【技术实现步骤摘要】
本专利技术涉及预应力夹片瑕疵检测领域，具体涉及预应力夹片瑕疵智能检测方法。
技术介绍
1、预应力技术是道路、铁路、桥梁等基础设施建设中的主要应用技术。预应力技术在桥梁、高层建筑、水利工程、核电站等领域有广泛的应用，可以提高结构的承载能力、刚度和耐久性，减少结构的自重和材料消耗。其结构是指在其承受外部重力负荷以前，预先采用千斤顶涨拉的方法，在结构内部预先产生一种应力状态，使结构在使用时承受的重力负荷与该预先形成的应力相互抵消一部分或全部，从而推迟该结构的损伤并提高其刚度。预应力锚固件由锚环与夹片组成，其施工过程，先由千斤顶拉伸钢绞线，直至达到预应力核定载荷后，释放钢绞线，夹片锥度部分嵌入锚环孔内锁死，完成涨拉。每一段桥梁的建设即需要数十甚至上百个锚环，与之配套的夹片产品需求量则根据锚环孔数成数倍增长。由此可见，大量使用的夹片在预应力施加的过程中起着至关重要的作用，尤其是决定夹片正常工作的几个重要因素：锥度尺寸、螺纹硬度以及表面硬度。
2、目前，国外对夹片检测领域的研究，并未出现在相关学术期刊和工业实践当中，大体原因是因为预应力夹片产品多用于基础设施建设，且巨大的夹片产量基本来自中国市场。在中国预应力行业应用中，因夹片内螺纹加工瑕疵以及夹片厚度车削过度所导致的加工损伤，以及外锥面斜度偏差，是预应力施工现场出现钢绞线咬合失效的主要原因。在工业生产现场，面对巨大的夹片产量，人工作业强度大，无可避免的会产生错检或者漏检的情况。夹片在工作中，起锚固钢绞线的作用，一旦出现咬合故障，势必产生致命的结果，因此，精准快速地检测夹片螺纹均
3、在国内为数不多的夹片检测研究中，2010年湛宾洲、萧泽新等人根据夹片图像灰度分布特征，进行阈值判断缺陷类型，并设计出一部检测机，但尺寸检测算法的研究并未在该机上体现，而且并未实现自动化上下料，只能作为前期实验研究。2019年唐滔进一步完成了自动化物料上下装置，并针对传统算法在牙型缺陷检测上的难点，提出一个基于焦点损失的残差网络的牙型缺陷的深度学习识别算法，减少了因样本不平衡且难分类等导致的模型偏向性问题。但对于该牙型缺陷检测算法，仍需通过更好的分类器和特征提取方法进行更进一步的优化。同时，对于样本图片的不足量，仍存在大量样本错检漏检的误差。此外，系统识别的效率也有待于进一步提升。尽管如此，深度学习作为当下最流行的检测技术，仍体现出其高度智能化的优势，并能够辅助预应力企业完成技术升级，从而降低成本。
4、深度学习能够极大地推动了智能检测技术的发展，但需要大量的数据作为模型训练的基础，然而在实际工业生产中，直接获得准确的标定数据是比较困难的，为解决这样的问题，新的基于小数据量的神经网络算法逐渐流行，yosinskiet.al.和oquab et.al.提出了转移学习的算法，其核心方法就是将卷积神经网络的隐藏层作为小数据量的潜在特征提取器，krizhevsky et.al.运用海量图像数据卷积神经网络，仅仅训练了数千个图像进行分类和特征提取，就获得了超过六千万个参数的学习。更进一步的算法结构，包括few-shot学习，zero-shot学习以及one-shot学习，都能够大幅减少深度神经网络对数据的要求。snellet.al.和ravi et.al.针对少于10个数据样本的few-shot算法建立了模型，大量减少数据的同时对图像进行了准确的分类。romera-paredes et.al.通过zero-shot算法，获取数据训练中的特征知识，并对一组新的类自行推断并进行事件分类。one-shot学习，特别是siamese神经网络结构算法的运用，在单样本数据条件下，进行特征识别。shaban et.al.对于给定的一小组标定图像信息的数据学习生成了一个fcn模型，通过对图像的语义分割，实现了对未知密集像素图像新的语义分类识别，并证明了one-shot学习算法在图像识别中的有效性，以及在工业产品检测中高效应用的潜力。在最近的一项研究中，aditya et.al.提出了一个one-shot学习算法，首次应用于钢表面的损伤检测。结果表明，在减少大量训练数据的同时，单样本图像识别算法可以有效识别钢表面的各种损伤形式。该研究的成功也为自动化生产线上进行实时产品质量检测提供了算法依据，也将该算法应用于医药，交通，以及焊接领域。
