地铁车底松动紧固件视觉检测算法研究OA北大核心CSTPCDEI

提高列车车底检测机器人中检测算法的适应性与准确性,对提升列车的智能化运维能力具有重要意义。针对现有紧固件检测算法中拍摄条件苛刻和防松线标记要求高等问题,提出应用于地铁车底检测机器人的紧固件松动检测算法。首先,在图像内紧固件完整且防松线无明显遮挡的情况下,采用改进的YOLOv5目标检测网络获取图片内每个紧固件目标,并将其分为3类;其次,使用DeepLabv3_plus图分割网络提取防松线图形轮廓,并将其转为二值图片;然后分别计算螺栓、螺母螺杆及金属管道接头这3类紧固件去噪后图片内两防松线的角度差、三防松线质心所接三角形内角极值以及多防松线与其最小外接矩形的面积占比,将对应计算值与拟定阈值对比,进行松动判定。最后,统计检测图片内实际松动情况,制定每类紧固件的二分类混淆矩阵,计算分析评价指标,与其他算法进行对比,并对实际地铁车底紧固件应用算法进行验证。结果显示改进YOLOv5目标检测网络模型MAP@0.5值由0.877提升至0.911,DeepLabv3_plus图像分割网络模型MIoU值高达0.950,松动判定检测所得658个紧固件MCA值分别为0.907、0.959以及0.888,表明算法可有效避免松动紧固件漏检。应用算法检测实际地铁车底各类紧固件,准确率均达90%以上。实验证明了目标检测算法改进的可行性、图像分割网络的适用性和松动判定算法的可靠性,为地铁车底紧固件松动检测智能运维工作提供重要技术支撑。