螺栓缺陷识别方法、装置、计算机设备和存储介质与流程

1.本技术涉及机器视觉技术领域，特别是涉及一种螺栓缺陷识别方法、装置、计算机设备、存储介质和计算机程序产品。


背景技术：

2.螺栓连接节点是钢结构构件的主要连接部件之一。螺栓连接节点在长期服役期间由于温度变化、反复振动等因素影响而可能造成螺栓脱落、松动和滑移等缺陷。
3.为了避免更加严重的结构安全事件发生，需要及时对螺栓缺陷进行检测和识别。传统的检测方法有接触式传感器检测和基于深度学习的螺栓缺陷识别算法，但接触式传感器对外部环境敏感，且传感器的部署和维护成本高昂；而且，目前的基于深度学习的螺栓缺陷识别算法需要大量的缺陷图像作为训练样本，在实际应用中难以采集到大量的缺陷样本，进而导致现有的机器识别算法泛化能力不足，识别准确度还有待提高。


技术实现要素：

4.基于此，有必要针对上述技术问题，提供一种螺栓缺陷识别方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。
5.第一方面，本技术提供了一种螺栓缺陷识别方法。所述方法包括：
6.获取待检测节点板图像；
7.利用参考点检测模型提取所述待检测节点板图像中的参考角点；
8.利用透视变换算法对包含所述参考角点的所述待检测节点板图像进行透视变换，得到校正图像；
9.基于标准螺栓节点板的标准螺栓区域信息从所述校正图像中提取待检测螺栓区域图像；
10.采用预先构建的螺栓缺陷识别模型针对所述待检测螺栓区域图像进行识别，得到每个所述待检测螺栓区域图像的识别结果。
11.在其中一个实施例中，所述采用预先构建的螺栓缺陷识别模型针对所述待检测螺栓区域图像进行识别，得到每个所述待检测螺栓区域图像的识别结果，包括：
12.采用所述预先构建的螺栓缺陷识别模型针对所述待检测螺栓区域图像进行特征提取，得到螺栓特征矩阵；
13.计算所述螺栓特征矩阵与预设的螺栓样本数据库中的各个样本矩阵的距离，搜索得到最小距离；
14.将所述最小距离对应的样本矩阵所属的螺栓缺陷类别作为所述待检测螺栓区域图像的识别结果。
15.在其中一个实施例中，所述参考点检测模型包括语义分割模型、harris角点检测模型和k-means聚类模型；所述利用参考点检测模型提取所述待检测节点板图像中的参考角点，包括：
16.利用所述语义分割模型针对所述待检测节点板图像进行处理，得到掩码图像；
17.利用所述harris角点检测模型从所述掩码图像中提取得到多个角点；
18.利用所述k-means聚类模型对所述多个角点进行聚类，得到所述参考角点。
19.在其中一个实施例中，所述方法还包括：
20.获取节点板图像样本集；其中，所述节点板图像样本集中携带螺栓标记；
21.利用所述节点板图像样本集对语义分割基础模型进行训练，得到所述语义分割模型。
22.在其中一个实施例中，所述获取节点板图像样本集，包括：
23.获取原始节点板图像样本集；
24.针对所述原始节点板图像样本集进行预处理，得到所述节点板图像样本集；其中所述预处理包括图像翻转、透视变换、随机旋转、直方图均衡化、添加高斯噪声、gamma变换、随机遮挡中的至少一种。
25.在其中一个实施例中，所述识别结果包括螺栓正常、螺栓脱落、螺栓松动和螺栓滑移。
26.第二方面，本技术还提供了一种螺栓缺陷识别装置。所述装置包括：
27.图像获取模块，用于获取待检测节点板图像；
28.参考角点提取模块，用于利用参考点检测模型提取所述待检测节点板图像中的参考角点；
29.图像校正模块，用于利用透视变换算法对包含所述参考角点的所述待检测节点板图像进行透视变换，得到校正图像；
30.螺栓区域提取模块，用于基于标准螺栓节点板的标准螺栓区域信息从所述校正图像中提取待检测螺栓区域图像；
31.缺陷识别模块，用于采用预先构建的螺栓缺陷识别模型针对所述待检测螺栓区域图像进行识别，得到每个所述待检测螺栓区域图像的识别结果。
32.第三方面，本技术还提供了一种计算机设备。所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述螺栓缺陷识别方法实施例中的步骤。
33.第四方面，本技术还提供了一种计算机可读存储介质。所述计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以实现上述螺栓缺陷识别方法实施例中的步骤。
