CN115375634A - 螺钉数量检测方法、装置、设备和存储介质 - Google Patents

Abstract

本申请实施例提供一种螺钉数量检测方法、装置、设备和存储介质，通过图像采集设备对待检测设备的目标区域进行图像采集，得到输入图像，通过深度残差收缩模型对输入图像进行螺钉识别，得到带有螺钉标记的输出图像，根据输出图像，确定待检测设备的目标区域的缺失螺钉数，实现了对待检测设备中缺失螺钉数的自动化检测，提高了工业生产中对设备螺钉数量的检测效率和检测准确率，不仅避免了漏钉现象的发生，还降低了检测成本。

Description

螺钉数量检测方法、装置、设备和存储介质

技术领域

本申请实施例涉及数据处理技术领域，尤其涉及一种螺钉数量检测方法、装置、设备和存储介质。

背景技术

螺钉作为一种固定零件，在冰箱等电器设备中具较大的使用量，为避免漏钉现象的发生，在电器设备生产过程中，需要对其内部的螺钉数量进行检测，以保证电器设备的可靠性满足要求。相关技术中，主要由人工抽检的方式进行螺钉的数量检测，因此，存在检测速度和准确率不高的问题。

发明内容

本申请实施例提供一种螺钉数量检测方法、装置、设备和存储介质，以解决现有技术中存在的检测速度和准确率不高的问题。

第一方面，本申请实施例提供一种螺钉数量检测方法，包括：

通过图像采集设备对待检测设备的目标区域进行图像采集，得到输入图像；

通过深度残差收缩模型对所述输入图像进行螺钉识别，得到带有螺钉标记的输出图像；

根据所述输出图像，确定所述目标区域的缺失螺钉数。

第二方面，本申请实施例提供一种螺钉数量检测装置，包括：

获取模块，用于通过图像采集设备对待检测设备的目标区域进行图像采集，得到输入图像；

处理模块，用于通过深度残差收缩模型对所述输入图像进行螺钉识别，得到带有螺钉标记的输出图像；根据所述输出图像，确定所述目标区域的缺失螺钉数。

第三方面，本申请实施例提供一种螺钉数量检测设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述第一方面所述的螺钉数量检测方法。

第四方面，本申请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，该程序被处理器执行时实现如上述第一方面所述的螺钉数量检测方法。

本申请实施例提供的螺钉数量检测方法、装置、设备和存储介质，通过图像采集设备对待检测设备的目标区域进行图像采集，得到输入图像，通过深度残差收缩模型对输入图像进行螺钉识别，得到带有螺钉标记的输出图像，根据输出图像，确定待检测设备的目标区域的缺失螺钉数，实现了对待检测设备中缺失螺钉数的自动化检测，与传统的人工检测方式相比，大大提高了工业生产中对设备螺钉数量的检测效率和检测准确率，不仅避免了漏钉现象的发生，还降低了检测成本。

应当理解，本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征，也不用于限制本发明的范围。本发明的其它特征将通过以下的说明书而变得容易理解。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例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他的附图。

图1为本申请实施例一提供的一种螺钉数量检测方法的流程示意图；

图2为本申请实施例一提供的一种螺钉数量检测***的结构示意图；

图3为本申请实施例二提供的一种深度残差收缩模型训练方法的流程示意图；

图4为本申请实施例二提供的一种获取样本数据集的流程示意图；

图5为本申请实施例二提供的一种深度残差收缩模块的结构示意图；

图6为本申请实施例二提供的一种深度残差收缩网络的结构示意图；

图7为本申请实施例二提供的一种深度残差收缩模型的训练流程示意图；

图8为本申请实施例三提供的一种螺钉数量检测装置的结构示意图；

图9为本申请实施例四提供的一种螺钉数量检测设备的结构示意图。

具体实施方式

为了使本技术领域的人员更好地理解本发明方案，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的实施例，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他实施例，都应当属于本发明保护的范围。

需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、***、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

