CN113781409B - 一种螺栓松动检测方法、装置及存储介质 - Google Patents
一种螺栓松动检测方法、装置及存储介质 Download PDFInfo
- Publication number
- CN113781409B CN113781409B CN202110980117.0A CN202110980117A CN113781409B CN 113781409 B CN113781409 B CN 113781409B CN 202110980117 A CN202110980117 A CN 202110980117A CN 113781409 B CN113781409 B CN 113781409B
- Authority
- CN
- China
- Prior art keywords
- layer
- features
- bolt
- pooling
- namely
- 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
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
- 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
- G06N3/047—Probabilistic or stochastic networks
-
- 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
- G06N3/048—Activation functions
-
- 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
- G06N3/08—Learning methods
-
- 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
-
- 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
- G06T2207/30108—Industrial image inspection
- G06T2207/30164—Workpiece; Machine component
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Probability & Statistics with Applications (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种螺栓松动检测方法、装置及存储介质,其中方法包括获取螺栓图像;对螺栓图像进行图像增强处理;通过检测模型对增强图像提取特征得到多尺度的预测特征,将尺度最小的预测特征池化,将多种池化特征和尺度最小的预测特征拼接,根据拼接特征得到螺栓松动角度;根据螺栓松动角度得到判断结果;通过图像增强增加数据多样性,增加图像训练数,能使用较少的数据集对检测模型训练出更高的检测精度;通过检测模型对预测特征池化和拼接,增加了特征深度,有利于对检测模型调参优化以得到更准确的检测模型。
Description
技术领域
本发明涉及图像检测领域,特别是一种螺栓松动检测方法、装置及存储介质。
背景技术
现有的螺栓松动检测技术通常采用在螺栓固定区域装配传感器进行检测。但精密的传感器不仅成本极高,并且传感器容易受到干扰导致检测结果差异大。而人工检测则人力成本高,检测效率低下。
发明内容
本发明的目的在于至少解决现有技术中存在的技术问题之一,提供一种螺栓松动检测方法、装置及存储介质。
本发明解决其问题所采用的技术方案是:
本发明的第一方面,一种螺栓松动检测方法,包括:
获取螺栓图像;
对所述螺栓图像进行图像增强处理,得到增强图像;
通过检测模型对所述增强图像进行特征提取,得到多种尺度不同的预测特征,将尺度最小的所述预测特征进行池化操作得到多种池化特征,将多种所述池化特征和尺度最小的所述预测特征拼接得到拼接特征,根据所述拼接特征得到螺栓松动角度;
比较所述螺栓松动角度与角度阈值的数值大小,得到判断结果。