34.第五方面，本技术还提供了一种计算机程序产品。所述计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述螺栓缺陷识别方法实施例中的步骤。
35.上述螺栓缺陷识别方法、装置、计算机设备、存储介质和计算机程序产品，获取待检测节点板图像；利用参考点检测模型提取待检测节点板图像中的标准参考点；利用透视变换算法对包含标准参考点的待检测节点板进行透视变换，得到校正图像；基于标准螺栓节点板的标准螺栓区域信息从校正图像中提取待检测螺栓区域图像；采用预先构建的螺栓缺陷识别模型针对待检测螺栓区域图像进行识别，得到每个待检测螺栓区域图像的识别结果。本技术能够通过机器视觉技术从待检测节点板图像中自动定位待检测螺栓区域图像，并能识别出不同的螺栓缺陷类型，提高了螺栓缺陷检测效率。且其使用的螺栓缺陷识别模
型是基于主成分分析算法构建的，因此不需要大量的训练样本就能实现准确的螺栓缺陷类型识别，提高了模型的泛化能力。
附图说明
36.图1为一个实施例中螺栓缺陷识别方法的应用环境图；
37.图2为一个实施例中螺栓缺陷识别方法的流程示意图；
38.图3为一个实施例中螺栓节点板图像的标准示意图；
39.图4为一个实施例中掩码图像的示意图；
40.图5为一个实施例中掩码图像的角点检测结果示意图；
41.图6为一个实施例中透视变换矩阵的计算示意图；
42.图7为一个实施例中待检测节点板图像校正过程示意图；
43.图8为一个实施例中标准螺栓节点板上的螺栓区域标注示意图；
44.图9为一个实施例中初步框选的待检测螺栓区域图像示意图；
45.图10为一个实施例中最终框选的待检测螺栓区域图像示意图；
46.图11为一个实施例中螺栓缺陷识别结果的示意图；
47.图12为一个实施例中螺栓缺陷识别装置的结构框图；
48.图13为一个实施例中计算机设备的内部结构图。
具体实施方式
49.为了使本技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本技术进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本技术，并不用于限定本技术。
50.本技术实施例提供的螺栓缺陷识别方法，可以应用于如图1所示的应用环境中。其中，终端101通过网络与服务器102进行通信。数据存储系统可以存储服务器102需要处理的数据。数据存储系统可以集成在服务器102上，也可以放在云上或其他网络服务器上。其中，终端101可以是各种摄像装置。服务器102可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
51.在一个实施例中，如图2所示，提供了一种螺栓缺陷识别方法，以该方法应用于图1中的服务器102为例进行说明，包括以下步骤：
52.步骤s201，获取待检测节点板图像；
53.其中，节点板图像为螺栓连接节点板图像，螺栓连接节点板为包含多个螺栓的连接板，图3展示了一个螺栓节点板图像的标准示意图；在实际应用中，由于拍摄角度的不同或者螺栓缺陷形式的不同，待检测节点板图像为呈现不同的形式。
54.具体地，摄像装置获取待检测节点板图像后，将待检测节点板图像发送至服务器102，服务器102获取待检测节点板图像。
55.步骤s202，利用参考点检测模型提取所述待检测节点板图像中的标准参考点。
56.其中，由于待检测节点板图像中除包含螺栓节点板外，还可能包含有背景图像，因此需要从中首先将螺栓节点板通过抠图方式抠取出来。标准参考点指的是不含背景图像的螺栓节点板的四个角点。
57.具体地，上述参考点检测模型包括语义分割模型、harris角点检测模型和k-means聚类模型；上述步骤s202包括：利用语义分割模型针对待检测节点板图像进行处理，得到掩码图像；利用harris角点检测模型从掩码图像中提取得到多个角点；利用k-means聚类模型对多个角点进行聚类，得到标准参考点。详细过程如下：
58.(1)将步骤s201采集的待检测节点板图像输入到语义分割模型中，得到待检测节点板图像的掩码图像，如图4所示；掩码图像中螺栓节点板区域像素为255(在rgb颜色表示模式中，255表示纯白色)，背景区域像素为0(纯黑)，如图4所示。