基于传统方案中存在的技术问题，本申请实施例中基于软阈值化函数和注意力机制，构建深度残差收缩网络，通过电器设备(如冰箱)内部多样性的螺钉图像对深度残差收缩网络进行训练，测试并调整生成最佳的参数模型，从而得到应用于螺钉检测的深度残差收缩模型。通过深度残差收缩模型对电器设备(如冰箱)内部图像进行检测，并对螺钉进行计数，计算出缺失螺钉的个数，实现对电器设备(如冰箱)内部的螺钉数量的查缺补漏，使电器设备(如冰箱)的工业生产流程更加方便简洁高效。

实施例一

示例性地，图1为本申请实施例一提供的一种螺钉数量检测方法的流程示意图，本实施例的方法可以由本申请实施例所提供的螺钉数量检测装置执行，该装置可以由软件和/或硬件的方式来实现，并可集成于螺钉数量检测设备中。如图1所示，本实施例的螺钉数量检测方法，包括：

S101、通过图像采集设备对待检测设备的目标区域进行图像采集，得到输入图像。

本实施例中，示例性地，图2为本申请实施例一提供的一种螺钉数量检测***的结构示意图，螺钉数量检测设备与图像采集设备通信连接，其中，螺钉数量检测设备可以为服务器、计算机或智能终端等螺钉数量检测设备，图像采集设备可以为摄像头，根据需求，图像采集设备的位置可以固定，也可以发生移动。

其中，目标区域是待检测设备内部的一个或多个设置有螺钉的区域，例如侧壁、顶部或顶部等，对于特定的待检测设备，在一次检测过程中，其目标区域是确定已知的。

在一些实施例中，在进行螺钉数量检测时，螺钉数量检测设备向图像采集设备发送控制指令，当图像采集设备接收到控制指令时，执行图像采集的动作，并将采集到的图像发送给螺钉数量检测设备，从而实现待检测设备图像的获取。

在一些实施例中，在进行螺钉数量检测时，螺钉数量检测设备先向图像采集设备发送第一控制指令，以控制图像采集设备移动到目标位置，再向图像采集设备发送第二控制指令，以控制图像采集设备对待检测设备的目标区域执行图像采集的动作，从而实现对待检测设备图像的获取。

其中，输入图像可以为图片，也可以为视频。

S102、通过深度残差收缩模型对输入图像进行螺钉识别，得到带有螺钉标记的输出图像。

本步骤中，通过将S101中得到的图像输入到的深度残差收缩模型，由深度残差收缩模型对先对输入图像中螺钉进行识别，确定螺钉在输入图像中的像素位置，再采用预先定义的螺钉标记在输入图像中包含螺钉的位置进行打标，得到带有螺钉标记的图像并输出，即输出图像。

在一种可能的实施方式中，深度残差收缩模型通过先对输入图像进行高斯滤波，并通过求取输入图像的边界特征，再按照螺钉定义的特征值，对获取的边界进行形态学开运算，筛选出螺钉的边界，最后，基于螺钉的边界，计算出图像中包含的螺钉像素坐标。

其中，螺钉标记用于将输入图像中包含的螺钉标记出来，具体采用哪种螺钉标记可以根据实际情况进行设定，示例性地，可以采用红色圆圈作为螺钉标记，相应地，在识别出输入图像中包含的一个或多个螺钉后，深度残差收缩模型通过在输入图像中存在螺钉的位置处打红色圆圈，完成螺钉标记。

深度残差收缩模型是预先采用大量的样本数据对深度残差收缩网络进行训练得到的，深度残差收缩网络中集成了注意力机制和软阈值函数，通过注意力机制关注输入图像中感兴趣区域的与螺钉相关的特殊，用软阈值函数把与螺钉关系不大的特征置为零，从而达到去除图像噪音的效果，从而提高螺钉的识别的准确率。

S103、根据输出图像，确定待检测设备的缺失螺钉数。

示例性，可以先根据深度残差收缩模型的输出图像确定待检测设备的实际具有的螺钉数目(即实际螺钉数)，再根据实际螺钉数与待检测设备的理论上应该具体的螺钉数目(即理论螺钉数)，确定待检测设备的缺失的螺钉数目(即缺失螺钉数)。可以理解的是，螺钉数量检测设备上事先存储有待检测设备的理论螺钉数。

