一种高铁轴端螺钉的识别定位拆卸装置及方法

技术领域

本发明涉及目标识别定位技术领域，尤其涉及一种高铁轴端螺钉的识别定位拆卸装置，本发明还涉及一种高铁轴端螺钉的识别定位拆卸方法。

背景技术

为了保障高铁动车的安全运行，高铁动车每运行一段里程后都会开进动车检修段对关键零部件进行检修。在高铁动车的维护中，先将轴端盖拆下，才能取出里面的轴和拆掉车轮。而轴端盖是由螺钉固定，因此要将轴端盖的螺钉拆卸。然而由于受到车身长度和车上螺钉数量的影响，每进行一次检修都要拆卸近千颗螺钉，此过程显著影响工人的工作效率和时间安排。随着智慧工厂和深度学习的快速发展，移动式辅助拆卸机器人已经成为研究热点。如何对螺钉进行识别定位及批量处理对机器人辅助拆卸有着重要的推进作用。

由于动车检修段的工作环境复杂，在用于移动机器人拆卸螺钉的实时定位和拆卸中，有量方面需求：一是在识别定位任务中，要提高螺钉识别准确率，提高螺钉的定位精度，并且根据螺钉所处的位置判断出该螺钉需不需要拆卸，只保留需要拆卸的螺钉定位。二是要提高螺钉拆卸速度，根据螺钉所处位置对拆卸工具进行改进，以此对拆卸效率进行提升。

目前，移动机器人通常采用传统算法，如OpenCV来处理待处理目标的图像。目前的传统算法主要以边缘检测为核心技术，通过边缘模板匹配来实现对目标的识别和定位。然而，该传统算法对工作环境有着极高的要求，只能在简单的环境，如实验室或生产流水线等背景简单的环境中运行。在背景复杂的环境中，传统算法会遇到识别精度低、识别误差大的问题。因此，传统算法在动车检修段这种复杂环境中的应用十分困难。

其次，目前主要采用提升机械臂运行速度的方式来提升螺钉拆卸效率。然而，该方法的效果提升有限，无法实现显著的跨越式效率提高。

发明内容

发明目的：针对现有技术在螺钉识别方面存在着低识别率，现有的识别算法无法有效区分螺钉，无法对螺钉进行准确的剔除和保留，从而无法实现只保留需要拆卸的螺钉的目标；现有工具在螺钉拆卸方面效率低，无法进行批量拆卸操作的不足之处，本发明提供一种高铁轴端螺钉的识别定位拆卸装置及方法，通过螺钉识别定位拆卸装置中的调距结构和定位识别方法，提高了螺钉定位精度，降低了定位误差，解决了现有螺钉识别方法中识别率和拆卸效率低的问题。

技术方案：本发明高铁轴端螺钉的识别定位拆卸装置包括输入动力轴、多个传动轴、多个输出轴、主壳体、导轨壳体和调距壳体；输出轴连接有输出轴支架和支架导轨；输出轴的轴线与传动轴的轴线垂直；

输出轴穿过导轨壳体和调距壳体的导槽，导轨壳体的导槽与传动轴的轴线平行，调距壳体绕输入动力轴的轴线旋转设定角度进行调距，输出轴在调距壳体的作用下带动输出轴支架沿着支架导轨平移；多个输出轴的端部连接有螺钉套筒。