根据本发明的第一方面,所述对所述螺栓图像进行图像增强处理,得到增强图像的步骤,具体为:将多张不同的所述螺栓图像拼接得到所述增强图像,其中每次拼接的所述螺栓图像的数量相同。
根据本发明的第一方面,所述将尺度最小的所述预测特征进行池化操作得到多种池化特征,将多种所述池化特征和尺度最小的所述预测特征拼接得到拼接特征的步骤,具体为:将尺度最小的所述预测特征输入三个最大池化层进行最大池化下采样得到三种池化特征,将三种所述池化特征和尺度最小的所述预测特征拼接得到拼接特征,其中三个所述最大池化层的池化核大小分别为3*3、5*5和9*9,三个所述最大池化层的步距为1。
根据本发明的第一方面,在所述将尺度最小的所述预测特征进行池化操作得到多种池化特征,将多种所述池化特征和尺度最小的所述预测特征拼接得到拼接特征的步骤中,还得到多个权重值;
所述螺栓松动检测方法还包括以下步骤:通过多个所述权重值对所述检测模型的超参数进行调整。
本发明的第二方面,一种螺栓松动检测装置,包括:
输入模块,用于获取螺栓图像;
图像增强模块,用于对所述螺栓图像进行图像增强处理,得到增强图像;
检测模块,用于对所述增强图像进行特征提取,得到多种尺度不同的预测特征,将尺度最小的所述预测特征进行池化操作得到多种池化特征,将多种所述池化特征和尺度最小的所述预测特征拼接得到拼接特征,根据所述拼接特征得到螺栓松动角度;
输出模块,用于比较所述螺栓松动角度与角度阈值的数值大小,得到判断结果。
根据本发明的第二方面,在所述图像增强模块中,将多张不同的所述螺栓图像拼接得到所述增强图像,其中每次拼接的所述螺栓图像的数量相同。
根据本发明的第二方面,所述检测模块包括检测模型,所述检测模型包括三个最大池化层和拼接层,三个所述最大池化层将尺度最小的所述预测特征进行最大池化下采样得到三种池化特征,所述拼接层将三种所述池化特征和尺度最小的所述预测特征拼接得到拼接特征。
根据本发明的第二方面,三个所述最大池化层的池化核大小分别为3*3、5*5和9*9,三个所述最大池化层的步距为1。
根据本发明的第二方面,所述检测模块在执行所述将尺度最小的所述预测特征进行池化操作得到多种池化特征,将多种所述池化特征和尺度最小的所述预测特征拼接得到拼接特征的步骤中还得到多个权重值;所述检测模块包括调参模块,所述调参模块用于通过多个所述权重值对所述检测模型的超参数进行调整。
本发明的第三方面,一种存储介质,所述存储介质中存储有可执行指令,所述可执行指令被处理器执行时实现如本发明的第一方面所述的螺栓松动检测方法。
上述方案至少具有以下有益效果:通过图像增强增加数据多样性,增加图像训练数,能使用较少的数据集对检测模型训练出更高的检测精度;通过检测模型对预测特征池化和拼接,增加了特征深度,有利于对检测模型调参优化以得到更准确的检测模型。
本发明的附加方面和优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本发明的实践了解到。
附图说明
下面结合附图和实例对本发明作进一步说明。
图1是本发明实施例螺栓松动检测方法的流程图;
图2是本发明实施例螺栓松动检测装置的结构图;
图3是金字塔池化层的结构图。
具体实施方式
本部分将详细描述本发明的具体实施例,本发明之较佳实施例在附图中示出,附图的作用在于用图形补充说明书文字部分的描述,使人能够直观地、形象地理解本发明的每个技术特征和整体技术方案,但其不能理解为对本发明保护范围的限制。
在本发明的描述中,需要理解的是,涉及到方位描述,例如上、下、前、后、左、右等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。
在本发明的描述中,若干的含义是一个或者多个,多个的含义是两个以上,大于、小于、超过等理解为不包括本数,以上、以下、以内等理解为包括本数。如果有描述到第一、第二只是用于区分技术特征为目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量或者隐含指明所指示的技术特征的先后关系。
本发明的描述中,除非另有明确的限定,设置、安装、连接等词语应做广义理解,所属技术领域技术人员可以结合技术方案的具体内容合理确定上述词语在本发明中的具体含义。
参照图1,本发明的第一方面的实施例,提供了一种螺栓松动检测方法。
螺栓松动检测方法包括:
获取螺栓图像;