在一种可能的实施方式中，先通过对输出图像中的螺钉标记进行计数，确定待检测设备的实际螺钉数，再通过将理论螺钉数与实际螺钉数作差，得到待检测设备的缺失螺钉数。

可选地，采用OpenCV对输出图像中的螺钉标记进行计数。

本实施例中，通过图像采集设备对待检测设备的目标区域进行图像采集，得到输入图像，通过深度残差收缩模型对输入图像进行螺钉识别，得到带有螺钉标记的输出图像，根据输出图像，确定待检测设备的目标区域的缺失螺钉数，实现了对待检测设备中缺失螺钉数的自动化检测，与传统的人工检测方式相比，大大提高了工业生产中对设备螺钉数量的检测效率和检测准确率，不仅避免了漏钉现象的发生，还降低了检测成本。

实施例二

下面将一个具体的实施例对深度残差收缩模型的构建过程加以说明，示例性地，图3为本申请实施例二提供的一种深度残差收缩模型训练方法的流程示意图，如图3所示，本实施例中的深度残差收缩模型训练方法包括：

S301、获取样本数据集。

本步骤中，获取用于深度残差收缩模型的样本数据集，样本数据集中包括大量的样本图像。

在一种可能的实施方式中，示例性地，图4为本申请实施例二提供的一种获取样本数据集的流程示意图，如图4所示，本实施例中通过如下步骤进行样本数据集的获取：

S3011、通过图像采集设备在不同视野场景下对样本设备的目标位置进行图像采集，得到原始数据集。

由于实际检测场景中，受图像采集设备的位置以及光线等环境因素差异的影响，图像采集设备采集到的图像大小、像素等也可能不同，因此，为保证深度残差收缩模型在各种情况下都能进行螺钉的识别，提高深度残差收缩模型的螺钉识别能力，本步骤中，通过图像采集设备在不同视野场景下对样本设备的目标区域进行图像采集，得到不同视野场景下的样本图像。

为便于区分，本实施例中，将图像采集设备在不同视野场景采集得到样本图像的集合，叫做原始数据集。

其中，样本设备与待检测设备为同一种设备，例如，样本设备与待检测设备均为冰箱，且两者的型号相同。可以理解的是，样本设备与待检测设备均为加工过程如的设备，如没有外壳包裹的冰箱。

示例性地，本步骤中采用专门的摄像机采集工业冰箱侧壁的图片，得到不同视野场景下冰箱侧壁的图片N张，形成原始数据集。

可选地，原始数据集中样本图像的数量与设置的视野场景数相同。

S3012、对原始数据集中的样本图像进行图像增强处理，得到扩展数据集。

由于S3011中得到原始数据集中样本图像的所涉及到的场景有限，因此，本步骤中，通过对原始数据集中的样本图像进行图像增强处理，以扩大和丰富深度残差收缩模型的样本数据。

为便于区分，本实施例中，将通过图像增强处理得到的样本图像的集合，叫做扩展数据集。

在一种可能的实施方式中，采用OpenCV-Python对原始数据集中的样本图像进行图像增强处理，得到扩展数据集。

可选地，图像增强处理包括灰度化、几何变换、更改对比度、垂直翻转和水平翻转、随机旋转和随机裁剪中的至少一种。

可以理解的是，通过任意一种图像增强处理方法都可以在原始样本图像基础上得到多张扩展样本图像，例如，在通过灰度化对原始样本图像A进行图像增强处理时，通过设置n个灰度值，就可以到得到原始样本图像A的n张扩展样本图像A1、A2、……、An。