传动轴包括锥齿轮和蜗杆，蜗杆与输入轴的蜗轮啮合。

传动轴、输出轴、输出轴支架和支架导轨以输入动力轴的轴线为轴心分布。

输出轴的轴线与传动轴的轴线垂直。

本发明高铁轴端螺钉的识别定位拆卸方法，由高铁轴端螺钉的识别定位拆卸装置来实施，该方法包括以下步骤：

(1)在动车检修段，拍摄高铁轴端RGB图像与深度图像；

(2)在步骤(1)中拍摄到的轴端的RGB图像中，对螺钉和轴端盖进行标注，并生成TXT文件；

(3)采用数据增强的方式对螺钉的数据集进行扩充，并将螺钉的数据集按比例划分为螺钉训练集、螺钉验证集和螺钉测试集；

(4)构建YOLO-ADOP网络模型；

(5)采用螺钉训练集对YOLO-ADOP网络模型进行训练，并获得最优YOLO-ADOP螺钉检测模型；

(6)将最优YOLO-ADOP螺钉检测模型部署到移动式辅助拆卸机器人终端系统上，用于检测目标轴端盖螺钉；

(7)对检测到的螺钉进行二分类，将螺钉分为目标螺钉和非目标螺钉，保留目标螺钉识别信息并剔除非目标螺钉；

(8)对步骤(7)得到的目标螺钉采用OpenCV算法进行二次定位，求出目标螺钉中心坐标，并将目标螺钉中心坐标转换为世界坐标系坐标；

(9)利用步骤(8)中得到的目标螺钉中心坐标，调节识别定位拆卸装置的调距壳体(8)的旋转角度后对目标螺钉进行拆卸。

步骤(4)的过程为：

(4.1)采用由CBS模块与C3模块构建的CSPDarknet53主干网络作为YOLO-ADOP网络模型的主干网络，采用主干网络对图像进行特征提取，并获得不同尺度的P2、P3、P4、P5特征图；

(4.2)采用CBS模块、C3模块、拼接与上采样模块构成YOLO-ADOP网络模型的颈部，使P5特征图通过上采样操作得到P2特征图，再经过下采样得到P4，保留P2、P3和P4三个特征图；

(4.3)采用解耦头和辅助训练头构成YOLO-ADOP网络模型的头部；

(4.4)采用YOLO-ADOP模型计算损失函数时引入EIOU损失函数L

其中，w表示预测框的宽，h表示预测框的高，w

步骤(3)中，辅助训练头的输入是颈部上采样过程得到的P2、P3和P4特征图，解耦头的输入是最终得到的P2、P3和P4特征图。

步骤(7)中，对检测到的螺钉进行二分类的过程为：

(7.1)步骤(6)的图像中，返回检测到螺钉和轴端盖的中心坐标，所述中心坐标以图像左上角为原点，向右为X轴正方向，向下为Y轴正方向的二维坐标，且初始螺钉坐标为正数；

(7.2)以轴端盖为参照物，计算每颗螺钉中心点到端盖中心点的距离，以此对每个螺钉的坐标O

O

其中，

式中，O代表轴端盖中心坐标，L表示轴端盖中心与第i个螺钉中心点之间的距离，b表示距离系数，R表示轴端盖的半径；O

(7.3)经过计算后的坐标O

步骤(8)的过程如下：

(8.1)将单个目标螺钉框的框内范围由RGB图像转为黑白图像，并使用OpenCV算法求出黑白图像的平均像素值M；

(8.2)对求出的黑白图像进行二值化处理，

其中，X

(8.3)通过OpenCV中的腐蚀算法对二值化处理后的图像进行调整；再通过膨胀操作对螺钉的图像还原；

(8.4)通过OpenCV算法中的minEnclosingCircle函数求出图像中白色区域的最小外接圆和圆心坐标(X

(8.5)将求出的圆中心坐标与步骤(6)中YOLO-ADOP模型检测出螺钉框的框中心坐标结合。

步骤(8.5)中，将求出的圆中心坐标与步骤(6)中YOLO-ADOP模型检测出螺钉框的框中心坐标进行结合：

a(X

式中，(X

有益效果：与现有技术相比，本发明具有以下优点：

(1)本发明采用YOLO-ADOP网络模型和OpenCV算法相结合的二次定位方法对螺钉进行定位；该方法由于采用了两种定位算法，所以在定位精度上优于单一算法，且降低定位误差。

(2)本发明所采用的YOLO-ADOP网络模型提高了螺钉识别精度，对比现有的YOLOv5s检测模型在检测速度只延迟3.1ms的情况下，检测精度提升了13.20％；并且通过二分类和二次定位过程，得到更为精准的拆卸目标螺钉的位置。

(3)本发明所采用的螺钉识别定位拆卸装置一次性拆卸多颗螺钉，采用可调距式设计，在设计的最大值和最小值之间调距，以适应不同螺钉之间的距离，无需更换不同距离的拆卸工具，简化了操作流程，提高了拆卸效率；输出轴的转速仅与输入轴的转速有关，确保拆卸过程中的稳定性和准确性。

