通过基于深度学习的检测与跟踪集成实现基于图像的螺栓松动监测
计算机视觉与模式识别
2021-11-18 v1 计算机与社会
摘要
结构螺栓是用于不同结构构件（如梁柱连接和摩擦阻尼装置）的关键组件。结构螺栓中的夹紧力受螺栓转动的极大影响。现有许多关于螺栓转动估计的视觉研究依赖于诸如Hough变换等传统计算机视觉算法来评估螺栓的静态图像。这需要仔细的图像预处理，并且在复杂的螺栓组件或存在周围物体和背景噪声的情况下可能表现不佳，从而阻碍了其现实应用。在本研究中，提出了一种集成实时检测-跟踪方法，即RTDT-Bolt，用于监测螺栓转动角度。首先，建立并训练了一个基于实时卷积神经网络的目标检测器，名为YOLOv3-tiny，用于定位结构螺栓。然后，实现了基于光流的无目标物体跟踪算法，以连续监测和量化结构螺栓的转动。为了增强跟踪过程中对抗背景噪声和潜在光照变化的跟踪性能，将YOLOv3-tiny与光流跟踪算法集成，以便在跟踪丢失时重新检测螺栓。进行了广泛的参数研究以确定最佳跟踪性能并检查潜在的局限性。结果表明，RTDT-Bolt方法能够大幅提升螺栓转动的跟踪性能，在使用推荐参数范围的情况下可实现超过90%的准确率。
引用
@article{arxiv.2111.09117,
title = {Image-based monitoring of bolt loosening through deep-learning-based integrated detection and tracking},
author = {Xiao Pan and T. Y. Yang},
journal= {arXiv preprint arXiv:2111.09117},
year = {2021}
}
备注
15 pages, 11 figures, accepted in Journal of Computer Aided Civil and Infrastructure Engineering, 2021