S3013、根据原始数据集和扩展数据集，得到样本数据集。

本步骤中，将S3011中通过图像采集设备采集到的原始样本图像与S3012中通过图像增强处理得到的扩展样本图像进行融合，从而得到深度残差收缩模块的样本数据。

本步骤中，在去重的基础上，对原始数据集和扩展数据集中的样本图像进行合并，得到样本数据集，从而剔除冗余的样本图像，保证深度残差收缩模块的训练效果。

在一种可能的实施方式中，本步骤中，先对原始数据集和扩展数据集中的样本图像进行去重处理，包括原始数据集内部去重(对原始数据集中相似度较高的原始样本图像做去重处理)、扩展数据集内部去重(对扩展数据集中相似度较高的扩展样本图像做去重处理)以及原始数据集与扩展数据集之间去重(原始数据集与扩展数据集之间相似度较高的样本图像做去重处理)，再对去重后的原始数据集和扩展数据集中的样本图像进行合并，得到深度残差收缩模块的样本数据集。

在另一种可能的实施方式中，也可以先对原始数据集中的原始样本图像进行去重处理，再基于去重后的原始数据集进行图像增强处理，得到扩展数据集，然后，再对扩展数据集中的扩展样本数据进行去重处理，最后，对去重后的原始数据集和扩展数据集中的样本图像进行合并，得到深度残差收缩模块的样本数据集。

S302、基于深度残差网络，根据软阈值函数和注意力机制，构建深度残差收缩网络。

针对工业检测过程中得到的输入图像中往往含有大量噪声的问题，本申请实施例中，基于深度残差网络、软阈值函数和注意力机制进行深度残差收缩网络的构建。

本实施例中的深度残差收缩网络中包括多个深度残差收缩模块，深度残差收缩模块，是通过在深度残差模块中引入注意力机制和软阈值化得到的，传统的深度残差模块中包括2个批标准化层、2个激活函数层、2个卷积层和恒等映射，示例性地，图5为本申请实施例二提供的一种深度残差收缩模块的结构示意图，如图5所示，本实施例中在传统的深度残差模块中引入软件阈值函数作为非线性层，并基于注意力机制设计一个1个自动设置软阈值函数所需阈值的小型子网络，以为特征图的不同通道赋予不同的阈值，得到深度残差收缩模块。

在图5中，C表示特征图的通道数，W表示特征图的宽度，1表示特征图的高度始终为1(输入图像为平面图像)，K表示卷积层中卷积核的个数，本实施例中，通过设置K＝C，保证经过2个批标准化层、2个激活函数层、2个卷积层之后的输入特征图的尺寸与输入特征图的尺寸相等。M表示全连接层中的神经元的个数，M＝C表示神经元的个数下特征图的通道数相等。

本实施例中，深度残差收缩模块通过注意力机制关注特征图的感兴趣区域中与螺钉相关的重要特征，通过软阈值函数把特征图的感兴趣区域中与螺钉不相关的非重要特征置为零，从而深度残差收缩网络的抗噪声能力，能达到去除输入图像中噪音的效果，有利于提高检测的准确率。

可选地，本实施例中，深度残差收缩网络中的深度残差收缩模块为34个，在对螺钉进行识别的同时，能够兼顾识别速度。

示例性地，图6为本申请实施例二提供的一种深度残差收缩网络的结构示意图，如图6所示，本实施例中通过在多个深度残差收缩模块之前设置输入层和卷积层，并在多个深度残差收缩模块之后依次设置批标准化层、激活函数层、全局均值池化层和全连接输出层，就可以得到深度残差收缩网络。

可以理解的是，S301与S302之间没有先后顺序之分，在一些实施例中，也可以先进行深度残差收缩网络的构建，再进行样本数据集的获取，在另一些实施例中，样本数据集的获取与深度残差收缩网络的构建可以同时进行，此处不做限制。

S303、通过样本数据集中的样本图像对深度残差收缩网络进行训练，得到深度残差收缩模型。

本步骤中，通过采用S301中获取到的样本数据集中的全量的样本图像对S302中构建得到的深度残差收缩网络进行训练，得到满足使需求的模型参数，从而形成深度残差收缩模型。

