原文传递
桥梁拉索表面缺陷视觉检测系统研究
| 论文题名： | 桥梁拉索表面缺陷视觉检测系统研究 |
| 关键词： | 缺陷检测;桥梁拉索;计算机视觉;图像差分;深度学习 |
| 摘要： | 最近几年，国内外各大桥梁频频发生事故，桥梁的检修、维护等安全性问题也越来越受到各个国家的重视。斜拉桥拉索表面保护层的缺陷主要包括开裂、变形、磨损、腐蚀、老化等。传统的人工拉索检测方式费时费力，还比较危险，而现存的计算机视觉检测方法适应面窄，且普遍对光照不均的抗干扰性较差。 为了更快速准确地对斜拉索表面进行缺陷检测，本文依托于实验室的爬索机器人，设计了一套基于计算机视觉的拉索检测系统，既可以实时对拉索表面缺陷进行初步检测，又可以离线对图像进行进一步的判断和分类，还可以远程对缺陷和模型进行检测和训练。对进一步提高拉索表面缺陷检测的精度和适应性具有重要的意义。 搭建了拉索缺陷检测系统的软硬件平台，对爬索机器人携带的摄像机、无线图传等进行了硬件的选型，软件方面构建了包括图像采集、区域提取、缺陷检测等一系列流程。除了传统的图像处理技术，本文还使用改进的YOLOV3目标检测算法对拉索表面缺陷进行了更精确的检测和分类，并实现了网页端的检测及在线数据集训练。 在实时检测部分，针对以往检测算法对光照条件敏感的问题，提出了基于阈值图像差分的缺陷检测方法。首先，根据拉索图像的灰度及梯度特征，提出了基于列灰度值与GrabCut算法的区域自动提取方法；然后选择合适的算法对拉索图像进行增强；最后基于阈值差分与连通区域面积对是否存在缺陷进行判定。 在离线检测部分，首先对YOLOV3目标检测算法的模型、网络架构、损失函数等进行了介绍，然后对YOLOV3分别从速度和精度两方面进行了改进，通过合并BN层简化计算流程，通过向主干网络添加注意力机制进一步提高检测的精度，最后对模型的训练过程进行了介绍。 在云端检测部分，将实时与离线部分的检测算法与云服务器结合，基于Flask框架，使用HTML5、CSS等技术，搭建了基于B/S端的缺陷检测系统及数据集在线训练系统，并将Flask程序部署在云端服务器上，最终实现网页端拉索缺陷在线检测和云端数据集训练。 |
| 作者： | 陈家诺 |
| 专业： | 机械工程;机械电子工程 |
| 导师： | 王兴松 |
| 授予学位： | 硕士 |
| 授予学位单位： | 东南大学 |
| 学位年度： | 2022 |
检索历史
应用推荐
