一种计算机检测带凹槽螺栓松动的方法、计算机可读介质及系统与流程

本发明涉及计算机视觉领域，尤其涉及一种计算机检测带凹槽螺栓松动的方法、计算机可读介质及系统。

背景技术：

在地铁车辆故障检测领域，带凹槽螺栓松动检测是很重要的部分，目前在这一部分，主要还是靠人工去检查，这种方式的效率低下，而且难以保证检测的准确性；

也有一些利用图像计算机检测带凹槽螺栓松动的方法，这种方法是先拍摄带凹槽螺栓的图像，然后通过人工观察图像以检测带凹槽螺栓是否松动，这种方法在拍摄图像时会受到距离、光线等影响，导致图像明暗不均匀、结构不完整等问题，加大了后期检测带凹槽螺栓是否松动的难度和准确性。

技术实现要素：

为克服现有技术存在的问题，本发明提供一种计算机检测带凹槽螺栓松动的方法、计算机可读介质及系统。

本发明解决技术问题的方案是提供一种计算机检测带凹槽螺栓松动的方法，该方法包括以下步骤：步骤s1：获取包含至少一带凹槽螺栓的图片；步骤s2：检测带凹槽螺栓在图片中的位置，并截取出带凹槽螺栓的图像；及步骤s3：检测图像中凹槽与预设基准之间的夹角，并基于对夹角的比较检测带凹槽螺栓是否松动。

优选地，步骤s3检测图像中凹槽与预设基准之间的夹角，以检测带凹槽螺栓是否松动，进一步包括以下步骤：步骤s31：通过二值化算法将带凹槽螺栓的图像转换为二值图像，以分别获得螺栓部分的图像和凹槽部分的图像；步骤s32：对凹槽部分的图像进行腐蚀，以消除凹槽中孤立的噪点；步骤s33：以水平线为参照设定一预设基准，及步骤s34：使用霍夫变换检测经腐蚀后的凹槽图像与预设基准之间的夹角。

优选地，步骤s31通过二值化算法将带凹槽螺栓的图像转换为二值图像，以分别获得螺栓部分的图像和凹槽部分的图像，之前进一步包括：步骤s311：通过滤波算法过滤带凹槽螺栓图像中的噪声；及步骤s312：对带凹槽螺栓图像做直方图均衡，以调整带凹槽螺栓图像的亮度。

优选地，当带凹槽螺栓的图像中螺栓包含至少两个凹槽时，步骤s34使用霍夫变换检测经腐蚀后的凹槽图像与预设基准之间的夹角时，当螺栓中任一凹槽与预设基准之间的夹角等于0度，则判断带凹槽螺栓处于拧紧状态，反之，则判定带凹槽螺栓处于松动状态。

优选地，当带凹槽螺栓的图像中螺栓仅包含一个凹槽时，步骤s34使用霍夫变换检测经腐蚀后的凹槽图像与预设基准之间的夹角时，当螺栓中的凹槽与预设基准之间的夹角等于0度，则判断带凹槽螺栓处于拧紧状态，反之，则判定带凹槽螺栓处于松动状态。

优选地，步骤s2检测带凹槽螺栓在图片中的位置，并截取出带凹槽螺栓的图像，进一步还包括以下步骤：步骤s21：使用深度学习模型结合包含带凹槽螺栓的图片训练一位置检测模型；步骤s22：通过模型中卷积层提取图片中带凹槽螺栓的图像特征；步骤s23：通过模型中池化层对提取的图像特征进行池化处理；步骤s24：通过模型中隐含层判断提取的图像是否为带凹槽螺栓的图像，若是，则进入步骤s25；若否，则返回步骤s21；步骤s25：输出带凹槽螺栓图像的位置；及步骤s26：截取仅包含带凹槽螺栓的图像。

优选地，所述池化层和隐含层的结构均为三层，先后三次对提取的图像特征进行池化和判断处理。

本发明还提供一种计算机可读介质，所述计算机可读介质中存储有计算机程序，其中，所述计算机程序被设置为运行时执行上述的计算机检测带凹槽螺栓松动的方法。

本发明还提供一种带凹槽螺栓松动的计算机检测带凹槽螺栓松动的系统，其特征在于：所述计算机检测带凹槽螺栓松动的系统包括：读取模块，被配置为获取包含至少一带凹槽螺栓的图片；位置检测模块，被配置为检测带凹槽螺栓在图片中的位置，并截取出带凹槽螺栓的图像；及夹角检测模块，被配置为检测图像中凹槽与预设基准之间的夹角，并基于对夹角的比较检测带凹槽螺栓是否松动。

