[发明专利]位移检测方法、装置、设备和存储介质

说明书

本申请提供一种位移检测方法、装置、设备和存储介质，该方法包括：获取待测组件的影像信息，所述待测组件包括第一部件和第二部件，所述第一部件和所述第二部件上分别设置有防松标记；识别得到所述影像信息中所述第一部件上第一段防松标记信息和所述第二部件上第二段防松标记信息；将所述第一段防松标记信息和所述第二段防松标记信息做立体空间投影处理，获得空间投影信息；根据所述空间投影信息确定与初始连接状态相比，所述第一部件与所述第二部件之间是否发生相对位移。本申请可以实时检测螺栓的松动情况，摆脱了螺栓异常样本的限制，提高了识别准确率，极大地释放人工巡检压力，有效提高巡检效率。

技术领域

本申请涉及图像处理技术领域，具体而言，涉及一种位移检测方法、装置、设备和存储介质。

背景技术

地铁列车底部是地铁检修任务中不可缺少的检修对象。列车底部有转向架、轮对、蓄电池等众多关键部件，巡检工作人员在检修沟道对车底关键部件逐一进行检查，保障列车出行安全。其中，螺栓紧固件在各个关键部件中起着非常重要的作用，检测螺栓是否松动是巡检任务中的重中之重。

通常，一辆地铁列车车底有约几千个螺栓结构，巡检项目多且繁重；而且巡检工作人员对一辆车的巡检有较严格的时间效率要求，长时间的巡检容易产生疲倦，因此人工巡检难免会造成误检，给列车留下安全隐患。

现有的螺栓检测技术中常用到图像检测法，原理是依赖螺栓的防松线标志，然后根据图像判断螺帽和底座的防松线是否错位。常见的图像检测法有基于模板图像的比对方法和基于神经网络的图像分类方法。基于模板图像的比对方法，需要事先针对每一个螺栓制作模板图像，再用模板图与巡检图比较得出检测结论。该方法依赖图像配准的精度，容易受列车底部灰尘和光照等影响；基于深度学习的图像分类算法，需要收集尽可能多的正常、异常螺栓样本进行训练。但是实际中异常的螺栓样本严重缺乏，导致深度网络对异常螺栓的特征学习不充分，容易发生漏检情况。

发明内容

本申请实施例的目的在于提供一种位移检测方法、装置、设备和存储介质，能够实时检测螺栓的松动情况，摆脱了螺栓异常样本的限制，提高了识别准确率，极大地释放人工巡检压力，有效提高巡检效率。

本申请实施例第一方面提供了一种位移检测方法，包括：获取待测组件的影像信息，所述待测组件包括第一部件和第二部件，所述第一部件和所述第二部件上分别设置有防松标记；识别得到所述影像信息中所述第一部件上第一段防松标记信息和所述第二部件上第二段防松标记信息；将所述第一段防松标记信息和所述第二段防松标记信息做立体空间投影处理，获得空间投影信息；根据所述空间投影信息确定与初始连接状态相比，所述第一部件与所述第二部件之间是否发生相对位移。

于一实施例中，所述防松标记为防松线段；所述第一部件连接于所述第二部件，在初始连接状态下，所述防松线段在所述第一部件和所述第二部件的结合处连续；所述待测组件包括多个；所述识别得到所述影像信息种所述第一部件上第一段防松标记信息和所述第二部件上第二段防松标记信息包括：识别所述多个待测组件的多个影像信息，分别提取每个所述影像信息中的防松线段的数量；从所述多个影像信息中选取所述防松线段的数量大于1的候选影像集合；分别提取所述候选影像集合的每个候选影像中所述第一部件上第一段防松线信息和所述第二部件上第二段防松线信息。

于一实施例中，所述分别提取所述候选影像集合的每个候选影像中所述第一部件上第一段防松线信息和所述第二部件上第二段防松线信息包括：分别计算每个所述候选影像中面积最大的两段目标防松线之间的距离；从所述候选影像集合中选取所述两段目标防松线之间的距离大于预设阈值的目标影像集合；分别提取所述目标影像集合的每个目标影像中所述第一部件上第一段防松线信息和所述第二部件上第二段防松线信息。

于一实施例中，所述识别得到所述影像信息中所述第一部件上第一段防松标记信息，包括：获取所述第一部件上第一段防松线的最小外接矩形，将所述最小外接矩形沿着所述第一段防松线方向的中心线作为所述第一段防松线信息。