59.(2)由于步骤(1)提取的掩码图像包含明显的螺栓节点板的四个角点特征，且不存在其他明显的干扰角点，因此使用角点检测法可以轻松地提取正确的节点板角点。使用harris角点检测模型检测螺栓节点板的角点位置。需要注意的是harris角点检测模型中的预设参数blocksize(计算协方差矩阵时的窗口大小)与参数ksize(sobel求导中使用的窗口大小)建议取较大的值(建议blocksize＝9，ksize＝6)，防止误检节点板掩码图像边缘的非显著性干扰角点。将检测到的角点位置标记在掩码图像上，结果图5所示。
60.(3)由于语义分割后的掩码图像中，螺栓节点板的边缘与真实节点板边缘相比存在一些细微误差，掩码图像的四个角点并非完全与实际相符的四个标准直角角点，例如，步骤(2)得到的角点周围会检测到多个角点。采用k-means聚类模型对得到的所有角点的位置坐标(xi，yi)(i为自然数，表示角点的标号)进行聚类，要求聚为四类，最终聚类的四个中心点记为螺栓节点板的四个角点，并将这四个角点作为待检测螺栓节点板的四个参考角点。
61.在此需要说明的是，在步骤s202之前还包括，利用上述参考点检测模型(包含上述步骤(1)-(3))提取标准螺栓节点板图像中的四个角点，称为标准参考点，包含标准参考点的螺栓节点板图像为标准节点板图像，这是之后将待检测节点板进行透视变换的参照。
62.步骤s203，利用透视变换算法对包含所述参考角点的所述待检测节点板图像进行透视变换，得到校正图像。
63.具体地，首先，通过提取的标准螺栓节点板的标准参考点与对应的待检测节点板的参考角点的坐标，基于透视变换算法计算透视变换矩阵h，图6为h的计算示意图。
64.其次，将待检测节点板图像中的每个像素通过透视变换矩阵h进行透视变换，从而得到校正图像，校正后的待检测节点板视角与标准节点板的视角相同，即两幅图像中螺栓节点板对应点的坐标基本相同，如图7所示。
65.步骤s204，基于标准螺栓节点板的标准螺栓区域信息从上述校正图像中提取待检测螺栓区域图像；该步骤具体包括：以标准螺栓节点板中的预先标注的标准螺栓区域信息作为基准，对校正图像进行初步框选，得到初始螺栓区域标注框；将初始螺栓区域标注框以预设比例进行扩大，得到扩展后的螺栓区域标注框；将扩展后的螺栓区域标注框从校正图像中裁剪出来，得到各个待检测螺栓区域图像。
66.其中，由于节点板中一般包括一个或多个螺栓，可能还包括其他部件，因此需要将其中的每个螺栓分别识别出来。标准螺栓节点板是指在同类型的螺栓节点板中，按照通用螺栓节点板制作的标准模板，该标准螺栓节点板上的每个螺栓也预先以统一的初选框标记，初选框具有统一的标准尺寸，因此，初选框信息称为标准螺栓区域信息。
67.具体地，首先对标准螺栓节点板上的螺栓，使用初选框，即矩形框(xc，yc，w，h)对每个螺栓进行人工标注，其中xc、yc代表矩形框中心点在图像中的横纵坐标，w，h代表矩形
框的宽高，标注的螺栓矩形框区域示意图如图8所示。对于同类型的螺栓节点板所对应的标准螺栓节点板的螺栓只需标注一次。
68.由于步骤s203中将待检测节点板转换成了标准螺栓节点板视角，因此可以直接采用标准螺栓节点板中标注的螺栓矩形框对待检测螺栓进行初步框选，图9为初步框选的待检测螺栓区域图像示意图。由于在校正过程中，图像会产生不同程度的畸变，因此当待检测节点板图像畸变过大时，校正后的待检测螺栓位置与标准螺栓位置仍有小幅度偏差，可将初步框选的矩形框向四周扩展预设百分比(建议10％)尺寸以保证框选到完整的待检测螺栓，最终的待检测螺栓区域图像框选结果如图10所示。
69.将每个矩形框区域短边延长为矩形长边尺寸，变成正方形区域，将正方形螺栓区域裁剪出来并缩放成与预设的螺栓样本数据库中的图像样本尺寸同样的大小，作为待检测螺栓区域图像。
70.步骤s205，采用预先构建的螺栓缺陷识别模型针对所述待检测螺栓区域图像进行识别，得到每个所述待检测螺栓区域图像的识别结果。