对螺栓图像进行图像增强处理,得到增强图像;
通过检测模型对增强图像进行特征提取,得到多种尺度不同的预测特征,将尺度最小的预测特征进行池化操作得到多种池化特征,将多种池化特征和尺度最小的预测特征拼接得到拼接特征,根据拼接特征得到螺栓松动角度;
比较螺栓松动角度与角度阈值的数值大小,得到判断结果。
在该实施例中,在训练阶段,通过图像增强增加数据多样性,增加图像训练数,能使用较少的数据集对检测模型训练出更高的检测精度;通过检测模型对预测特征池化和拼接,增加了特征深度,有利于对检测模型调参优化以得到更准确的检测模型。
在检测阶段,直接将待检测图像输入到已经训练完成的检测模型进行检测得到螺栓松动角度,然后比较螺栓松动角度与角度阈值的数值大小得到判断结果。
本发明的第一方面的某些实施例,在对检测模型进行训练前,采集多张螺栓图像,建立图像数据集,将图像数据集分成训练集和验证集,对训练集进行人工标注,具体可以通过labelImg辅助标注,得到xml标签文件。xml标签文件包含如下信息:螺栓种类编号、螺栓松动角度、锚框中心点坐标、原图比例以及锚框的高与宽。在输入到检测模型前,需要对xml标签文件进行格式转换,转换为txt文件。
本发明的第一方面的某些实施例,对螺栓图像进行图像增强处理,得到增强图像的步骤,具体为:将多张不同的螺栓图像拼接得到增强图像,其中每次拼接的螺栓图像的数量相同。
需要说明的是,多个增强图像需要转化为统一尺寸,例如可以转化设置为256*256的尺寸大小。
本发明的第一方面的某些实施例,检测模型将输入的图像依次经过卷积层和池化层,然后经过RBFNet结构。RFBNet结构拥有三个不同的分支,使用了1*1、3*3、5*5不同大小的卷积核来模拟不同的感受野,使用空洞数为1、3、5的空洞卷积来实现不同的偏心度。完成这三个分支后,再利用通道堆叠的方法进行融合,利用1*1卷积降低特征的通道数,将RBFNet结构的输入和输出进行叠加,这能增加模型的训练速度,提高训练效果。
检测模型在RBFNet结构后设有依次连接的多个特征提取层,每个特征提取层由卷积层、正则化层、残差块以及激活函数构成。
具体地,第一特征提取层包括:
卷积层:16,32,3,2,1;正则化层:BN(batch-normalization);激活函数层:ReLU;
卷积层:16,32,3,1,1;正则化层:BN;残差块;激活函数层:ReLU。
第二特征提取层包括:
卷积层:32,64,3,2,1;正则化层:BN;激活函数层:ReLU;
卷积层:64,64,3,1,1;正则化层:BN;残差块;激活函数层:ReLU。
第三特征提取层包括:
卷积层:64,128,3,3,1;正则化层:BN;激活函数层:ReLU;
卷积层:128,128,3,3,1;正则化层:BN;残差块;激活函数层:ReLU。
另外,BN层的批尺寸为4,较大的批尺寸能使模型的均值与方差更接近原始数据集的均值与方差,使得检测效果更理想。
三个特征提取层分别输出三种不同尺寸的预测特征,以对应大目标、中目标和小目标。而螺栓检测属于对小目标的检测。因此对尺度最小的预测特征进行后续处理。
参照图3,本发明的第一方面的某些实施例,将尺度最小的预测特征进行池化操作得到多种池化特征,将多种池化特征和尺度最小的预测特征拼接得到拼接特征的步骤,具体为:将尺度最小的预测特征输入三个最大池化层进行最大池化下采样得到三种池化特征,将三种池化特征和尺度最小的预测特征拼接得到拼接特征,其中三个最大池化层的池化核大小分别为3*3、5*5和9*9,三个最大池化层的步距为1。在最大池化下采样的过程中,池化特征与预测特征的尺寸大小相比没有变化。
通过对预测特征最大池化以及拼接的步骤,解决了特征图尺寸大小不一的缺陷,提高了鲁棒性,提高了任务的精度。
本发明的第一方面的某些实施例,在将尺度最小的预测特征进行池化操作得到多种池化特征,将多种池化特征和尺度最小的预测特征拼接得到拼接特征的步骤中,采用损失函数不断优化,得到多个权重值;螺栓松动检测方法还包括以下步骤:通过多个权重值对检测模型的超参数进行调整。通过调整检测模型的超参数使得调整模型不断优化,提高预测螺栓松动角度的准确性。
本发明的第一方面的某些实施例,将拼接特征输入至全连接层进行预测螺栓松动角度概率,概率最大对应的螺栓松动角度作为输出,其中全连接层包含softmax函数和sigmoid函数。