附图说明

图1为本发明高铁轴端螺钉的识别定位方法流程图；

图2为本发明采用的YOLO-ADOP网络模型的架构图；

图3为本发明所采用的YOLO-ADOP网络模型的解耦头示意图；

图4为本发明YOLO-ADOP螺钉检测模型与现有的YOLOv5s深度学习模型对螺钉的识别性能对比图；

图5为本发明YOLO-ADOP螺钉检测模型与现有的YOLOv5s深度学习模型对螺钉的识别对比实例图；

图6为本发明所采用的二分类方法流程图；

图7为本发明所采用的二分类方法前后对比图；

图8为本发明所采用的二次定位流程图；

图9为本发明所采用的螺钉识别定位拆卸装置的整体结构图；

图10为本发明所采用的螺钉识别定位拆卸装置的爆炸图；

图11为本发明所采用的螺钉识别定位拆卸装置的内部示意图；

图12为本发明所采用的螺钉识别定位装置的调距壳体与导轨壳体的正视图。

具体实施方式

如图1至图12所示，本发明高铁轴端螺钉的识别定位拆卸方法采用由图9至图12所示的识别定位拆卸装置来实施，该识别定位拆卸方法包括以下步骤：

(1)在动车检修段，采用深度相机拍摄轴端RGB图像与深度图像；

(2)标注图像：在步骤(1)中所拍摄到的高铁轴端RGB图像中，采用labelIMG软件对图像内的螺钉和轴端盖进行标注，并生成TXT文件；

(3)本实施例中，采用数据增强的方式对螺钉数据集进行扩充，并将螺钉的数据集按比例划分为螺钉训练集、螺钉验证集和螺钉测试集，本实施例中，螺钉训练集：验证集：测试集＝8:1:1；

(4)构建YOLO-ADOP网络模型；

(5)采用螺钉训练集对YOLO-ADOP网络模型进行训练，并获得最优YOLO-ADOP螺钉检测模型；

步骤(5)中，采用AP50和mAP这两个评价指标来评价螺钉检测模型的检测效果，这两个指标值越高表示模型检测效果越好。其中AP50表示在交并比大于0.5时的平均精度值，mAP表示交并比在0.5至0.95范围内、以0.05为步距的十个AP的平均值。如图4所示，本发明使用的评价指标是AP50。最优YOLO-ADOP螺钉检测模型，即在训练300轮得到的300个模型结果中，AP50最高的模型。

(6)将最优YOLO-ADOP螺钉检测模型部署到移动式辅助拆卸机器人终端系统上，用于检测目标轴端盖螺钉。

(7)对检测到的所有螺钉进行二分类，将螺钉分为目标螺钉和非目标螺钉，保留目标螺钉识别信息并剔除非目标螺钉；

(8)对步骤(7)中得到的目标螺钉采用OpenCV算法进行二次定位，求出目标螺钉中心坐标，并将目标螺钉中心坐标转换为世界坐标系坐标；

(9)利用步骤(8)中得到的目标螺钉中心坐标，调节识别定位拆卸装置的调距壳体8的旋转角度后对目标螺钉进行拆卸。

步骤(4)中，YOLO-ADOP网络模型的构建方法的过程为：

(4.1)采用由CBS模块与C3模块构建的CSPDarknet53主干网络作为YOLO-ADOP网络模型的主干网络，采用所述主干网络对图像进行特征提取，并获得不同尺度的P2、P3、P4、P5特征图；其中，YOLO是深度学习中的图像检测模型。

P2、P3、P4和P5指原输入图像下采样2倍、3倍、4倍、5倍后的特征矩阵。下采样(downsample)是指通过卷积核计算，将原来的特征矩阵在宽和高两个维度上缩小，并且会在长度上拉长。下采样和上采样(upsample)是相反操作，下采样是压缩特征矩阵，上采样就是拉长特征矩阵。

(4.2)采用CBS模块、C3模块、拼接与上采样模块构成YOLO-ADOP网络模型的颈部，使P5特征图通过三次上采样操作得到P2特征图，再经过两次下采样得到P4，最终只保留P2-P4三个特征图；

其中，CBS模块和C3模块是由许多卷积、池化、下采样、激活函数组合而成的模块组。

(4.3)采用解耦头和辅助训练头构成YOLO-ADOP网络模型的头部，辅助训练头的输入是颈部上采样过程得到的P2-P4特征图，解耦头的输入是最终得到的P2-P4特征图。

(4.4)采用YOLO-ADOP模型计算损失函数时引入EIOU损失函数L

其中，w表示预测框的宽，h表示预测框的高，w

步骤(7)中，对检测到的螺钉进行二分类的过程为：

(7.1)如图5中右侧部分所示，经过步骤(6)检测目标轴端盖螺钉后的图片中，将返回检测到螺钉和轴端盖的中心坐标，该中心坐标是以图像左上角为原点，向右为X轴正方向，向下为Y轴正方向的二维坐标，并且初始螺钉坐标均为正数。步骤(6)检测后的图片为如图5所示的右半部分，采用最优YOLO-ADOP螺钉检测模型所检测到的每个物体在图中采用方框进行了标注，其中方框左上角标注的bolt为最优YOLO-ADOP螺钉检测模型检测出来得螺钉；方框左上角标注的hubcap为轴端盖。