71.具体地，采用预先构建的螺栓缺陷识别模型针对上述每个待检测螺栓区域图像进行识别，得到每个所述待检测螺栓区域图像的识别结果，识别结果包括螺栓正常、螺栓脱落、螺栓松动和螺栓滑移四种类别。螺栓缺陷识别结果如图11所示。上述预先构建的螺栓缺陷识别模型为基于双向二维主成分析算法2d-2dpca(two-directional two-dimensional principal component analysis：2d2dpca)构建的模型。
72.上述实施例，通过获取待检测节点板图像；利用参考点检测模型提取待检测节点板图像中的标准参考点；利用透视变换算法对包含标准参考点的待检测节点板进行透视变换，得到校正图像；基于标准螺栓节点板的标准螺栓区域信息从校正图像中提取待检测螺栓区域图像；采用预先构建的螺栓缺陷识别模型针对待检测螺栓区域图像进行识别，得到每个待检测螺栓区域图像的识别结果。本实施例能够通过机器视觉技术从待检测节点板图像中自动定位待检测螺栓区域图像，并能识别出不同的螺栓缺陷类型，与现有的仅能识别一种缺陷类型的机器学习模型相比，提高了模型的泛化能力，且能一次性识别出一张节点板图像中的多个螺栓的螺栓缺陷，进一步提高了螺栓缺陷检测效率。
73.在一实施例中，上述步骤s205包括：采用预先构建的螺栓缺陷识别模型针对待检测螺栓区域图像进行特征提取，得到螺栓特征矩阵；计算螺栓特征矩阵与预设的螺栓样本数据库中的各个样本矩阵的距离，搜索得到最小距离；将最小距离对应的样本矩阵所属的螺栓缺陷类别作为待检测螺栓区域图像的识别结果。
74.具体地，将步骤s204提取的每个待检测螺栓区域图像采用预先构建的螺栓缺陷识别模型对每个图像数据进行降维与特征提取，提取的结果是待检测螺栓的特征矩阵y
t
，然后按照距离最小的原则使用下述公式(1)找到预设的螺栓样本数据库中与该待检测螺栓最相似的特征矩阵，该特征矩阵对应的类型就是最终的识别结果。
75.min{d
2d
(y
t
:yi)}＝min(||y
t-yi||2)
ꢀꢀꢀ
(1)
76.公式(1)中y
t
是待识别螺栓的特征矩阵，yi是螺栓样本库第i个样本螺栓的特征矩阵。min{d
2d
(y
t
:yi)}表示求解所有样本中与待测螺栓的特征矩阵之间的距离最小值，||y
t-yi||2表示两个特征矩阵的欧式距离。
77.螺栓缺陷识别结果示例如图11所示。
78.可选地，预设的螺栓样本数据库构建过程如下：
79.(a)将螺栓区域图像裁剪出来作为样本图像，所裁剪的区域为正方形，并统一缩放成同一尺寸(如100
×
100分辨率大小)，其中样本图像包括正常螺栓、螺栓脱落、螺栓松动与螺栓滑移四类。
80.(b)为了增强缺陷样本数据库多样性，提高后续缺陷识别精度，需要对样本数据进行扩充，扩充的方式包含翻透、透视变换、随机旋转、翻转、直方图均衡化、加高斯噪声、gamma变换、随机遮挡等。
81.(c)采用双向二维主成分析算法2d-2dpca(two-directional two-dimensional principal component analysis：2d2dpca)对每个缺陷样本图像数据进行降维与特征提取，提取的结果是样本的特征矩阵yi，同时标记特征矩阵对应的类别，最后将提取的样本特征矩阵及其类别存储起来作为螺栓样本数据库。
82.双向二维主成分析算法的基本思路是：对螺栓样本空间进行行和列的双向降维分析，将样本投影到空间中行和列变化最大方向，即方差最大的方向，实现空间特征提取和特征压缩。通过降维，将原始高维图像数据由维数较少的“有效”特征数据来表示，在不减少原始数据所包含的内在信息量的基础上，提取原始数据的主要特征。
83.具体步骤如下：
84.1)设x表示最佳投影轴，最佳投影轴为列向量矩阵，将大小为m
×
n的螺栓样本原始矩阵q通过如下的线性变化直接投影到y上：
85.y＝qx#(2)
86.y称为螺栓样本原始矩阵q的特征向量，最佳投影轴x可以根据特征相量y的离散度分布情况来决定。
87.2)理想的最佳投影轴x应该保证投影后的结果尽量分开，即散度达到最大，以保证映射结果能够保留最大程度的信息。因此用如下标准作为衡量最佳投影轴x的性能的目标函数采用的准则如下：
88.d(x)＝tr(c
x
)#(3)
89.其中，c
x
表示特征向量y的协方差矩阵，tr(c
x
)表示c
x
的离散度。
90.矩阵c
x
的定义如下：
91.c
x
＝e[(y-e(y))(y-e(y))
t