角度阈值为人为预设的。当螺栓松动角度大于角度阈值,则判断为螺栓松动;当螺栓松动角度小于角度阈值,则判断为螺栓没有松动。
参照图2,本发明的第二方面的实施例,提供了一种螺栓松动检测装置。
螺栓松动检测装置包括输入模块、图像增强模块、检测模块和输出模块。
其中,输入模块用于获取螺栓图像;图像增强模块用于对螺栓图像进行图像增强处理,得到增强图像;检测模块包括检测模型,检测模块用于对增强图像进行特征提取,得到多种尺度不同的预测特征,将尺度最小的预测特征进行池化操作得到多种池化特征,将多种池化特征和尺度最小的预测特征拼接得到拼接特征,根据拼接特征得到螺栓松动角度;输出模块用于比较螺栓松动角度与角度阈值的数值大小,得到判断结果。
在该实施例中,在训练阶段,通过图像增强模块增加数据多样性,增加图像训练数,能使用较少的数据集对检测模型训练出更高的检测精度;通过检测模块对预测特征池化和拼接,增加了特征深度,有利于对检测模型调参优化以得到更准确的检测模型。
在检测阶段,直接将待检测图像输入到已经训练完成的检测模型进行检测得到螺栓松动角度,然后比较螺栓松动角度与角度阈值的数值大小得到判断结果。
本发明的第二方面的某些实施例,在对检测模型进行训练前,采集多张螺栓图像,建立图像数据集,将图像数据集分成训练集和验证集,对训练集进行人工标注,具体可以通过labelImg辅助标注,得到xml标签文件。xml标签文件包含如下信息:螺栓种类编号、螺栓松动角度、锚框中心点坐标、原图比例以及锚框的高与宽。在输入到检测模型前,需要对xml标签文件进行格式转换,转换为txt文件。
本发明的第二方面的某些实施例,在图像增强模块中,将多张不同的螺栓图像拼接得到增强图像,其中每次拼接的螺栓图像的数量相同。
需要说明的是,多个增强图像需要转化为统一尺寸,例如可以转化设置为256*256的尺寸大小。
参照图3,本发明的第二方面的某些实施例,检测模型设有金字塔池化层,金字塔池化层包括三个最大池化层和拼接层,三个最大池化层将尺度最小的预测特征进行最大池化下采样得到三种池化特征,拼接层将三种池化特征和尺度最小的预测特征拼接得到拼接特征。三个最大池化层的池化核大小分别为3*3、5*5和9*9,三个最大池化层的步距为1。解决了特征图尺寸大小不一的缺陷,提高了鲁棒性,提高了任务的精度。
本发明的第二方面的某些实施例,检测模块在执行将尺度最小的预测特征进行池化操作得到多种池化特征,将多种池化特征和尺度最小的预测特征拼接得到拼接特征的步骤中还得到多个权重值;检测模块包括调参模块,调参模块用于通过多个权重值对检测模型的超参数进行调整,提高预测螺栓松动角度的准确性。
本发明的第一方面的某些实施例,将拼接特征输入至全连接层进行预测螺栓松动角度概率,概率最大对应的螺栓松动角度作为输出,其中全连接层包含softmax函数和sigmoid函数。
角度阈值为人为预设的。当螺栓松动角度大于角度阈值,则判断为螺栓松动;当螺栓松动角度小于角度阈值,则判断为螺栓没有松动。
本发明的第三方面的实施例,提供了一种存储介质。所述存储介质中存储有可执行指令,所述可执行指令被处理器执行时实现如本发明的第一方面的实施例所述的螺栓松动检测方法。
本领域普通技术人员可以理解,上文中所公开方法中的全部或某些步骤、***可以被实施为软件、固件、硬件及其适当的组合。某些物理组件或所有物理组件可以被实施为由处理器,如中央处理器、数字信号处理器或微处理器执行的软件,或者被实施为硬件,或者被实施为集成电路,如专用集成电路。这样的软件可以分布在计算机可读介质上,计算机可读介质可以包括计算机存储介质(或非暂时性介质)和通信介质(或暂时性介质)。如本领域普通技术人员公知的,术语计算机存储介质包括在用于存储信息(诸如计算机可读指令、数据结构、程序模块或其他数据)的任何方法或技术中实施的易失性和非易失性、可移除和不可移除介质。计算机存储介质包括但不限于RAM、ROM、EEPROM、闪存或其他存储器技术、CD-ROM、数字多功能盘(DVD)或其他光盘存储、磁盒、磁带、磁盘存储或其他磁存储装置、或者可以用于存储期望的信息并且可以被计算机访问的任何其他的介质。此外,本领域普通技术人员公知的是,通信介质通常包含计算机可读指令、数据结构、程序模块或者诸如载波或其他传输机制之类的调制数据信号中的其他数据,并且可包括任何信息递送介质。
