[发明专利]一种螺母-销钉状态的识别方法及相关装置

说明书

本申请公开了一种螺母‑销钉状态的识别方法及相关装置，方法包括：采用第一预置RPN网络模型对预置金具图中的部件进行识别，得到部件定位图；根据部件定位图，采用第二预置RPN网络模型对部件中的零件进行识别，得到零件定位图；根据零件定位图，通过预置梯度Hough变换法对零件中的螺母进行圆检测，得到圆心坐标和圆半径；根据零件定位图，通过预置LSD算法对零件中的销钉进行直线段检测，得到端点坐标；根据圆心坐标、圆半径和端点坐标判断对应的圆与直线段是否相交，若是，则销钉为未脱落状态，若否，则销钉为脱落状态。本申请解决了现有的螺母‑销钉状态识别准确率较低的技术问题。

技术领域

本申请涉及图像识别技术领域，尤其涉及一种螺母-销钉状态的识别方法及相关装置。

背景技术

近年来，深度学习在图像识别领域广泛应用，在电力行业，利用深度学习算法对电力部件及部件缺陷进行AI识别的效果已经得到了显著的提升，然而这类研究多是集中于绝缘子、防震锤等元件的识别以及与之有关的绝缘子缺失、自爆等缺陷的识别，对于销钉级别的AI缺陷识别相对较少。实际工作中，不同类型的部件、零件特征各异，其图片表现各不相同，致使处于不同部件、零件的螺母-销钉的成像不尽相同。目前的销钉状态的AI识别延用绝缘子、防震锤等元件的识别思路，对整张图片中的全部螺母-销钉笼统的进行识别，由于螺母在图片中所占的比例较小且分布相对分散，使得包含前景物的候选区域远远少于只包含背景的候选区域，导致实际螺母-销钉状态识别准确率仅在10％左右。

发明内容

本申请提供了一种螺母-销钉状态的识别方法及相关装置，用于解决现有的螺母-销钉状态识别技术是对整张图片进行笼统的识别，导致比例较小的螺母-销钉的状态识别准确率较低的技术问题。

有鉴于此，本申请第一方面提供了一种螺母-销钉状态的识别方法，包括：

采用第一预置RPN网络模型对预置金具图中的部件进行识别，得到部件定位图；

根据所述部件定位图，采用第二预置RPN网络模型对所述部件中的零件进行识别，得到零件定位图；

根据所述零件定位图，通过预置梯度Hough变换法对所述零件中的螺母进行圆检测，得到圆心坐标和圆半径；

根据所述零件定位图，通过预置LSD算法对所述零件中的销钉进行直线段检测，得到端点坐标；

根据所述圆心坐标、所述圆半径和所述端点坐标判断对应的圆与直线段是否相交，若是，则销钉为未脱落状态，若否，则销钉为脱落状态。

优选地，所述采用第一预置RPN网络模型对预置金具图中的部件进行识别，得到部件定位图，包括：

通过所述第一预置RPN网络模型中的边框回归层对所述预置金具图中的部件进行定位，得到类部件定位框；

通过所述第一预置RPN网络模型中的分类层对所述预置金具图中的部件和背景进行分类，得到前景部件；

根据所述类部件定位框和所述前景部件生成部件对应的部件定位图。

优选地，所述根据所述零件定位图，通过预置梯度Hough变换法对所述零件中的螺母进行圆检测，得到圆心坐标和圆半径，包括：

根据所述预置梯度Hough变换法配置所述零件中的螺母的极坐标圆方程，所述极坐标圆方程为：

x＝a+rcosθ,y＝b+rsinθ；

其中，(x,y)为当前边缘点坐标，(a,b)为预测的圆心坐标，r为预测的圆半径，θ为预置梯度方向角；

根据所述极坐标圆方程、预置角度范围和预置半径范围扫描所述零件定位图中的边缘点坐标，并对预置累加数组进行累加；

求得所述预置累加数组的最大累加值对应的所述圆心坐标和圆半径。