示例性地，图7为本申请实施例二提供的一种深度残差收缩模型的训练流程示意图，如图7所示，本实施例中可通过如下步骤进行深度残差收缩模型的训练：

S3031、按照预设比例将样本数据集拆分为训练集和测试集。

为提高深度残差收缩模型的螺钉识别准确率，为实施例中，深度残差收缩模型的训练过程分为训练和测试两个阶段，其中，训练阶段用于得到深度残差收缩模型的初始模型参数，测试阶段用于对初始模型参数进行调整，从而得到最佳的模型参数。为此，本步骤中，需要先对样本数据集进行拆分，得到训练用样本图像和测试用样本图像两部分。

为便于区分，本实施例中，将由训练用样本图像构成的集合，叫做训练集，将由测试用样本图像构成的集合，叫做测试集。

在一种可能的实施方式中，按照7比3的比例将样本数据集中样本图像进行重新分配，得到训练集和测试集。

S3032、通过标注工具对训练集中样本图像所包含的螺钉进行标注，得到训练数据。

为使深度残差收缩模型具有从输入图像中识别出螺钉并进行标注的功能，本实施例中，需要通过标注工具对训练集中样本图像所包含的螺钉进行标注，得到包括训练集中样本图像、螺钉位置信息和标签等文件的训练数据，再以训练数据作为输入，对深度残差收缩网络进行训练。

在一种可能的实施方式中，采用Lableme标注工具对训练集中训练样本图像中的螺钉进行标注，并生成包含螺钉位置信息的Json子文件。

在一种可能的实施方式中，采用Labelme中的Json_to_dataset方法将各训练样本图像对应的Json子文件进行合并，得到Json文件。

其中，训练数据中的标签为螺钉的标签。

S3033、将训练数据输入到深度残差收缩网络中，以使深度残差收缩网络通过自适应特征学习，生成的模型参数。

本步骤中，将S3033中得到训练数据输入到深度残差收缩网络中，以使深度残差收缩网络进行特征提取和自适应特征学习，生成的初始模型参数并保存，得到初始模型。

S3034、根据测试集中的样本图像，对模型参数进行调整，直到损失函数收敛，得到深度残差收缩模型。

本步骤中，将测试集中的样本图像输入到S3033得到的初始模型中，得到的输出结果，并判断损失函数是否收敛，若不收敛，则根据输出结果对初始模型参数进行调整，通过不断循环迭代，直到损失函数收敛，保存损失函数收敛时对应的模型参数，得到深度残差收缩模型。

在一种可能的实施中，损失函数用于判断深度残差收缩模型识别出的螺钉是否达到预期(如识别准确率是否到某一阈值)，若达到预期，则判断损失函数收敛。

本实施例中，通过获取样本数据集，基于深度残差网络，根据软阈值函数和注意力机制，构建深度残差收缩网络，深度残差收缩网络中包括输入层、卷积层、34个深度残差收缩模块、批标准化层、激活函数层、全局均值池化层和全连接输出层，通过样本数据集中的样本图像对所述深度残差收缩网络进行训练，得到深度残差收缩模型。一方面，深度残差收缩模型通过采用软阈值化函数自动设置正数阈值，在特定的取值区间内，避免输出全部为零的情况。一方面，深度残差收缩模型通过使用注意力机制，根据每个数据样本的特点单独设置相关阈值，在特征学习的过程中剔除冗余信息，从而使得深度残差收缩模型能够适用于各种输入图像中噪声和冗余含量不同的情况，提高了深度残差收缩模型的适应能力。

实施例三

图8为本申请实施例三提供的一种螺钉数量检测装置的结构示意图，该装置可以由软件和/或硬件的方式来实现，并可集成于服务器以及智能终端等螺钉数量检测设备中。如图8所示，本实施例中螺钉数量检测装置10包括：

