[发明专利]一种基于图像识别和机器学习的螺栓松弛监测方法

说明书

本发明公开了一种基于图像识别和机器学习的螺栓松弛监测方法，首先训练支持向量机识别模型，然后采用训练好的支持向量机识别模型对被监测螺栓群的松弛情况进行定时监测。本发明相对于传统的人工、机械式螺栓检测方法省去了大量人力，不依赖于检修人员的个人经验，检测精确度较高。本发明主要使用的图像采集设备是ccd工业相机，相对于基于声、光、电等原理的接触式传感器，成本相对低廉，同时由于本发明是非接触式监测，不影响螺栓的正常工作。本发明相对于现有的图像检测技术，不需要在螺栓上添加额外标识物，对拍摄角度要求不高，适用性更广。

技术领域

本发明属于螺栓检测技术领域，具体涉及一种基于图像识别和机器学习的螺栓松弛监测方法的设计。

背景技术

螺栓是桥梁结构的重要连接构件，主要运用于钢桁架桥主桁杆件连接、高速铁路声屏障立柱与桥梁结构连接等领域。受混凝土收缩徐变、脉动风荷载、车桥耦合振动等因素影响会使螺栓松弛，从而导致的螺栓承载力损失，影响桥梁工作性能，甚至引发事故。据调查显示，目前有33.3％的桥梁病害由螺栓连接失效导致，所以螺栓检测是桥梁健康监测中非常重要的一个部分。

目前主流的螺栓松弛检测手段仍然是人工目视检测、锤击法、扭矩扳手法等，这些方法相对简单，但有诸多局限。一方面费时费力，耗费大量人工且危险；另一方面这些方法的测试准确度极大地依赖于检测人员的个人经验，不同人的检测结果离散度大，可参考性差。最近也有相关人员研发出了基于声、电、磁等接触式传感器检测法，但其价格高昂，检测结果受自然环境条件影响大，实用性不高。

现有的基于图像识别的螺栓松弛检测方法，一方面需要在螺栓连接处人为添加标记符号或标识物，符号或标识物会随时间损坏脱落，导致难以进行图像判断；另一方面对于图像采集时的角度有较高要求，一般需要采集器镜头正对螺栓捕捉正六边形栓头或螺母的转角变化，这使得桥梁上一些螺栓位置不便安装图像采集器来获得易于识别的高质量图像。

发明内容

本发明的目的是针对现有各种螺栓松弛检测方法的局限性，提出了一种基于图像识别和机器学习的螺栓松弛监测方法，能够实现自动化、免标识物地检测螺栓的松弛情况，对螺栓图像采集角度和距离宽容度高，并且能满足不同位置的螺栓松弛检测。

本发明的技术方案为：一种基于图像识别和机器学习的螺栓松弛监测方法，包括以下步骤：

S1、在被监测螺栓群附近确定图像采集器的安装点位，安装图像采集器。

S2、开启图像采集器的图像拍摄功能，分阶段随机拧松被监测螺栓群中的螺栓，摄取得到n张螺栓被拧松的螺栓群图片，n为预设样本量。

S3、对n张螺栓群图片进行图像处理与分割，提取得到螺栓群中每个螺栓的几何特征。

S4、通过螺栓群中每个螺栓的几何特征训练得到支持向量机识别模型。

S5、判断支持向量机识别模型的识别准确率是否达到预设值α，若是则进入步骤S6，否则增加预设样本量n，返回步骤S2。

S6、采用支持向量机识别模型对被监测螺栓群的松弛情况进行定时监测。

进一步地，步骤S1中图像采集器的安装点位要求图像采集器在该点位拍摄画面清晰，并能完整拍摄到螺栓群中的每个螺栓。

进一步地，步骤S3包括以下分步骤：

S31、对螺栓群图片进行图片灰度化处理，得到灰度化图片。

S32、通过高斯滤波的方式对灰度化图片进行降噪，得到降噪后图片。

S33、基于最大类间方差法选取二值化阈值，对降噪后图片进行二值化处理，得到二值化图片。

S34、采用圆形霍夫变换对二值化图片进行提取，得到螺栓群中每个螺栓的栓头中心点。