[发明专利]一种螺栓松动检测方法及装置

权利要求书

1.一种螺栓松动检测方法，其特征在于，包括：

获取待检测螺栓的二维图像数据和深度图像数据；

根据所述二维图像数据识别所述待检测螺栓的各边缘相对于水平线的测量平均角度；

将所述深度图像数据中的像素点与所述二维图像数据中的像素点进行匹配，得到像素点匹配结果，并根据所述像素点匹配结果以及待检测螺栓在所述二维图像数据中的位置，在所述深度图像数据中确定待检测螺栓所在区域；

根据所述深度图像数据中待检测螺栓所在区域的像素点计算所述待检测螺栓的测量距离；

将所述测量平均角度和所述测量距离分别与所述待检测螺栓在初始状态下的初始平均角度和初始测量距离进行比较，若所述测量平均角度与所述初始平均角度的绝对差值大于第一预设值，和/或，所述测量距离与所述初始测量距离的绝对差值大于第二预设值，判定所述待检测螺栓处于松动状态。

2.根据权利要求1所述的螺栓松动检测方法，其特征在于，根据所述二维图像数据识别所述待检测螺栓的各边缘相对于水平线的测量平均角度，包括：

将所述二维图像数据输入至预先训练的螺栓分割模型中，识别所述二维图像数据中的待检测螺栓，并对所述二维图像数据中的待检测螺栓进行分割，得到所述待检测螺栓的掩膜区域；

对所述待检测螺栓的掩膜区域进行边缘检测，并检测待检测螺栓的边缘直线，得到所述待检测螺栓各边的边缘直线方程；

根据各所述边缘直线方程与所述二维图像数据的图像像素坐标系x轴正方向之间的夹角，计算所述待检测螺栓的各边缘相对于水平线的测量平均角度。

3.根据权利要求2所述的螺栓松动检测方法，其特征在于，还包括：

所述螺栓分割模型通过对改进的Mask RCNN模型进行训练得到；

所述改进的Mask RCNN模型包括全卷积网络、特征金字塔网络、区域建议网络；

所述特征金字塔网络包括至少一个金字塔层，每个金字塔层连接有一个空洞卷积层，所述空洞卷积层包含多种不同扩张率的空洞卷积核；所述全卷积网络中包括多个卷积层和池化层；

所述全卷积网络中使用的卷积层使用多种不同扩张率的空洞卷积核；

所述区域建议网络包含不同尺寸的锚点框；

所述区域建议网络使用非极大值抑制方法筛选感兴趣区域。