以上所述,只是本发明的较佳实施例而已,本发明并不局限于上述实施方式,只要其以相同的手段达到本发明的技术效果,都应属于本发明的保护范围。
Claims (7)
1.一种螺栓松动检测方法,其特征在于,包括:
获取螺栓图像;
对所述螺栓图像进行图像增强处理,得到增强图像;
通过检测模型对所述增强图像进行特征提取,得到多种尺度不同的预测特征,将尺度最小的所述预测特征进行池化操作得到多种池化特征,将多种所述池化特征和尺度最小的所述预测特征拼接得到拼接特征,根据所述拼接特征得到螺栓松动角度;
比较所述螺栓松动角度与角度阈值的数值大小,得到判断结果;其中,所述将尺度最小的所述预测特征进行池化操作得到多种池化特征,将多种所述池化特征和尺度最小的所述预测特征拼接得到拼接特征的步骤,具体为:将尺度最小的所述预测特征输入三个最大池化层进行最大池化下采样得到三种池化特征,将三种所述池化特征和尺度最小的所述预测特征拼接得到拼接特征,其中三个所述最大池化层的池化核大小分别为3*3、5*5和9*9,三个所述最大池化层的步距为1;
所述检测模型在RBFNet结构后设有依次连接的多个特征提取层,每个特征提取层由卷积层、正则化层、残差块以及激活函数构成;
具体地,第一特征提取层包括:
卷积层:16,32,3,2,1;正则化层:BN层;激活函数层:ReLU;
卷积层:16,32,3,1,1;正则化层:BN层;残差块;激活函数层:ReLU。
第二特征提取层包括:
卷积层:32,64,3,2,1;正则化层:BN层;激活函数层:ReLU;
卷积层:64,64,3,1,1;正则化层:BN层;残差块;激活函数层:ReLU。
第三特征提取层包括:
卷积层:64,128,3,3,1;正则化层:BN层;激活函数层:ReLU;
卷积层:128,128,3,3,1;正则化层:BN层;残差块;激活函数层:ReLU;
BN层的批尺寸为4。
2.根据权利要求1所述的一种螺栓松动检测方法,其特征在于,所述对所述螺栓图像进行图像增强处理,得到增强图像的步骤,具体为:将多张不同的所述螺栓图像拼接得到所述增强图像,其中每次拼接的所述螺栓图像的数量相同。
3.根据权利要求1所述的一种螺栓松动检测方法,其特征在于,在所述将尺度最小的所述预测特征进行池化操作得到多种池化特征,将多种所述池化特征和尺度最小的所述预测特征拼接得到拼接特征的步骤中,还得到多个权重值;
所述螺栓松动检测方法还包括以下步骤:通过多个所述权重值对所述检测模型的超参数进行调整。
4.一种螺栓松动检测装置,其特征在于,包括:
输入模块,用于获取螺栓图像;
图像增强模块,用于对所述螺栓图像进行图像增强处理,得到增强图像;
检测模块,用于对所述增强图像进行特征提取,得到多种尺度不同的预测特征,将尺度最小的所述预测特征进行池化操作得到多种池化特征,将多种所述池化特征和尺度最小的所述预测特征拼接得到拼接特征,根据所述拼接特征得到螺栓松动角度;
输出模块,用于比较所述螺栓松动角度与角度阈值的数值大小,得到判断结果;
其中,所述检测模块包括检测模型,所述检测模型包括三个最大池化层和拼接层,三个所述最大池化层将尺度最小的所述预测特征进行最大池化下采样得到三种池化特征,所述拼接层将三种所述池化特征和尺度最小的所述预测特征拼接得到拼接特征;三个所述最大池化层的池化核大小分别为3*3、5*5和9*9,三个所述最大池化层的步距为1;
所述检测模型在RBFNet结构后设有依次连接的多个特征提取层,每个特征提取层由卷积层、正则化层、残差块以及激活函数构成;
具体地,第一特征提取层包括:
卷积层:16,32,3,2,1;正则化层:BN层;激活函数层:ReLU;
卷积层:16,32,3,1,1;正则化层:BN层;残差块;激活函数层:ReLU。
第二特征提取层包括:
卷积层:32,64,3,2,1;正则化层:BN层;激活函数层:ReLU;
卷积层:64,64,3,1,1;正则化层:BN层;残差块;激活函数层:ReLU。
第三特征提取层包括:
卷积层:64,128,3,3,1;正则化层:BN层;激活函数层:ReLU;
卷积层:128,128,3,3,1;正则化层:BN层;残差块;激活函数层:ReLU;
BN层的批尺寸为4。
5.根据权利要求4所述的一种螺栓松动检测装置,其特征在于,在所述图像增强模块中,将多张不同的所述螺栓图像拼接得到所述增强图像,其中每次拼接的所述螺栓图像的数量相同。
