CN112365461A - 紧固件松动识别方法、***、终端及存储介质 - Google Patents
紧固件松动识别方法、***、终端及存储介质 Download PDFInfo
- Publication number
- CN112365461A CN112365461A CN202011227065.1A CN202011227065A CN112365461A CN 112365461 A CN112365461 A CN 112365461A CN 202011227065 A CN202011227065 A CN 202011227065A CN 112365461 A CN112365461 A CN 112365461A
- Authority
- CN
- China
- Prior art keywords
- fastener
- point cloud
- cloud data
- mask
- detection frame
- 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 44
- 238000003860 storage Methods 0.000 title claims abstract description 16
- 238000001514 detection method Methods 0.000 claims abstract description 32
- 238000004590 computer program Methods 0.000 claims description 22
- 238000000513 principal component analysis Methods 0.000 claims description 12
- 238000013135 deep learning Methods 0.000 claims description 8
- 238000003709 image segmentation Methods 0.000 claims description 6
- 238000005520 cutting process Methods 0.000 claims description 4
- 238000007689 inspection Methods 0.000 abstract description 7
- 238000005516 engineering process Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 14
- 230000006870 function Effects 0.000 description 9
- 238000004458 analytical method Methods 0.000 description 6
- 238000012986 modification Methods 0.000 description 5
- 230000004048 modification Effects 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 3
- 230000011218 segmentation Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 229910052742 iron Inorganic materials 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000003550 marker Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
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
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
- G06T2207/10012—Stereo images
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本申请实施例提供一种紧固件松动识别方法、***、终端及存储介质,涉及质量检测技术。所述紧固件松动识别方法,包括:对获取的紧固件检测框进行扩边及分割,得到紧固件的标记线的掩板;根据所述紧固件的标记线的掩板在深度图上提取出对应的深度值并根据相机内参得到对应的点云数据;在点云数据中存在不连通且主方向不同时,确定所述紧固件松动。本申请实施例中,紧固件的空间信息更完善,相对于基于二维图像的判断结果准确性更高,且能够替代人工完成检查识别,效率更高,数据可复验。
Description
技术领域
本申请涉及质量检测技术,尤其是涉及一种紧固件松动识别方法、***、终端及存储介质。
背景技术
在高铁、地铁等轨道车辆中,通常通过螺栓等紧固件将多个部件连接。其中,为了防止紧固件松动引发安全事故,通常在两个紧固件之间穿过缠绕8字铁丝等防松件。轨道车辆运行过程中产生的振动等因素导致铁丝等防松件极易断裂,进而导致螺栓等紧固件仍然存在松动的风险。