获取模块11和处理模块12。

获取模块11，用于通过图像采集设备对待检测设备的目标区域进行图像采集，得到输入图像；

处理模块12，用于通过深度残差收缩模型对输入图像进行螺钉识别，得到带有螺钉标记的输出图像；根据输出图像，确定目标区域的缺失螺钉数。

可选地，获取模块11还用于：

获取样本数据集；

处理模块12还用于：

基于深度残差网络，根据软阈值函数和注意力机制，构建深度残差收缩网络，深度残差收缩网络中包括输入层、卷积层、34个深度残差收缩模块、批标准化层、激活函数层、全局均值池化层和全连接输出层；通过样本数据集中的样本图像对深度残差收缩网络进行训练，得到深度残差收缩模型。

可选地，处理模块12具体用于：

按照预设比例将样本数据集拆分为训练集和测试集；

通过标注工具对训练集中样本图像所包含的螺钉进行标注，得到训练数据，训练数据中包括训练集中样本图像、螺钉位置信息和标签；

将训练数据输入到深度残差收缩网络中，以使深度残差收缩网络通过自适应特征学习，生成的模型参数；

根据测试集中的样本图像，对模型参数进行调整，直到损失函数收敛，得到深度残差收缩模型。

可选地，获取模块11具体用于：

通过图像采集设备在不同视野场景下对样本设备的目标区域进行图像采集，得到原始数据集；

对原始数据集中的样本图像进行图像增强处理，得到扩展数据集；

根据原始数据集和扩展数据集，得到样本数据集。

可选地，图像增强处理包括灰度化、几何变换、更改对比度、垂直翻转和水平翻转、随机旋转和随机裁剪中的至少一种。

可选地，获取模块11具体用于：

对原始数据集和扩展数据集中的样本图像进行去重处理；

对去重后的原始数据集和扩展数据集中的样本图像进行合并，得到样本数据集。

可选地，处理模块12具体用于：

对输出图像中的螺钉标记进行计数，确定待检测设备的实际螺钉数；

根据实际螺钉数和目标区域的理论螺钉数，确定目标区域的缺失螺钉数。

本实施例所提供的螺钉数量检测装置可执行上述方法实施例所提供的螺钉数量检测方法，具备执行方法相应的功能模块和有益效果。本实施例的实现原理和技术效果与上述方法实施例类似，此处不再一一赘述。

实施例四

图9为本申请实施例四提供的一种螺钉数量检测设备的结构示意图，如图9所示，该螺钉数量检测设备20包括存储器21、处理器22及存储在存储器上并可在处理器上运行的计算机程序；螺钉数量检测设备20中处理器22的数量可以是一个或多个，图9中以一个处理器22为例；螺钉数量检测设备20中的处理器22、存储器21可以通过总线或其他方式连接，图9中以通过总线连接为例。

存储器21作为一种计算机可读存储介质，可用于存储软件程序、计算机可执行程序以及模块，如本申请实施例中的获取模块11和处理模块12对应的程序指令/模块。处理器22通过运行存储在存储器21中的软件程序、指令以及模块，从而执行螺钉数量检测设备的各种功能应用以及数据处理，即实现上述的螺钉数量检测方法。

存储器21可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作***、至少一个功能所需的应用程序；存储数据区可存储根据终端的使用所创建的数据等。此外，存储器21可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中，存储器21可进一步包括相对于处理器22远程设置的存储器，这些远程存储器可以通过网格连接至螺钉数量检测设备。上述网格的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。

实施例五

本申请实施例五还提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序在由计算机处理器执行时用于执行一种螺钉数量检测方法，该方法包括：

通过图像采集设备对待检测设备的目标区域进行图像采集，得到输入图像；

通过深度残差收缩模型对输入图像进行螺钉识别，得到带有螺钉标记的输出图像；

根据输出图像，确定目标区域的缺失螺钉数。

当然，本申请实施例所提供的一种包计算机可读存储介质，其计算机程序不限于如上所述的方法操作，还可以执行本申请任意实施例所提供的螺钉数量检测方法中的相关操作。

通过以上关于实施方式的描述，所属领域的技术人员可以清楚地了解到，本申请可借助软件及必需的通用硬件来实现，当然也可以通过硬件实现，但很多情况下前者是更佳的实施方式。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如计算机的软盘、只读存储器(Read-Only Memory，ROM)、随机存取存储器(RandomAccess Memory，RAM)、闪存(FLASH)、硬盘或光盘等，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，或者网格设备等)执行本申请各个实施例所述的方法。