6.根据权利要求4所述的一种螺栓松动检测装置,其特征在于,所述检测模块在执行所述将尺度最小的所述预测特征进行池化操作得到多种池化特征,将多种所述池化特征和尺度最小的所述预测特征拼接得到拼接特征的步骤中还得到多个权重值;所述检测模块包括调参模块,所述调参模块用于通过多个所述权重值对所述检测模型的超参数进行调整。
7.一种存储介质,其特征在于,所述存储介质中存储有可执行指令,所述可执行指令被处理器执行时实现如权利要求1至3任一项所述的螺栓松动检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110980117.0A CN113781409B (zh) | 2021-08-25 | 2021-08-25 | 一种螺栓松动检测方法、装置及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110980117.0A CN113781409B (zh) | 2021-08-25 | 2021-08-25 | 一种螺栓松动检测方法、装置及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113781409A CN113781409A (zh) | 2021-12-10 |
CN113781409B true CN113781409B (zh) | 2023-10-20 |
Family
ID=78839137
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110980117.0A Active CN113781409B (zh) | 2021-08-25 | 2021-08-25 | 一种螺栓松动检测方法、装置及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113781409B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110414670A (zh) * | 2019-07-03 | 2019-11-05 | 南京信息工程大学 | 一种基于全卷积神经网络的图像拼接篡改定位方法 |
WO2019232830A1 (zh) * | 2018-06-06 | 2019-12-12 | 平安科技(深圳)有限公司 | 机场异物检测方法、装置、计算机设备及存储介质 |
AU2020103901A4 (en) * | 2020-12-04 | 2021-02-11 | Chongqing Normal University | Image Semantic Segmentation Method Based on Deep Full Convolutional Network and Conditional Random Field |
CN112668494A (zh) * | 2020-12-31 | 2021-04-16 | 西安电子科技大学 | 基于多尺度特征提取的小样本变化检测方法 |
CN112818975A (zh) * | 2021-01-27 | 2021-05-18 | 北京金山数字娱乐科技有限公司 | 文本检测模型训练方法及装置、文本检测方法及装置 |
-
2021
- 2021-08-25 CN CN202110980117.0A patent/CN113781409B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019232830A1 (zh) * | 2018-06-06 | 2019-12-12 | 平安科技(深圳)有限公司 | 机场异物检测方法、装置、计算机设备及存储介质 |
CN110414670A (zh) * | 2019-07-03 | 2019-11-05 | 南京信息工程大学 | 一种基于全卷积神经网络的图像拼接篡改定位方法 |
AU2020103901A4 (en) * | 2020-12-04 | 2021-02-11 | Chongqing Normal University | Image Semantic Segmentation Method Based on Deep Full Convolutional Network and Conditional Random Field |