相关技术中,通常是人工检查来判断紧固件是否松动。具体地,在紧固的螺栓上画上标记线,检查人员通过肉眼观察标记线是否错位,在观察到标记线发生错位时,确定紧固件已经松动。然而,采用人工观察的方式,工人很容易疲劳懈怠导致漏检。
发明内容
为了解决上述技术缺陷之一,本申请实施例中提供了一种紧固件松动识别方法、***、终端及存储介质。
本申请第一方面实施例提供一种紧固件松动识别方法,包括:
对获取的紧固件检测框进行扩边及分割,得到紧固件的标记线的掩板;
根据所述紧固件的标记线的掩板在深度图上提取出对应的深度值并根据相机内参得到对应的点云数据;
在点云数据中存在不连通且主方向不同时,确定所述紧固件松动。
本申请第二方面实施例提供一种紧固件松动识别***,包括:
第一处理模块,用于对获取的紧固件检测框进行扩边及分割,得到紧固件的标记线的掩板;
第二处理模块,用于根据所述紧固件的标记线的掩板在深度图上提取出对应的深度值并根据相机内参得到对应的点云数据;
第三处理模块,用于在点云数据中存在不连通且主方向不同时,确定所述紧固件松动。
本申请第三方面实施例提供一种终端,包括:
存储器;
处理器;以及
计算机程序;
其中,所述计算机程序存储在所述存储器中,并被配置为由所述处理器执行以实现如前述任一项所述的方法。
本申请第四方面实施例提供一种计算机可读存储介质,其上存储有计算机程序;所述计算机程序被处理器执行以实现如前述任一项所述的方法。
本申请实施例提供一种紧固件松动识别方法、***、终端及存储介质,基于灰度相机及深度相机的采集的图像,提取出紧固件的标记线的掩板对应的深度值并根据相机内参得到对应的点云数据,对点云数据进行连通性分析及PCA,根据分析结果自动识别出松动的紧固件。本申请实施例中,紧固件的空间信息更完善,相对于基于二维图像的判断结果准确性更高,且能够替代人工完成检查识别,效率更高,数据可复验。
附图说明
此处所说明的附图用来提供对本申请的进一步理解,构成本申请的一部分,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1为一示例性实施例提供的方法的流程示意图;
图2为一示例性实施例提供的方法的流程示意图;
图3为一示例性实施例提供的***的结构示意图;
图4a为一示例性实施例提供的螺栓未松动时的示意图;
图4b为一示例性实施例提供的螺栓松动时的示意图。
具体实施方式
为了使本申请实施例中的技术方案及优点更加清楚明白,以下结合附图对本申请的示例性实施例进行进一步详细的说明,显然,所描述的实施例仅是本申请的一部分实施例,而不是所有实施例的穷举。需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。
相关技术中,通常是人工检查来判断紧固件是否松动。具体地,在紧固的螺栓上画上标记线,检查人员通过肉眼观察标记线是否错位,在观察到标记线发生错位时,确定紧固件已经松动。然而,采用人工观察的方式,工人很容易疲劳懈怠导致漏检。
此外,也有一些方式是基于二维图像判断标记线是否在一条直线。然而,由于二维图像中的标记线方向不固定或拍照角度不好等原因,导致在二维图像无法准确判断标记线是否错位。
为了克服上述问题中的至少一个,本申请实施例提供一种紧固件松动识别方法、***、终端及存储介质,基于灰度相机及深度相机的采集的图像在三维空间自动判断紧固件是否松动,如此,紧固件的空间信息更完善,相对于基于二维图像的判断结果准确性更高,且能够替代人工完成检查识别,效率更高,数据可复验。
下面结合附图对本申请实施例提供的紧固件松动识别方法、***、终端及存储介质的功能及实现过程进行举例说明。
如图1所示,本实施例提供的紧固件松动识别方法,包括:
S101、对获取的紧固件检测框进行扩边及分割,得到紧固件的标记线的掩板;
S102、根据紧固件的标记线的掩板在深度图上提取出对应的深度值并根据相机内参得到对应的点云数据;
S103、在点云数据中存在不连通且主方向不同时,确定紧固件松动。
在步骤S101之前,如图2所示,需先获取紧固件的检测框。具体地:
获取通过对齐的灰度相机及深度相机分别采集的灰度图及深度图;
根据灰度图及深度图对紧固件进行检测定位,得到紧固件检测框。
其中,采用具有灰度和深度对齐相机拍摄,基于灰度图可以完成紧固件标记线的分割定位;深度相机可以获取三维点云数据,相比二维图像判断更加准确。
基于灰度图完成紧固件位置的检测定位,得到紧固件检测框。具体可以采用基于深度学习的卷积神经网络,例如faster r-cnn等目标检测网络,输出一张图中多个紧固件的位置信息[x1,y1,w,h],其中x1,y1为紧固件左上角坐标,w,h为紧固件的宽和高;根据多个紧固件的位置信息得到各紧固件的检测框。
在步骤S101中,具体包括:
对获取的紧固件检测框进行扩边,根据预设的区域进行剪裁;
将剪裁后的区域输入基于深度学习的图像分割网络,得到紧固件的标记线的掩板。
紧固件标记线一般在紧固件检测框一定范围内,因此可以对紧固件检测框进行一定范围的扩边,把预设的区域例如[x1-w/2,y1-h/2,2w,2h]大小的区域进行裁剪,送入基于深度学习的图像分割网络,例如mask r-cnn,得到紧固件标记线的掩板mask。
在步骤S102中,根据mask结果在深度图上提取出对应的深度值并根据相机内参得到对应的三维的点云数据。
在步骤S103中,对点云数据进行连通性分析及PCA,根据分析结果确定紧固件是否松动。