]＝e[((q-e(q))x)((q-e(q)x))
t
]#(4)
[0092]
3)所以:
[0093]
tr(c
x
)＝tr{x
t
e[(q-e(q))
t
(q-e(q))]x}#(5)
[0094]
式(5)中的e[(q-e(q))
t
(q-e(q))]代表螺栓样本原始矩阵q的协方差矩阵，因此将其单独定义为p
t
。设有n个图像学习样本矩阵，则p
t
的定义如下：
[0095][0096]
其中，q是第i个螺栓训练样本图像，n是训练样本的个数，是所有训练样本的平均值，p
t
∈rn×n。
[0097]
4)通过计算p
t
的特征向量，选择累计贡献率α＝0.9～0.99所对应的特征向量，组成投影矩阵:
[0098]
u＝[u1，u2……
uk]∈rn×k#(7)
[0099]
则hi＝qi·
u∈rd×k，hi即为样本qi在u方向的投影。也就是说，特征提取后只是压缩了学习样本矩阵列向量的位数，完成了列向量的降维，此时行向量维数不变。
[0100]
5)以列方向投影后的新样本hi∈rm×k为对象，继续构造协方差矩阵：
[0101][0102]
其中pr∈rn×n，求pr的特征值与特征向量，取特征值累计贡献率为α＝0.9的特征向量，得到行方向的投影矩阵v＝[v1，v2……
vk]∈rm×d，则v
t
·hi
∈rd×k。
[0103]
至此，得到两个投影方向的最优投影矩阵u和v，则螺栓样本集q∈rn×n最终的降维矩阵为yi＝v
t
·
qi·
u∈rd×k，则每个样本qi都通过最优投影轴投影到特征子空间φ中。在此基础上，定义最小距离，以实现新样本的识别。
[0104]
上述实施例，通过建立丰富的螺栓样本数据库，为实际缺陷检测提供了丰富的参照，有利于快速寻找与待检测螺栓距离最近修改相似螺栓，从而确定待检测螺栓的缺陷类型。
[0105]
在一实施例中，上述方法还包括：获取节点板图像样本集；其中，节点板图像样本集中携带螺栓标记；利用节点板图像样本集对语义分割基础模型进行训练，得到语义分割模型。
[0106]
具体地，螺栓节点板为包含多个螺栓的连接板；由于待检测节点板图像中不仅包含节点板，还包含其他非节点板部件，因此，需要训练一个基于深度学习的语义分割模型用于从待检测节点板图像中识别出包含螺栓的节点板(掩码图像)。上述语义分割模型可选择但不限于segnet、u-net、deeplabv3 等进行构建。
[0107]
首先，节点板图像样本集构建：对采集到的螺栓连接节点板图像数据进行标注(将其中的螺栓标注出来)，标注后的标签图像为二值化图像，其中螺栓连接节点板区域像素值为255，背景区域像素值为0。可将节点板图像样本集按一定比例分成训练集和测试集。
[0108]
其次，使用pytorch、tensorflow等深度学习框架搭建节点板语义分割模型并使用训练集进行训练，每训练若干轮次使用测试集进行测试，当测试结果满足精度要求时结束训练，保存训练好的语义分割模型参数，即可得到上述语义分割模型。
[0109]
上述实施例，通过使用语义分割模型能够从包含其他非螺栓部件的图像中将螺栓节点板识别出来，有利于后续缩小检测范围，进一步提高检测准确率。
[0110]
在一实施例中，上述获取节点板图像样本集，包括：获取原始节点板图像样本集；针对所述原始节点板图像样本集进行预处理，得到所述节点板图像样本集；其中所述预处理包括图像翻转、透视变换、随机旋转、直方图均衡化、添加高斯噪声、gamma变换、随机遮挡中的至少一种。
[0111]
具体地，在节点板图像样本集建立过程中，为了增加后续训练数据的多样性以提高模型泛化能力，需要对采集的数据进行预处理以实现样本集扩充，预处理的方式包含图像翻转、尺度变化、透视变换、随机旋转和翻转、直方图均衡化、添加高斯噪声、gamma变换、随机遮挡等方式中的至少一种。
[0112]
上述实施例，在无需大量缺陷学习样本情况下可实现较高的缺陷识别准确率，缺
陷识别准确率可达90％以上。
[0113]
应该理解的是，虽然如上所述的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
[0114]
