一种钢桥高强螺栓信息化管理方法技术

一种钢桥高强螺栓信息化管理方法，采集数据集，搭建基于全卷积神经网络的螺栓中心点识别模型，将训练好的模型搭载到小型计算单元上；终拧前将螺栓节点面板的整体图像输入到模型中，识别出节点板螺栓分布情况；扫描二维码，确认二维码与扫描结果与模型识别结果对应；每施拧一颗螺栓采集对应的图像，识别出当前施拧螺栓所在行数列数；将螺栓图像与其所对应的编号、终拧角度、终拧扭矩、节点板编号输入高强度螺栓施工管理系统进行逐个对应。本发明专利技术解决现场施工质量的管理缺乏整体性、缺乏关联性、施工溯源性差等问题，实现钢桥高强度螺栓在施工、运营阶段进行逐颗螺栓施工信息的快速查询。询。询。

【技术实现步骤摘要】
一种钢桥高强螺栓信息化管理方法


[0001]本专利技术属于钢桥施工管理领域，涉及一种钢桥螺栓信息化管理的方法；更具体地，是涉及一种基于计算机视觉的钢桥螺栓和智能定扭矩电动扳手的钢桥高强螺栓信息化管理方法。

技术介绍

[0002]钢结构具有自重较轻、承载能力较强、可装配化施工、可回收性好等优点，在各类桥梁的建设中钢结构的使用越来越广泛；高强螺栓连接因施工简便、可替换、承载力高等优点逐步取代传统铆接、焊接连接方式，成为钢桥节点连接的主要连接方式；高强度螺栓松动、断裂等问题与现场安装质量有密切联系，传统高强度螺栓施工信息以纸质记录为主，过程管控信息化程度低，无法获取螺栓施拧扭矩，无法实现高效管理及螺栓信息追溯查询，在运营与维护阶段施拧信息获取困难。
[0003]在仅采用智能定扭矩电动扳手进行施工时，在实际施工过程中由于工人施工便利性等因素导致螺栓施拧顺序不一致，会导致在后期管理阶段高强度螺栓施工管理系统中所记录的终拧扭矩、终拧旋转角度无法与被施拧螺栓进行逐颗对应的问题；亟需要钢结构桥梁高强度螺栓信息化管理。
专利技术内容
[0本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种钢桥高强螺栓信息化管理方法，其特征在于，所述方法包括以下步骤：1)、图像采集及预处理：采集钢桥螺栓节点板图像，使用Photoshop图像处理软件将每张图像的尺寸裁剪到设定大小，对原始钢桥螺栓头中心点进行标注，将Mask掩模、JSON文件、原始钢桥螺栓图像整合为钢桥螺栓图像数据集，再对钢桥螺栓图像数据集进行数据增强操作得到增强后的钢桥螺栓图像数据集；2)、搭建螺栓中心点识别模型：在基于Tensorflow的Keras深度学习框架上搭建目标中心点网络，使用COCO数据集对模型进行预训练至螺栓中心点识别模型收敛；3)、训练螺栓孔识别模型：将增强后的数据集按照设定比例划分为训练集和验证集，将训练集输入预训练后的模型进行训练，采用均方误差MSE函数作为模型的目标函数，采用动态学习率，选用Adam作为优化器对模型进行训练，利用验证集选出最佳模型并将其搭载到智能定扭矩电动扳手下端的小型计算单元中；4)、使用已连接扳手的手机端app扫描二维码与节点板整体识别：初拧完成后，扫描人员二维码和施工派工单，随后使用智能定扭矩电动扳手上端的摄像头对螺栓节点板拍摄一张整体图像，将该图像输入螺栓中心点识别模型进行识别，输出当前节点板螺栓螺栓个数，与二维码扫描结果对照与确认，并对每颗螺栓进行编号；5)、终拧与拍照：使用智能定扭矩电动扳手对螺栓进行终拧，按下施拧键的同时，扳手上端的摄像头拍摄一张照片；6)、当前施拧螺栓编号识别：将摄像头所拍摄的照片输入扳手下端的小型计算单元中，识别出当前施拧螺栓的位置编号；7)、当前施拧螺栓信息记录：每施拧一颗螺栓后，使用绿框在原先拍摄的整体图像对应螺栓位置将该螺栓框出，直至该节点板所有的螺栓都被框出；将当前施拧图像、已使用绿框框选记录后的整体图像，以及每颗螺栓对用的编号、施拧旋转角度、当前节点板编号、操作人员等信息传入高强度螺栓施工管理系统；当一个节点板所传入的整体图像显示所有螺栓都已使用绿框框选出之后，智能定扭矩电动扳手上端的指示灯显示绿色。2.如权利要求1所述的一种钢桥高强螺栓信息化管理方法，其特征在于，在步骤2)中，所述螺栓中心点识别模型中，网络模型为以加深的ResNet50为特征提取网络的全卷积网络，所述结构网络包括：(1)输入大小为704*512经过预处理的三通道图片；其中Conv Block和Identity Block与ResNet一致，Denconv Block为一个带有BatchNomalization和Relu激活函数的大小为(4,4)步长为2的转置卷积核；(2)CONV1层：一个带有BatchNomalization和Relu激活函数的卷积层，卷积核的大小为7*7，步长为2，输出大小为352*256的64个特征图；一个滤波器大小为(3,3)，步长为2的最大池化层，输出大小为176*128的64个特征图；(3)CONV2层：包含一个Conv Block和两个IdentityBlock，Conv Block输出大小为256*128的256个特征图；两个Identity Block的输出皆是大小为176*128的256个特征图；(4)CONV3层：包含一个Conv Block和三个IdentityBlock，Conv Block输出大小为88*64的512个特征图；三个Identity Block的输出皆是大小为88*64的512个特征图；(5)CONV4层：包含一个Conv Block和五个IdentityBlock，Conv Block输出大小为44*32的1024个特征图；五个Identity Block的输出皆是大小为44*32的1024个特征图；
(6)CONV5层：包含一个Conv Block和两个IdentityBlock，Conv Block输出大小为22*16的2048个特征图；五个Identity Block的输出皆是大小为66*16的2048个特征图；(7)DECONV6层:包含一个Denconv Block，输出大小为44*32的256个特征图；(8)DECONV7层:包含一个Denconv Block，输出...

【专利技术属性】
技术研发人员：刘燕妮，徐鑫忠，
申请(专利权)人：杭州耐伸智能科技有限公司，
类型：发明
国别省市：