在点云数据中各点连通时,说明标记线没有错位,则紧固件没有松动。
在确定点云数据中存在不连通的点时,对不连通的点进行PCA;在得到的主方向不在一条直线上时,确定紧固件松动,如图4b所示,图4b中的曲线段L2及L3用于示意不在一条直线上的两段螺栓标识线。
在确定点云数据中存在不连通的点,在得到的主方向在同一条直线上时,说明紧固件标记线在一条直线上,紧固件未松动,如图4a所示,图4a中的曲线段L1用于示意螺栓标识线。
具体实现时,确定不连通的点后,将不连通的点分别通过PCA算法,求出x,y,z主方向;如果各不连通的点的主方向相同说明紧固件标记线在一条直线上,紧固件未松动;如果各不连通的点的主方向不在一条直线上,则紧固件松动。
其中,分别获取点云数据中各点与其余点的最近邻欧式距离;在最近邻欧式距离大于阈值时,确定存在不连通的点。
下面不妨以紧固件为螺栓为例来说明。
如图2所示,采集灰度图和深度图。采用具有灰度和深度对齐相机拍摄,得到关于螺栓的图像。
基于灰度图的卷积神经网络螺栓检测模型。基于获取的灰度图完成螺栓位置的检测定位,可以采用基于深度学习的卷积神经网络,例如faster r-cnn等目标检测网络,输出一张图中多个螺栓的位置信息[x1,y1,w,h],其中x1,y1为螺栓左上角坐标,w,h为螺栓的宽和高。
基于检测结果扩边的螺栓分割模型。螺栓标记线一般在螺栓检测框一定范围内,因此可以对螺栓检测框进行一定范围的扩边,把[x1-w/2,y1-h/2,2w,2h]大小的区域进行裁剪,送入基于深度学习的图像分割网络,例如mask r-cnn,得到螺栓标记线的mask。
基于分割结果在深度图提取出标记线的点云。根据上一步骤的mask结果在深度图上提取出对应的深度值并根据相机内参得到对应的三维点云数据。
基于点云判断螺栓标记线是否连通。对点云进行连通性判断,如果连通说明标记线没有错位,则螺栓没有松动,如图4a所示;如果不连通,把不连通的点云分别通过PCA算法,求出x,y,z主方向,如果主方向相同说明螺栓标记线在一条直线上,如图4a所示螺栓未松动;如果主方向不在一条直线上,则螺栓标识线不在一条直线上,如图4b所示,则螺栓松动。
本申请实施例提供的紧固件松动识别方法,基于灰度相机及深度相机的采集的图像,提取出紧固件的标记线的掩板对应的深度值并根据相机内参得到对应的点云数据,对点云数据进行连通性分析及PCA,根据分析结果自动识别出松动的紧固件。本申请提供的方法中,紧固件的空间信息更完善,相对于基于二维图像的判断结果准确性更高,且能够替代人工完成检查识别,效率更高,数据可复验。
本实施例提供的紧固件松动识别***,其是与前述方法实施例相对应的产品实施例,其功能与实现过程与前述实施例相同或相似,本实施例此处不再赘述。
如图3所示,本实施例提供的紧固件松动识别***,包括:
第一处理模块11,用于对获取的紧固件检测框进行扩边及分割,得到紧固件的标记线的掩板;
第二处理模块12,用于根据紧固件的标记线的掩板在深度图上提取出对应的深度值并根据相机内参得到对应的点云数据;
第三处理模块13,用于在点云数据中存在不连通且主方向不同时,确定紧固件松动。
在其中一种可能的实现方式中,第一处理模块11具体用于:
对获取的紧固件检测框进行扩边,根据预设的区域进行剪裁;
将剪裁后的区域输入基于深度学习的图像分割网络,得到紧固件的标记线的掩板。
在其中一种可能的实现方式中,第三处理模块13具体用于:
在确定点云数据中存在不连通的点时,对不连通的点进行PCA(PrincipalComponent Analysis,主成分分析);
在得到的主方向不在一条直线上时,确定紧固件松动。
在其中一种可能的实现方式中,第三处理模块13具体用于:
分别获取点云数据中各点与其余点的最近邻欧式距离;
在最近邻欧式距离大于阈值时,确定存在不连通的点。
在其中一种可能的实现方式中,第一处理模块11还用于:
获取通过对齐的灰度相机及深度相机分别采集的灰度图及深度图;
根据灰度图及深度图对紧固件进行检测定位,得到紧固件检测框。
本申请实施例提供的紧固件松动识别***,基于灰度相机及深度相机的采集的图像,提取出紧固件的标记线的掩板对应的深度值并根据相机内参得到对应的点云数据,对点云数据进行连通性分析及PCA,根据分析结果自动识别出松动的紧固件。本申请提供的***中,紧固件的空间信息更完善,相对于基于二维图像的判断结果准确性更高,且能够替代人工完成检查识别,效率更高,数据可复验。
本实施例提供一种终端,包括:
存储器;
处理器;以及
计算机程序;
其中,计算机程序存储在存储器中,并被配置为由处理器执行以实现相应的方法。
存储器用于存储计算机程序,处理器在接收到执行指令后,执行计算机程序,前述相应实施例揭示的流过程定义的装置所执行的方法可以应用于处理器中,或者由处理器实现。
存储器可能包含高速随机存取存储器(RAM:Random Access Memory),也可能还包括非不稳定的存储器(non-volatile memory),例如至少一个磁盘存储器。存储器可通过至少一个通信接口(可以是有线或者无线)实现该***网元与至少一个其他网元之间的通信连接,可以使用互联网,广域网,本地网,城域网等。