优选地，所述夹角检测模块进一步包括：转换单元，被配置为通过二值化算法将带凹槽螺栓的图像转换为二值图像，以分别获得螺栓部分的图像和凹槽部分的图像；腐蚀单元，被配置为对凹槽部分的图像进行腐蚀，以消除凹槽中孤立的噪点；设定单元，被配置为以水平线为参照设定一预设基准，及夹角检测单元，被配置为使用霍夫变换检测经腐蚀后的凹槽图像与预设基准之间的夹角。

与现有技术相比，本发明的计算机检测带凹槽螺栓松动的方法、计算机可读介质及计算机检测带凹槽螺栓松动的系统具有以下优点：

1.首先从获取的带凹槽螺栓的图片中检测并截取带凹槽螺栓的图像，然后检测图像中凹槽与预设基准之间的夹角，并基于对夹角的比较即可检测带凹槽螺栓是否松动，以实现无人化检测螺栓是否发生松动，同时检测的速度和准确率更高；通过在图片中截取出带凹槽螺栓图像的部分，以消除带凹槽螺栓图像以外的部分对检测结果的影响，避免拍摄图像时，由于距离、光线等因素影响检测带凹槽螺栓是否松动的结果。

2.通过对带凹槽螺栓的图像进行二值化处理，以获得螺栓部分的图像和凹槽部分的图像，进而对凹槽部分的图像进行腐蚀，以消除凹槽中孤立的噪点，以使凹槽部分的图像更加明显，并消除图像中的干扰，以增加检测螺栓是否松动的准确率。

3.通过滤波算法过滤图像中的脏点干扰，然后通过直方图均衡调整图像中的光线的干扰，以减少带凹槽螺栓图像中的干扰，增加检测螺栓是否松动的准确率。

4.通过深度学习模型结合包含带凹槽螺栓的图片训练一位置检测模型，进而通过位置检测模型检测带凹槽螺栓图像的位置，并通过图像裁剪函数截取出带凹槽螺栓图像，以便于夹角检测算法检测凹槽与预设基准之间的夹角。

5.卷积神经网络采用三级级联的结构，以提升检测出带凹槽螺栓的准确率，同时也不至于使卷积神经网络运行得太慢。

6.将计算机检测带凹槽螺栓松动的方法存储于计算机程序中，以便于计算机可读介质运行该计算机程序，以实现快速准确地检测带凹槽螺栓是否松动。

7.在带凹槽螺栓松动的计算机检测带凹槽螺栓松动的系统中设置拍摄模块、位置检测模块及夹角检测模块，以使计算机检测带凹槽螺栓松动的系统实现快速准确地检测带凹槽螺栓是否松动。

【附图说明】

图1是本发明第一实施例计算机检测带凹槽螺栓松动的方法的流程示意图。

图2是本发明第一实施例计算机检测带凹槽螺栓松动的方法中步骤s2的流程示意图。

图3是本发明第一实施例计算机检测带凹槽螺栓松动的方法中卷积神经网络的结构示意图。

图4是本发明第一实施例计算机检测带凹槽螺栓松动的方法中步骤s3的流程示意图。

图5是本发明第一实施例计算机检测带凹槽螺栓松动的方法中步骤s31的流程示意图。

图6是本发明第一实施例计算机检测带凹槽螺栓松动的方法中获取的带凹槽螺栓图片的示意图。

图7是本发明第一实施例计算机检测带凹槽螺栓松动的方法中截取的仅包含带凹槽螺栓图像的示意图。

图8是本发明第一实施例计算机检测带凹槽螺栓松动的方法中对带凹槽螺栓图像进行二值化处理的示意图。

图9是本发明第一实施例计算机检测带凹槽螺栓松动的方法中设定预设基准的示意图。

图10是本发明第一实施例计算机检测带凹槽螺栓松动的方法中检测凹槽与预设基准夹角的示意图。

图11是本发明变形实施例计算机检测带凹槽螺栓松动的方法中获取的带凹槽螺栓图片的示意图。

图12是本发明变形实施例计算机检测带凹槽螺栓松动的方法中截取的仅包含带凹槽螺栓图像的示意图。

图13是本发明变形实施例计算机检测带凹槽螺栓松动的方法中对带凹槽螺栓图像进行二值化处理的示意图。

图14是本发明变形实施例计算机检测带凹槽螺栓松动的方法中设定预设基准的示意图。

图15是本发明变形实施例计算机检测带凹槽螺栓松动的方法中检测凹槽与预设基准夹角的示意图。

图16是本发明第三实施例检测计算机检测带凹槽螺栓松动的系统的模块示意图。

图17是本发明第三实施例检测计算机检测带凹槽螺栓松动的系统中夹角检测模块的模块示意图。

附图标记说明：1、计算机检测带凹槽螺栓松动的系统；11、拍摄模块；12、位置检测模块；13、夹角检测模块；131、转换单元；132、腐蚀单元；133、设定单元；134、夹角检测单元。

