井盖监控装置及监控方法 | |
CN116054417A (zh) | 一种变电站用的监控系统及方法 | |
CN116824726A (zh) | 一种校园环境智能巡检方法及系统 | |
CN114627461A (zh) | 一种基于人工智能高精度识别水尺数据的方法及系统 | |
CN116843686B (zh) | 接触网定位器线夹螺母缺陷的检测方法及装置 | |
CN112669302A (zh) | 吊弦缺陷检测方法、装置、电子设备及存储介质 | |
CN110719445A (zh) | 一种基于图像识别的远程抄表系统及方法 | |
CN116434258A (zh) | 一种表格数据的自动识别方法 | |
CN115912183A (zh) | 高压输电线路生态措施巡视方法、系统及可读存储介质 | |
CN115761644A (zh) | 基于深度学习和帧差法的输电导线异物检测方法 | |
CN115187880A (zh) | 基于图像识别的通信光缆缺陷检测方法、系统及存储介质 | |
CN113284103B (zh) | 基于空间变换Faster R-CNN模型的变电站设备缺陷在线检测方法 | |
CN114442658A (zh) | 输配电线路无人机自动巡检系统及其运行方法 | |
CN110516551B (zh) | 一种基于视觉的巡线位置偏移识别系统、方法及无人机 | |
CN110363109B (zh) | 一种基于计算机视觉的覆盖式漏油检测系统及方法 | |
CN110084190B (zh) | 一种基于ann的剧烈光照环境下实时非结构化道路检测方法 | |
CN113362630A (zh) | 一种智慧城市建设道路交通信号设备故障分析处理方法、系统及计算机存储介质 |
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 |