【技术实现步骤摘要】
基于深度学习和霍夫变换的六边形螺栓松动检测方法
本专利技术涉及计算机视觉
，特别是涉及基于深度学习和霍夫变换的六边形螺栓松动检测方法。
技术介绍
生活中往往会使用到大量的六边形螺栓，而六边形螺栓松动问题若不能第一时间发现，可能会导致安全隐患进一步扩大，造成难以估量的损失。螺栓松动检查工作若依靠人工进行，则点多面广，工作量大，难以长期维护。更加科学合理的方法是：基于图像处理技术，在监控摄像头拍摄到的视频中，检测其中的螺栓角度，判断每一个时刻角度与最初的标定值对比后是否超过一个不可接受的阈值。设计这样一套稳定合理的螺栓松动检测系统具有相当大的意义。为完成上述功能需求，检测算法部分一般分为两步进行，第一步为定时截取视频中的一帧并计算深度特征从而得到螺栓位置，第二步为根据上一步计算得到的螺栓位置提取出螺栓图像并计算螺栓角度。近年来，深度学习技术的出现革新了目标检测的模式，提升了目标检测的精度和鲁棒性。基于深度学习的目标检测模型，由于深度神经网络能够自主学习不同层级的特征，相比于传统手工设计特征，学习的特征更丰富，特征表达能力更强。目前，基于深度学习的目标检测方法主要...
【技术保护点】
1.基于深度学习和霍夫变换的六边形螺栓松动检测方法，其计算处理步骤如下，其特征在于：使用深度学习技术，通过基于区域的全卷积神经网络目标检测算法实现螺栓松动的检测，方法包括如下步骤：(1)先对输入图片计算深度特征从而得到螺栓位置，(2)再在原图片中根据得到的螺栓位置提取出螺栓图像并计算螺栓角度。
【技术特征摘要】
1.基于深度学习和霍夫变换的六边形螺栓松动检测方法，其计算处理步骤如下，其特征在于：使用深度学习技术，通过基于区域的全卷积神经网络目标检测算法实现螺栓松动的检测，方法包括如下步骤：(1)先对输入图片计算深度特征从而得到螺栓位置，(2)再在原图片中根据得到的螺栓位置提取出螺栓图像并计算螺栓角度。2.根据权利要求1所述的基于深度学习和霍夫变换的六边形螺栓松动检测方法，其特征在于：所述步骤(1)中使用采用深度学习中基于区域的全卷积神经网络目标检测算法将螺栓位置提取出来，具体步骤为：步骤2.1：训练基于区域的全卷积神经网络神经网络，主干网络使用101层残差网络，去掉原始残差网络的最后一层全连接层，保留前100层，再接一个1*1*1024的全卷积层，残差网络的输出是W*H*1024；步骤2.2：根据残差网络输出的特征图利用区域提名神经网络计算出2000个左右的候选框，同时用k*k*(C+1)个1024*1*1的卷积核去卷积残差网络输出特征图得到k*k*(C+1)个大小为W*H的位置敏感得分图，k＝3，表示把一个兴趣区域划分成3*3块，对于k*k＝9块，每块(W*H*(C+1))表示的是不同位置存在目标的概率值，共有k*k*(C+1)个特征图，每个特征图，z(i,j,c)是第i+k(j-1)个立体块上的第c个图(1<＝i,j<＝3)，(i,j)决定了9种位置的某一种位置，假设为左上角位置(i＝j＝1)，c决定了哪一类，假设为螺栓类，在z(i,j,c)这个特征图上的某一个像素的位置是(x,y)，像素值是v，则v表示的是原图对应的(x,y)这个位置上可能是螺栓(c＝‘螺栓’)且是螺栓的左上部位(i＝j＝1)的概率值；步骤2.3：将候选框中图片兴趣区域池化，思路是不论对多大的兴趣区域，规定在上面画一个n*n个bin的网格，每个网格里的所有像素值做一个池化，这样不论图像多大，池化后的兴趣区域特征维度都是n*n，RoI池化是每个特征图单独做，不是多个通道一起的，若有C个类，兴趣区域的宽度是W'，高度是H'，则兴趣区域池化操作的输入是k*k*(C+1)*W'*H'的得分图上某兴趣区域对应的那个立体块，且该立体块组成一个新的k*k*(C+1)*W'*H'的立体块：每个立体块(C+1)都只抠出对应位置的一个bin，把这k*k个bin组成新的立体块，大小为(C+1)*W'*H'，兴趣区域池化的输出为一个(C+1)*k*k的立体块；对于第(i,j)个bin，定义位置敏感的兴趣区域池化仅在第(i,j)得分图上进行池化：池化后进行分类的投票，k*k个bin直接进行求和，得到每一类的得分，并进行柔性最大得到每类的最终得分，并用于计算损失，对于每一个兴趣区域：类别的柔性最大响应为:损...
【专利技术属性】
技术研发人员：杨绿溪，廖如天，王驭扬，张旭帆，邓亭强，
申请(专利权)人：东南大学，
类型：发明
国别省市：江苏,32
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。