处理器可能是一种集成电路芯片,具有信号的处理能力。在实现过程中,实施例一揭示的方法的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器可以是通用处理器,包括中央处理器(Central Processing Unit,简称CPU)、网络处理器(Network Processor,简称NP)等;还可以是数字信号处理器(DSP)、专用集成电路(ASIC)、现成可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本发明实施例中的公开的相应方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
结合本发明实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成,或者用译码处理器中的硬件及软件单元组合执行完成。软件单元可以位于随机存储器,闪存、只读存储器,可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器,处理器读取存储器中的信息,结合其硬件完成上述方法的步骤。
本实施例提供一种计算机可读存储介质,其上存储有计算机程序;计算机程序被处理器执行以相应的方法。其具体实现可参见方法实施例,在此不再赘述。
需要说明的是:除非另外具体说明,否则在这些实施例中阐述的部件和步骤的相对步骤、数字表达式和数值并不限制本发明的范围。在这里示出和描述的所有示例中,除非另有规定,任何具体值应被解释为仅仅是示例性的,而不是作为限制,因此,示例性实施例的其他示例可以具有不同的值。
附图中的流程图和框图显示了根据本发明的多个实施例的***、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个单元、程序段或代码的一部分,单元、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的***来实现,或者可以用专用硬件与计算机指令的组合来实现。
本领域内的技术人员应明白,本申请的实施例可提供为方法、***、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本申请的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例作出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本申请范围的所有变更和修改。
显然,本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样,倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内,则本申请也意图包含这些改动和变型在内。
Claims (12)
1.一种紧固件松动识别方法,其特征在于,包括:
对获取的紧固件检测框进行扩边及分割,得到紧固件的标记线的掩板;
根据所述紧固件的标记线的掩板在深度图上提取出对应的深度值并根据相机内参得到对应的点云数据;
在点云数据中存在不连通且主方向不同时,确定所述紧固件松动。
2.根据权利要求1所述的方法,其特征在于,所述对获取的紧固件检测框进行扩边及分割,得到紧固件的标记线的掩板,包括:
对获取的紧固件检测框进行扩边,根据预设的区域进行剪裁;
将剪裁后的区域输入基于深度学习的图像分割网络,得到紧固件的标记线的掩板。
3.根据权利要求1所述的方法,其特征在于,所述在点云数据中存在不连通且主方向不同时,确定所述紧固件松动,包括:
在确定点云数据中存在不连通的点时,对所述不连通的点进行主成分分析PCA;
在得到的主方向不在一条直线上时,确定所述紧固件松动。
4.根据权利要求3所述的方法,其特征在于,确定点云数据中存在不连通的点,包括:
分别获取所述点云数据中各点与其余点的最近邻欧式距离;
在所述最近邻欧式距离大于阈值时,确定存在不连通的点。
5.根据权利要求1所述的方法,其特征在于,在对获取的紧固件检测框进行扩边及分割之前,包括:
获取通过对齐的灰度相机及深度相机分别采集的灰度图及深度图;
根据所述灰度图及深度图对紧固件进行检测定位,得到紧固件检测框。
6.一种紧固件松动识别***,其特征在于,包括:
第一处理模块,用于对获取的紧固件检测框进行扩边及分割,得到紧固件的标记线的掩板;
第二处理模块,用于根据所述紧固件的标记线的掩板在深度图上提取出对应的深度值并根据相机内参得到对应的点云数据;
第三处理模块,用于在点云数据中存在不连通且主方向不同时,确定所述紧固件松动。
7.根据权利要求6所述的***,其特征在于,所述第一处理模块具体用于:
对获取的紧固件检测框进行扩边,根据预设的区域进行剪裁;
将剪裁后的区域输入基于深度学习的图像分割网络,得到紧固件的标记线的掩板。
8.根据权利要求6所述的***,其特征在于,所述第三处理模块具体用于:
在确定点云数据中存在不连通的点时,对所述不连通的点进行主成分分析PCA;
在得到的主方向不在一条直线上时,确定所述紧固件松动。
9.根据权利要求8所述的***,其特征在于,所述第三处理模块具体用于:
分别获取所述点云数据中各点与其余点的最近邻欧式距离;
在所述最近邻欧式距离大于阈值时,确定存在不连通的点。
10.根据权利要求6所述的***,其特征在于,所述第一处理模块还用于:
获取通过对齐的灰度相机及深度相机分别采集的灰度图及深度图;