值得注意的是，上述螺钉数量检测装置的实施例中，所包括的各个单元和模块只是按照功能逻辑进行划分的，但并不局限于上述的划分，只要能够实现相应的功能即可；另外，各功能单元的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。

注意，上述仅为本申请的较佳实施例及所运用技术原理。本领域技术人员会理解，本申请不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本申请的保护范围。因此，虽然通过以上实施例对本申请进行了较为详细的说明，但是本申请不仅仅限于以上实施例，在不脱离本申请构思的情况下，还可以包括更多其他等效实施例，而本申请的范围由所附的权利要求范围决定。

Claims (10)

1.一种螺钉数量检测方法，其特征在于，包括：

通过图像采集设备对待检测设备的目标区域进行图像采集，得到输入图像；

通过深度残差收缩模型对所述输入图像进行螺钉识别，得到带有螺钉标记的输出图像；

根据所述输出图像，确定所述目标区域的缺失螺钉数。

2.根据权利要求1中所述的方法，其特征在于，所述深度残差收缩模型是通过如下方法训练得到的：

获取样本数据集；

基于深度残差网络，根据软阈值函数和注意力机制，构建深度残差收缩网络，所述深度残差收缩网络中包括输入层、卷积层、34个深度残差收缩模块、批标准化层、激活函数层、全局均值池化层和全连接输出层；

通过所述样本数据集中的样本图像对所述深度残差收缩网络进行训练，得到所述深度残差收缩模型。

3.根据权利要求2所述的方法，其特征在于，所述通过所述样本数据集中的样本图像对所述深度残差收缩网络进行训练，得到所述深度残差收缩模型，包括：

按照预设比例将所述样本数据集拆分为训练集和测试集；

通过标注工具对所述训练集中的样本图像所包含的螺钉进行标注，得到训练数据，所述训练数据中包括所述训练集中的样本图像、螺钉位置信息和标签；

将所述训练数据输入到所述深度残差收缩网络中，以使所述深度残差收缩网络通过自适应特征学习，生成的模型参数；

根据所述测试集中的样本图像，对所述模型参数进行调整，直到损失函数收敛，得到所述深度残差收缩模型。

4.根据权利要求2所述的方法，其特征在于，所述获取样本数据集，包括：

通过图像采集设备在不同视野场景下对样本设备的目标区域进行图像采集，得到原始数据集；

对所述原始数据集中的样本图像进行图像增强处理，得到扩展数据集；

根据所述原始数据集和所述扩展数据集，得到所述样本数据集。

5.根据权利要求4所述的方法，其特征在于，所述图像增强处理包括灰度化、几何变换、更改对比度、垂直翻转和水平翻转、随机旋转和随机裁剪中的至少一种。

6.根据权利要求4所述的方法，其特征在于，所述根据所述原始数据集和所述扩展数据集，得到样本数据集，包括：

对所述原始数据集和所述扩展数据集中的样本图像进行去重处理；

对去重后的原始数据集和扩展数据集中的样本图像进行合并，得到所述样本数据集。

7.根据权利要求1所述的方法，其特征在于，所述根据所述输出图像，确定所述目标区域的缺失螺钉数，包括：

对所述输出图像中的螺钉标记进行计数，确定所述待检测设备的实际螺钉数；

根据所述实际螺钉数和所述目标区域的理论螺钉数，确定所述目标区域的缺失螺钉数。

8.一种螺钉数量检测装置，其特征在于，包括：

获取模块，用于通过图像采集设备对待检测设备的目标区域进行图像采集，得到输入图像；

处理模块，用于通过深度残差收缩模型对所述输入图像进行螺钉识别，得到带有螺钉标记的输出图像；根据所述输出图像，确定所述目标区域的缺失螺钉数。

9.一种螺钉数量检测设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-7中任一所述的螺钉数量检测方法。

10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-7中任一所述的螺钉数量检测方法。

Images