(7.2)以轴端盖为参照物，计算每颗螺钉中心点到端盖中心点的距离，以此对每个螺钉的坐标O

O

其中，

式中，O代表轴端盖中心坐标，L表示轴端盖中心与第i个螺钉中心点之间的距离，b表示距离系数，R表示轴端盖的半径；O

(7.3)经过计算后的坐标O

步骤(8)中，对步骤(7)得到的目标螺钉采用OpenCV算法进行二次定位，求出目标螺钉中心坐标包括以下步骤：

(8.1)将单个目标螺钉框的框内范围由RGB图像转为黑白图像，并使用OpenCV算法求出黑白图像的平均像素值M；

(8.2)对求出的黑白图像进行二值化处理，

其中，X

(8.3)通过两次OpenCV中的腐蚀算法对二值化处理后的图像进行调整，目的是为了去除个别像素的干扰；再通过两次膨胀操作对螺钉的图像进行还原；

(8.4)通过OpenCV算法中的minEnclosingCircle函数求出图像中白色区域的最小外接圆和圆心坐标(X

(8.5)将求出的圆中心坐标与步骤(6)中YOLO-ADOP模型检测出螺钉框的框中心坐标进行结合：

a(X

式中，(X

其中，步骤(6)中采用YOLO-ADOP螺钉检测模型对图像进行螺钉检测时，计算出螺钉所在位置的中心坐标(x，y)和宽w，高h后，才在图像上以这四个参数画出螺钉框。此处的螺钉框中心坐标为YOLO-ADOP螺钉检测模型在检测时所计算得到的螺钉位置中心坐标(x，y)。

步骤(9)中，本发明所采用的螺钉调节识别定位拆卸装置的结构如图9至图12所示，其中，1是输入动力轴，2是传动轴，3是输出轴，4是输出轴支架，5是支架导轨，6是主壳体，7是导轨壳体，8是调距壳体。其中，本实施例中，传动轴2、输出轴3、输出轴支架4和支架导轨5均有6个，且以输入动力轴1的轴线为轴心分布，安装方式相同。

该定位拆卸装置中，将输入动力轴1的轴线设为主轴线。输入动力轴1与传动轴2采用锥齿轮方式进行啮合，且传动轴2的轴线与主轴线垂直并相交；传动轴2和输出轴3采用右旋涡轮蜗杆进行啮合，且输出轴3轴线与传动轴2轴线垂直、与主轴线平行；输出轴支架4起到固定输出轴3的作用，并使输出轴沿着支架导轨5进行滑动；支架导轨5轴线与传动轴2的轴线平行；6个输入轴3分别依次穿过导轨壳体7和调距壳体8的六个导槽，且导轨壳体7的导槽与传动轴2的轴线平行；导轨壳体7与主壳体6相固定，调距壳体8绕主轴线旋转。动力传输路线是由输入动力轴1→传动轴2→输出轴3。输入动力轴1的动力由气动、电动或是手动产生；输出轴3匹配不同型号的螺钉套筒以适应不同型号的螺钉。

步骤(9)中的调距过程：通过旋转调距壳体8来实现不同距离的调节。当旋转调距壳体8时，输出轴3的侧面受到调距壳体8的导槽和导轨壳体7导槽的挤压，使输出轴3带动输出轴支架4沿着支架导轨5进行平移，移动距离由调距壳体8的旋转角度控制。在此调距过程中，传动轴2看作静止状态，输出轴3做相对运动，输出轴3的涡轮未与传动轴2的蜗杆分离，而是沿着传动轴2的轴向做滚动。由于6个输出轴各项参数相同，使得六个轴移动相同距离，从而确保调距后依然处在正六边形的六个角点上。

本发明与原始网络YOLOv5s模型在螺钉数据集方面进行对比，得出本发明采用的最优YOLO-ADOP螺钉检测模型在小目标识别上优于原始YOLOv5s模型，并且识别精准度高于传统算法。本发明所采用的YOLO-ADOP模型评价指标AP50提升了7.22％。

表1算法结果对比表

本发明中，利用二分类方法将不同位置的螺钉进行功能性区分，有选择性的保留目标螺钉，分类效果如图6所示，保留的是拆卸的螺钉，丢弃的是不拆卸的螺钉。