一种基于机器视觉的螺栓螺母连接防松性能定量评价方法

本申请涉及螺母防松性能检测，尤其涉及一种基于机器视觉的螺栓螺母连接防松性能定量评价方法。

背景技术：

1、螺栓连接具有结构简单、装拆方便、价格便宜等优点，在各种工业产品和机械结构中都有着广泛应用。工程经验表明，在振动环境下螺栓连接容易出现松动失效，是威胁机械产品可靠性的常见问题。因此需要对螺栓连接的防松性能进行评价。

2、螺栓连接结构的防松性能评价方法可以分为两类，即定性评价和定量评价。其中，中国专利202010393182.9提出了以触发螺栓连接出现旋转松动的临界横向力作为指标的定量评价方法，该方法以横向振动试验为基础，根据不同横向力条件下的预紧力衰减曲线第二阶段的数据，计算预紧力衰减的速率(每周期衰减预紧力占初始预紧力的百分比)，当预紧力衰减的速率超过某一阈值，则判断螺栓连接发生了旋转松动，其中，触发螺栓连接出现旋转松动的最小横向力称为临界横向力。但是，此方法在计算预紧力衰减的速率时，计算过程复杂，并且影响衰减速率大小的因素中包含了除旋转松动以外的其他因素(如微动磨损)，难以确定触发旋转松动所对应的预紧力衰减速率的阈值。

3、因此，亟需一种能够对防松性能进行准确定量的评价方法。

技术实现思路

1、本申请提供了一种基于机器视觉的螺栓螺母连接防松性能定量评价方法，以解决无法准确定量评价螺母防松性能的技术问题。

2、本申请提供的基于机器视觉的螺栓螺母连接防松性能定量评价方法，包括：读取螺母的视频；其中，螺母处于连接状态；获取视频中的全部帧图像；对全部帧图像进行灰度化处理，得到多个第一图像；对第一图像进行高斯滤波，得到第二图像；采用canny边缘检测算法确定目标图像中的边缘像素点；其中，目标图像为任意一个第二图像；在边缘像素点中确定目标边缘像素点；其中，目标边缘像素点为边缘像素点经去噪处理后得到；采用findcontours函数在多个目标边缘像素点中确定目标图像中的全部轮廓；在全部轮廓中确定轮廓像素点的坐标；采用minarearect函数在轮廓点集中确定最小外接矩形，并根据最小外接矩形四个顶点的坐标确定最小外接矩形相对坐标轴的偏转角；其中，轮廓点集包括轮廓像素点的坐标，偏转角为螺母在目标图像与前一帧第二图像之间的旋转角；根据偏转角确定螺母是否松动，导致螺母松动的最小横向力作为螺母的临界横向力；以临界横向力对螺栓螺母连接防松性能进行评价；其中，临界横向力越大，螺栓螺母的防松性能越好，临界横向力越小，螺栓螺母的防松性能越差。

3、在一些可行的实现方式中，对全部帧图像进行灰度化处理，得到第一图像，包括：采用加权平均法对全部帧图像进行处理，计算公式如下：

4、gray(i,j)＝0.114·b(i,j)+0.578·g(i,j)+0.299·r(i,j)；其中，i、j分别为像素点的行、列序号，b(i,j)、g(i,j)和r(i,j)分别为第i行、j列像素点对应b通道、g通道和r通道分量的数值，gray(i,j)为第i行、j列像素点对应的灰度值。

5、在一些可行的实现方式中，对第一图像进行高斯滤波，得到第二图像，包括：采用二维高斯分布的概率密度函数，确定卷积核对应的权重矩阵，其中，权重矩阵的计算采用如下公式：

6、g(x,y)为权重矩阵中元素的大小；σ为高斯分布的标准差；(x,y)为权重矩阵中元素的坐标；根据权重矩阵确定卷积核；根据卷积核与第一图像确定第二图像。

7、在一些可行的实现方式中，采用canny边缘检测算法确定目标图像中的边缘像素点，包括：采用canny边缘检测算法计算目标图像中的全部像素点的灰度值的变化梯度；其中，灰度值的变化梯度包括梯度幅值g和梯度方向θ，梯度幅值g和梯度方向θ的计算公式如下：

8、gx为梯度幅值g的水平分量，为灰度值在水平方向上的一阶导数，gy为梯度幅值g的垂直分量，为灰度值在垂直方向上的一阶导数，水平分量gx和垂直分量gy计算公式如下：