CN112668494A (zh) * | 2020-12-31 | 2021-04-16 | 西安电子科技大学 | 基于多尺度特征提取的小样本变化检测方法 |
CN112818975A (zh) * | 2021-01-27 | 2021-05-18 | 北京金山数字娱乐科技有限公司 | 文本检测模型训练方法及装置、文本检测方法及装置 |
Non-Patent Citations (2)
Title |
---|
基于改进YOLOv5算法的轨面缺陷检测;李浪怡 等;《五邑大学学报》;第35卷(第3期);第43-49页 * |
轨道交通线路异物入侵检测方法;王前选 等;《五邑大学学报》;第32卷(第3期);第18-24页 * |
Also Published As
Publication number | Publication date |
---|---|
CN113781409A (zh) | 2021-12-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107944450B (zh) | 一种车牌识别方法及装置 | |
CN113762209A (zh) | 一种基于yolo的多尺度并行特征融合路标检测方法 | |
CN112906816B (zh) | 基于光微分与双通道神经网络的目标检测方法和装置 | |
CN110659545B (zh) | 车辆识别模型的训练方法、车辆识别方法、装置和车辆 | |
CN114419583A (zh) | 一种大尺度特征的YOLOv4-tiny目标检测算法 | |
CN115937703B (zh) | 一种用于遥感图像目标检测的增强特征提取方法 | |
CN112613387A (zh) | 一种基于YOLOv3的交通标志检测方法 | |
CN114332166A (zh) | 基于模态竞争协同网络的可见光红外目标跟踪方法及装置 | |
CN112149707B (zh) | 图像采集控制方法、装置、介质及设备 | |
CN114495025A (zh) | 一种车辆识别方法、装置、电子设备及存储介质 | |
CN113781409B (zh) | 一种螺栓松动检测方法、装置及存储介质 | |
CN116994049A (zh) | 全自动针织横机及其方法 | |
CN105184809A (zh) | 运动对象检测方法和运动对象检测装置 | |
CN115294548B (zh) | 一种基于行方向上位置选择和分类方法的车道线检测方法 | |
CN114882469B (zh) | 一种基于dl-ssd模型的交通标志检测方法及*** | |
US20240011792A1 (en) | Method and apparatus for updating confidence of high-precision map | |
CN115953744A (zh) | 一种基于深度学习的车辆识别追踪方法 | |
CN113034449B (zh) | 目标检测模型训练方法、装置及通信设备 | |
CN112801960A (zh) | 图像处理方法及装置、存储介质、电子设备 | |
CN117893990B (zh) | 道路标志检测方法、装置和计算机设备 | |
CN114882449B (zh) | 一种基于Car-Det网络模型的车辆检测方法及装置 | |
CN116189132B (zh) | 道路信息的目标检测模型训练方法、目标检测方法及装置 | |
CN117710763B (zh) | 图像噪声识别模型训练方法、图像噪声识别方法及装置 | |
US20240177499A1 (en) | Method for detecting lane lines and electronic device | |
CN117975383B (zh) | 一种基于多模态图像融合技术的车辆定位和识别方法 |
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 |