根据所述灰度图及深度图对紧固件进行检测定位,得到紧固件检测框。
11.一种终端,其特征在于,包括:
存储器;
处理器;以及
计算机程序;
其中,所述计算机程序存储在所述存储器中,并被配置为由所述处理器执行以实现如权利要求1-5任一项所述的方法。
12.一种计算机可读存储介质,其特征在于,其上存储有计算机程序;所述计算机程序被处理器执行以实现如权利要求1-5任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011227065.1A CN112365461A (zh) | 2020-11-06 | 2020-11-06 | 紧固件松动识别方法、***、终端及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011227065.1A CN112365461A (zh) | 2020-11-06 | 2020-11-06 | 紧固件松动识别方法、***、终端及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112365461A true CN112365461A (zh) | 2021-02-12 |
Family
ID=74509601
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011227065.1A Pending CN112365461A (zh) | 2020-11-06 | 2020-11-06 | 紧固件松动识别方法、***、终端及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112365461A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN113469940A (zh) * | 2021-05-26 | 2021-10-01 | 成都唐源电气股份有限公司 | 基于三维点云结合二维图像处理技术的扣件松动检测方法 |
CN113808096A (zh) * | 2021-09-14 | 2021-12-17 | 成都主导软件技术有限公司 | 一种非接触式的螺栓松动检测方法及其*** |
CN113984315A (zh) * | 2021-11-30 | 2022-01-28 | 东风商用车有限公司 | 一种振动模拟试验中螺栓的检测方法及*** |
CN114445435A (zh) * | 2021-12-23 | 2022-05-06 | 中数智科(杭州)科技有限公司 | 一种基于标记线移位偏差的车体螺栓松动判别方法 |
CN115222731A (zh) * | 2022-09-07 | 2022-10-21 | 西南交通大学 | 一种基于二维图像到点云映射的列车紧固件异常检测方法 |
CN116071353A (zh) * | 2023-03-06 | 2023-05-05 | 成都盛锴科技有限公司 | 一种螺栓装配检测方法及*** |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107830813A (zh) * | 2017-09-15 | 2018-03-23 | 浙江理工大学 | 激光线标记的长轴类零件图像拼接及弯曲变形检测方法 |
CN110009602A (zh) * | 2019-03-08 | 2019-07-12 | 唐山百川智能机器股份有限公司 | 紧固件防松标识的检测方法、***存储介质及计算机设备 |
WO2019183475A1 (en) * | 2018-03-23 | 2019-09-26 | University Of Kansas | Vision-based fastener loosening detection |
CN110634123A (zh) * | 2018-06-05 | 2019-12-31 | 成都精工华耀科技有限公司 | 一种采用深度图像的轨道扣件紧固件松动检测方法 |
-
2020
- 2020-11-06 CN CN202011227065.1A patent/CN112365461A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107830813A (zh) * | 2017-09-15 | 2018-03-23 | 浙江理工大学 | 激光线标记的长轴类零件图像拼接及弯曲变形检测方法 |
WO2019183475A1 (en) * | 2018-03-23 | 2019-09-26 | University Of Kansas | Vision-based fastener loosening detection |
CN110634123A (zh) * | 2018-06-05 | 2019-12-31 | 成都精工华耀科技有限公司 | 一种采用深度图像的轨道扣件紧固件松动检测方法 |
CN110009602A (zh) * | 2019-03-08 | 2019-07-12 | 唐山百川智能机器股份有限公司 | 紧固件防松标识的检测方法、***存储介质及计算机设备 |
Non-Patent Citations (1)
Title |
---|