5、尽管one-shot算法取得了相当的研究成果，但该算法仍然需要一定数量的标注数据进行训练，同时，该算法复杂的计算过程制约了工业实际应用，其较差的泛化能力也会导致遇到与训练数据不同的新数据而引起的错误预测。yolo(you only look once)是一种使用神经网络进行实时目标检测的算法，因其识别速度快、准确性高而受到欢迎，并被广泛用于检测交通信号、人、停车计时器和动物。其工作原理是将目标检测视为一个回归问题，直接从图像像素预测边界框和类别概率，使得yolo能够在单次运行中处理整个图像，从而实现快速和实时的目标检测。相比于one-shot，yolo具备强大的泛化能力，同时，识别速度快，准确定高。
技术实现思路
1、本专利技术提出一种预应力夹片瑕疵智能检测方法。
2、技术方案包括以下步骤：
3、(1)在机加工生产线采集螺纹缺失、外锥斜度的次品样本照片；
4、(2)使用labelimg对夹片螺纹缺失、外锥斜度进行标定，在定点位置继续采集螺纹缺失和外锥斜度的图像样本；
5、(3)将步骤(2)中采集的图像样本导入训练yolo模型，进行训练和验证；
6、(4)训练完毕后对不同样本进行识别；
7、(5)识别瑕疵后，利用plc控制器将瑕疵样品退出流水线。
8、优选地，步骤(1)中采集次品样本照片在机加工生产线热处理前进行。
9、优选地，步骤(2)中，在对外锥斜度进行标定时给出相应的角度轨迹，使得夹片能够进行外锥角度对比，然后通过两点确定一直线，对两点轨迹重合处进行标定。
10、优选地，步骤(2)中采样图像样本需要添加背景灯补光。
11、优选地，步骤(2)中定点位置指在与训练样本在同一背光、同一距离下采集生产线上的图像。
12、优选地，步骤(3)中训练yolo模型具体过程为：把步骤(2)中标定的图像数据结果放入datasets文件夹，在yolo主程序的yaml文件中，定义数据结果的路径，以及瑕疵的标签名，然后进行训练和验证。
13、与现有技术相比，本专利技术的有益效果：本专利技术采用yolo算法模型对预应力夹片螺纹缺失、外锥斜度进行检测，提升工业界的生产效率以及检测效率，同时也弥补了图像样本不足所带来的不便。
本文档来自技高网...【技术保护点】
1.预应力夹片瑕疵智能检测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的预应力夹片瑕疵智能检测方法，其特征在于，步骤(1)中采集次品样本照片在机加工生产线热处理前进行。
3.根据权利要求1所述的预应力夹片瑕疵智能检测方法，其特征在于，步骤(2)中，在对外锥斜度进行标定时给出相应的角度轨迹，使得夹片能够进行外锥角度对比，然后通过两点确定一直线，对两点轨迹重合处进行标定。
4.根据权利要求1所述的预应力夹片瑕疵智能检测方法，其特征在于，步骤(2)中采样图像样本需要添加背景灯补光。
5.根据权利要求1所述的预应力夹片瑕疵智能检测方法，其特征在于，步骤(2)中定点位置指在与训练样本在同一背光、同一距离下采集生产线上的图像。
6.根据权利要求1所述的预应力夹片瑕疵智能检测方法，其特征在于，步骤(3)中训练YOLO模型具体过程为：把步骤(2)中标定的图像数据结果放入datasets文件夹，在yolo主程序的yaml文件中，定义数据结果的路径，以及瑕疵的标签名，然后进行训练和验证。
7.基于YOLO算法模型对预
...【技术特征摘要】
1.预应力夹片瑕疵智能检测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的预应力夹片瑕疵智能检测方法，其特征在于，步骤(1)中采集次品样本照片在机加工生产线热处理前进行。
3.根据权利要求1所述的预应力夹片瑕疵智能检测方法，其特征在于，步骤(2)中，在对外锥斜度进行标定时给出相应的角度轨迹，使得夹片能够进行外锥角度对比，然后通过两点确定一直线，对两点轨迹重合处进行标定。
4.根据权利要求1所述的预应力夹片瑕疵智能检测方法，其特征在于，步骤(2)中采样图像样本需要添加背...
【专利技术属性】
技术研发人员：姚擎宇，陈永方，王增胜，肖娜，吴春阳，
申请(专利权)人：黄河科技学院，
类型：发明
国别省市：
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。