[发明专利]引入注意力机制的多尺度特征融合SSD的螺栓松动检测方法

说明书

本发明公开了一种引入注意力机制的多尺度特征融合SSD的螺栓松动检测方法：步骤1：构建螺栓数据集；步骤2：对原始SSD网络模型进行融合处理，构建得到改进型的SSD网络模型；步骤3：训练改进型的SSD网络模型，得到训练好的SSD网络模型；步骤4：采用训练好的SSD网络模型对待检测的螺栓图片进行检测，得到检测结果，为拧紧状态或松动状态。采用本发明训练好的SSD网络模型对待测螺栓图片进行松动检测，与原始SSD算法相比，在自制螺栓数据集上的平均识别精度(mAP值)从70.53％提升至73.03％，提升了2.5％，具有更高的小目标识别精度和更好的鲁棒性。

技术领域

本发明属于目标检测的人工智能技术领域，涉及一种基于SSD改进算法的螺栓松动检测方法,具体是一种引入注意力机制的多尺度特征融合SSD的螺栓松动检测方法。

背景技术

在土木工程结构中，相比于焊接和铆接，高强度螺栓连接具有安装简便、检修方便等优点。而螺栓由于自身重力、高强度的负荷状态，容易出现疲劳松动，存在很大的安全隐患。因此，对螺栓安全状态的实时检测很有必要。现有的螺栓松动检测方式有人工沿线巡检。人工巡检废人费力，且存在很大的安全隐患，最重要的是结果受人为因素影响很大。另外，还有通过计算机视觉，定点拍摄螺栓连接处照片，然后人为进行排查的方式，该方式给相关人员造成很大的工作负担。因此，在工业智能化加速推进及减员增效政策持续深化的背景下，如何做到一定范围内的高精度监测螺栓安全状态成为了企业安全生产的迫切需求。

随着人工智能技术的发展，国内外诸多学者将人工智能技术运用在图像分析领域。实际上，螺栓松动检测可以看作典型的目标检测问题。早期的目标检测算法多数是以特征提取结合分类的模式，利用梯度直方图和支持向量机等分类器对特征进行分类。随着深度学习中卷积神经网络(Convolutional Neural Network，CNN)的提出和发展，学者们开始尝试使用深度学习技术实现目标检测，基于深度学习的目标检测算法具有良好的鲁棒性，且在检测准确率与检测速度上均有较大幅度的性能提升。基于深度学习的目标检测算法主要分为two-stage和one-stage两类。two-stage检测算法是在提取出候选检测区域的基础上，通过分类和回归的方式进行目标检测。one-stage检测算法是直接通过回归的方式实现目标检测，其需要预先划定默认框，根据预测框、默认框和真实框之间的对应关系进行训练，典型代表为YOLO算法和SSD(Signal Shot Multibox Detector)算法。与two-stage检测算法相比，one-stage检测算法大幅提升了算法的时间性能。相比上述其他目标检测算法，SSD算法具有更高的检测精度和检测速度，但其对于网络的特征表达能力仍存在不足。SSD网络本身存在局限性，尤其是对土木结构中的螺栓等中小目标的检测效果一般。这是由于在识别过程中，特征图通过卷积和池化等操作后，可能丢失深层语义信息，导致对中小目标的特征提取不充分。

具体来说，常规的或者说原始SSD网络模型的主网络结构是VGG-16，通过将最后两个全连接层改为卷积层并增加4个卷积层来构造网络结构，从而将前端网络产生的特征层进行不同尺度下的特征提取。利用主干网络可以获得6个有效特征层，分别是conv4的第三次卷积的特征，fc7卷积的特征，conv8的第二次卷积的特征，conv9的第二次卷积的特征，conv10的第二次卷积的特征，conv11的第二次卷积的特征，较靠前的特征图用于检测小目标，较靠后的特征图用于检测大目标。通过对每一个特征层的处理获得每个特征层对应的三个内容，分别是：num_priors x 4的卷积用于预测该特征层上每一个网格点上每一个先验框的变化情况；num_priors x num_classes的卷积用于预测该特征层上每一个网格点上每一个预测对应的种类；每一个特征层的每一个特征点上对应的若干个先验框。利用num_priors x 4的卷积对每一个有效特征层对应的先验框进行调整获得预测框。想要获得最终的预测结果，还要对每一个预测框进行得分排序与非极大抑制筛选。这一部分基本上是所有目标检测通用的部分。在这6种规格下的特征图直接进行分类与回归，对于识别小目标的低层特征图，其感受野较小且特征非线性程度不够，无法训练到足够的精确度，而对于识别中大型目标的高层特征图，其感受野较大，但分辨率低，容易出现目标漏检等情况。