胡广胜;王菁;孙福庆;: "基于图像识别的轨道交通车辆装配过程检测***", 城市轨道交通研究, no. 04, 10 April 2020 (2020-04-10) * |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN113469940A (zh) * | 2021-05-26 | 2021-10-01 | 成都唐源电气股份有限公司 | 基于三维点云结合二维图像处理技术的扣件松动检测方法 |
CN113469940B (zh) * | 2021-05-26 | 2023-08-04 | 成都唐源电气股份有限公司 | 基于三维点云结合二维图像处理技术的扣件松动检测方法 |
CN113808096A (zh) * | 2021-09-14 | 2021-12-17 | 成都主导软件技术有限公司 | 一种非接触式的螺栓松动检测方法及其*** |
CN113808096B (zh) * | 2021-09-14 | 2024-01-30 | 成都主导软件技术有限公司 | 一种非接触式的螺栓松动检测方法及其*** |
CN113984315A (zh) * | 2021-11-30 | 2022-01-28 | 东风商用车有限公司 | 一种振动模拟试验中螺栓的检测方法及*** |
CN114445435A (zh) * | 2021-12-23 | 2022-05-06 | 中数智科(杭州)科技有限公司 | 一种基于标记线移位偏差的车体螺栓松动判别方法 |
CN115222731A (zh) * | 2022-09-07 | 2022-10-21 | 西南交通大学 | 一种基于二维图像到点云映射的列车紧固件异常检测方法 |
CN115222731B (zh) * | 2022-09-07 | 2022-12-02 | 西南交通大学 | 一种基于二维图像到点云映射的列车紧固件异常检测方法 |
CN116071353A (zh) * | 2023-03-06 | 2023-05-05 | 成都盛锴科技有限公司 | 一种螺栓装配检测方法及*** |
CN116071353B (zh) * | 2023-03-06 | 2023-09-05 | 成都盛锴科技有限公司 | 一种螺栓装配检测方法及*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112365461A (zh) | 紧固件松动识别方法、***、终端及存储介质 | |
JP6904614B2 (ja) | 対象物検出装置、予測モデル作成装置、対象物検出方法及びプログラム | |
CN114387268A (zh) | 一种螺栓松动检测方法及装置 | |
JP2010117772A (ja) | 特徴量抽出装置、物体識別装置及び特徴量抽出方法 | |
KR20200025480A (ko) | 경계선 기반 구조물의 균열 검출 장치 및 방법 | |
CN112906534A (zh) | 一种基于改进后Faster R-CNN网络的锁扣丢失故障检测方法 | |
US9508000B2 (en) | Object recognition apparatus | |
JP6177541B2 (ja) | 文字認識装置、文字認識方法及びプログラム | |
JP2020038132A (ja) | コンクリート表面上のひび割れ特定方法、ひび割れ特定装置、ひび割れ特定システム及びプログラム | |
CN117094975A (zh) | 钢铁表面缺陷检测方法、装置及电子设备 | |
CN112712495A (zh) | 防松件断裂识别方法、***、终端及存储介质 | |
JP2011007728A (ja) | 欠陥検出方法、欠陥検出装置、および欠陥検出プログラム | |
CN109767426B (zh) | 一种基于图像特征识别的盾构隧道渗漏水检测方法 | |
CN117011290B (zh) | 缺陷诊断方法、***及计算机设备 | |
CN114549389A (zh) | 轮对踏面检测方法、装置、***、终端及存储介质 | |
CN112784633B (zh) | 一种车道边界的处理方法、装置、电子设备和存储介质 | |
CN116071335A (zh) | 墙面验收方法、装置、设备及存储介质 | |
KR101944604B1 (ko) | 다양한 단면 형상을 가진 객체의 생산 수량 검수 자동화를 위한 장치 및 방법 | |
JP7186821B2 (ja) | 配筋検査装置、配筋検査方法およびプログラム | |
JP4470513B2 (ja) | 検査方法および検査装置 | |
KR101371875B1 (ko) | 스테레오 비전을 이용한 차량검출과 차간거리 산출 방법 및 그 장치 | |
JP5439069B2 (ja) | 文字認識装置及び文字認識方法 | |
KR101714131B1 (ko) | 주차구획 인식 장치 및 방법 | |
KR102156488B1 (ko) | 차량 번호판의 검출 방법 | |
CN109215068B (zh) | 图像放大率测量方法及装置 |
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 |