9、i为当前像素点与其相邻域像素点的灰度值构成的矩阵；历遍全部像素点，确定在相同一组梯度方向上梯度幅值最大的像素点为边缘像素点；其中，相同一组梯度方向为梯度方向所在的直线重合。

10、在一些可行的实现方式中，在边缘像素点中确定目标边缘像素点，包括：确定边缘像素点分别与第一阈值和第二阈值的关系；其中，第一阈值大于第二阈值；保留第一边缘像素点；其中，第一边缘像素点为梯度幅值大于第一阈值的边缘像素点；保留第二边缘像素点；其中，第二边缘像素点为梯度幅值大于或等于第二阈值且小于或等于第一阈值，并与第一边缘像素点相连的边缘像素点；目标边缘像素点包括第一边缘像素点和第二边缘像素点。

11、在一些可行的实现方式中，在边缘像素点中确定目标边缘像素点，还包括：去除第三边缘像素点；其中，第三边缘像素点为梯度幅值小于第二阈值的边缘像素点。

12、在一些可行的实现方式中，采用findcontours函数在多个目标边缘像素点中确定目标图像中的全部轮廓，包括：采用findcontours函数中的边缘追踪算法，根据目标边缘像素点之间的联通关系确定目标图像中的全部轮廓。

13、在一些可行的实现方式中，采用minarearect函数在轮廓点集中确定最小外接矩形，包括：采用minarearect函数中的sklansky算法确定轮廓的凸包；其中，凸包为根据轮廓点集连成的面积最小的凸多边形，轮廓点集中的全部像素点均位于凸包的边上或凸包的内部；采用枚举法，分别以凸包的不同边做外接矩形，确定面积最小的外接矩形为最小外接矩形。

14、在一些可行的实现方式中，根据最小外接矩形四个顶点的坐标确定最小外接矩形相对坐标轴的偏转角，包括：确定最小外接矩形在目标图像的全局坐标系oxy中y轴方向的数值最小的顶点的数量；若数量为一个，则确定数值最小的顶点为最小外接矩形所在的局部坐标系o′x′y′的原点o′；若数量为两个，则确定最小外接矩形在全局坐标系oxy中x轴方向的数值最小的顶点为局部坐标系o′x′y′的原点o′；以原点o′、x′轴和y′轴建立局部坐标系o′x′y′；其中，x′轴正方向与全局坐标系oxy中x轴正方向相同，y′轴正方向与全局坐标系oxy中y轴正方向相反；以原点o′为中心，x′轴正半轴逆时针旋转至与最小外接矩形的边第一次重合时所转过的角度为螺母的偏转角。

15、在一些可行的实现方式中，根据偏转角确定螺母是否松动，包括：根据偏转角确定螺母的松动角度；根据松动角度确定螺母是否松动。

16、本申请提供的基于机器视觉的螺栓螺母连接防松性能定量评价方法，能够精准的判断出螺母的初期松动，实现了临界横向力范围的准确判断，提高了对螺母防松性能定量评价的准确性。

1.一种基于机器视觉的螺栓螺母连接防松性能定量评价方法，其特征在于，包括：

2.根据权利要求1所述的基于机器视觉的螺栓螺母连接防松性能定量评价方法，其特征在于，对所述全部帧图像进行灰度化处理，得到第一图像，包括：

3.根据权利要求2所述的基于机器视觉的螺栓螺母连接防松性能定量评价方法，其特征在于，对所述第一图像进行高斯滤波，得到第二图像，包括：

4.根据权利要求3所述的基于机器视觉的螺栓螺母连接防松性能定量评价方法，其特征在于，采用canny边缘检测算法确定目标图像中的边缘像素点，包括：

5.根据权利要求4所述的基于机器视觉的螺栓螺母连接防松性能定量评价方法，其特征在于，

6.根据权利要求5所述的基于机器视觉的螺栓螺母连接防松性能定量评价方法，其特征在于，在所述边缘像素点中确定目标边缘像素点，还包括：

7.根据权利要求6所述的基于机器视觉的螺栓螺母连接防松性能定量评价方法，其特征在于，采用findcontours函数在多个所述目标边缘像素点中确定所述目标图像中的全部轮廓，包括：

8.根据权利要求7所述的基于机器视觉的螺栓螺母连接防松性能定量评价方法，其特征在于，

9.根据权利要求8所述的基于机器视觉的螺栓螺母连接防松性能定量评价方法，其特征在于，

10.根据权利要求9所述的基于机器视觉的螺栓螺母连接防松性能定量评价方法，其特征在于，