基于同样的发明构思，本技术实施例还提供了一种用于实现上述所涉及的螺栓缺陷识别方法的螺栓缺陷识别装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似，故下面所提供的一个或多个螺栓缺陷识别装置实施例中的具体限定可以参见上文中对于螺栓缺陷识别方法的限定，在此不再赘述。
[0115]
在一个实施例中，如图12所示，提供了一种螺栓缺陷识别装置1200，包括：图像获取模块1201、参考角点提取模块1202、图像校正模块1203、螺栓区域提取模块1204和缺陷识别模块1205，其中：
[0116]
图像获取模块1201，用于获取待检测节点板图像；
[0117]
参考角点提取模块1202，用于利用参考点检测模型提取所述待检测节点板图像中的参考角点；
[0118]
图像校正模块1203，用于利用透视变换算法对包含所述参考角点的所述待检测节点板图像进行透视变换，得到校正图像；
[0119]
螺栓区域提取模块1204，用于基于标准螺栓节点板的标准螺栓区域信息从所述校正图像中提取待检测螺栓区域图像；
[0120]
缺陷识别模块1205，用于采用预先构建的螺栓缺陷识别模型针对所述待检测螺栓区域图像进行识别，得到每个所述待检测螺栓区域图像的识别结果。
[0121]
在一实施例中，上述缺陷识别模块1205，进一步用于：采用所述预先构建的螺栓缺陷识别模型针对所述待检测螺栓区域图像进行特征提取，得到螺栓特征矩阵；计算所述螺栓特征矩阵与预设的螺栓样本数据库中的各个样本矩阵的距离，搜索得到最小距离；将所述最小距离对应的样本矩阵所属的螺栓缺陷类别作为所述待检测螺栓区域图像的识别结果。
[0122]
在一实施例中，所述参考点检测模型包括语义分割模型、harris角点检测模型和k-means聚类模型；上述参考角点提取模块1202，进一步用于：利用所述语义分割模型针对所述待检测节点板图像进行处理，得到掩码图像；利用所述harris角点检测模型从所述掩码图像中提取得到多个角点；利用所述k-means聚类模型对所述多个角点进行聚类，得到所述参考角点。
[0123]
在一实施例中，上述螺栓区域提取模块1204进一步用于：基于标准螺栓节点板的标准螺栓区域信息从所述校正图像中提取待检测螺栓区域图像，包括：
[0124]
以标准螺栓节点板中的预先标注的标准螺栓区域信息作为基准，对所述校正图像进行初步框选，得到初始螺栓区域标注框；将所述初始螺栓区域标注框以预设比例进行扩大，得到扩展后的螺栓区域标注框；将所述扩展后的螺栓区域标注框从所述校正图像中裁
memory，rom)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(reram)、磁变存储器(magnetoresistive random access memory，mram)、铁电存储器(ferroelectric random access memory，fram)、相变存储器(phase change memory，pcm)、石墨烯存储器等。易失性存储器可包括随机存取存储器(random access memory，ram)或外部高速缓冲存储器等。作为说明而非局限，ram可以是多种形式，比如静态随机存取存储器(static random access memory，sram)或动态随机存取存储器(dynamic random access memory，dram)等。本技术所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等，不限于此。本技术所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等，不限于此。
[0137]
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
[0138]
以上所述实施例仅表达了本技术的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本技术专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本技术构思的前提下，还可以做出若干变形和改进，这些都属于本技术的保护范围。因此，本技术的保护范围应以所附权利要求为准。