【具体实施方式】

为了使本发明的目的，技术方案及优点更加清楚明白，以下结合附图及实施实例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

请参阅图1，本发明第一实施例提供一种计算机检测带凹槽螺栓松动的方法，该方法包括以下步骤，

步骤s1：获取包含至少一带凹槽螺栓的图片；

步骤s2：检测带凹槽螺栓在图片中的位置，并截取出带凹槽螺栓的图像；及

步骤s3：检测图像中凹槽与预设基准之间的夹角，并基于对夹角的比较检测带凹槽螺栓是否松动。

首先，获取包含至少一带凹槽螺栓的图片；然后，检测带凹槽螺栓在图片中的位置，并截取出带凹槽螺栓的图像；最后，在截取的带凹槽螺栓的图像中检测凹槽与预设基准之间的夹角，并基于对夹角的比较检测带凹槽螺栓是否松动。

可以理解，获取带凹槽螺栓图片的方式包括但不限于使用手机、摄相机、监控器等摄像设备。检测带凹槽螺栓是否松动的场景为地铁车辆中带凹槽螺栓的场景，即拍摄的图片为地铁车辆中包含带凹槽螺栓的图片；

带凹槽螺栓中的凹槽数量可以为一个，也可以为两个及以上。当凹槽的数量为一个时，该螺栓的类型为一字形螺栓；当凹槽的数量为两个时，该螺栓的类型为十字形螺栓；当凹槽的数量为三个时，该螺栓的类型为米字形螺栓，以此类推。相同类型的螺栓在拧紧的情况下，其凹槽的倾斜方向均相同，进而根据凹槽的倾斜方向和预设基准之间的夹角判断螺栓是否发生松动；

利用摄像设备拍摄带凹槽螺栓的图片时，摄像设备与地面方向的夹角保持不变，以使摄像设备的拍摄角度与预设基准的角度保持一致，以保证检测螺栓是否松动的准确性。

请参阅图2，步骤s2检测带凹槽螺栓在图片中的位置，并截取出带凹槽螺栓的图像，进一步还包括以下步骤：

步骤s21：使用深度学习模型结合包含带凹槽螺栓的图片训练一位置检测模型；

步骤s22：通过模型中卷积层提取图片中带凹槽螺栓的图像特征；

步骤s23：通过模型中池化层对提取的图像特征进行池化处理；

步骤s24：通过模型中隐含层判断提取的图像是否为带凹槽螺栓的图像，若是，则进入步骤s25；若否，则返回步骤s21；

步骤s25：输出带凹槽螺栓图像的位置；及

步骤s26：截取仅包含带凹槽螺栓的图像。

首先，使用深度学习模型结合包含带凹槽螺栓的图片训练一位置检测模型；然后，将获取的带凹槽螺栓的图片输入至位置检测模型中，通过模型中卷积层conv(convolution)提取图片中带凹槽螺栓的图像特征；进而，通过模型中池化层(poolinglayer)对提取的图像特征进行池化处理；然后，通过模型中隐含层(hiddenlayer)判断提取的图像是否为带凹槽螺栓的图像，若是，则输出带凹槽螺栓图像的位置，最后，截取仅包含带凹槽螺栓的图像；若否，则再次通过卷积层提取图片中带凹槽螺栓的图像特征，循环上述步骤，直至隐含层判断提取的图像是带凹槽螺栓的图像，继而输出带凹槽螺栓图像的位置，并截取仅包含带凹槽螺栓的图像，以作为夹角检测算法的输入。

可以理解，深度学习模型可以为卷积神经网络rcnn(regionconvolutionalneuralnetwork)和循环神经网络rnn(recurrentneuralnetwork)等，使用深度学习模型训练位置检测模型之前，利用大量包含带凹槽螺栓的图片输入至深度学习模型中，设定卷积层为标记并提取带凹槽螺栓的图像特征，然后，设定池化层为对提取的带凹槽螺栓的图像特征进行池化处理，以对带凹槽螺栓图像进行降维处理，进而，设定隐含层为判断经过池化处理的图像是否为带凹槽螺栓的图像，若是，则根据带凹槽螺栓图像在图片中的位置，输出其位置，并利用一图像剪切函数(imagecrop)截取出仅包含带凹槽螺栓的图像；若否，则返回至使用卷积层提取带凹槽螺栓图像的步骤，并根据步骤顺序向下进行，至此完成对位置检测模型的训练。

请参阅图3，卷积神经网络采用三级级联的结构，即池化层和隐含层的结构均为三层，先后三次对提取的图像特征进行池化和判断处理。其中，i为获取的图片，conv为卷积层，pool为池化层，h1、h2、h3均为隐含层，b0、b1、b2、b3为带凹槽螺栓图像，c1、c2、c3均为带凹槽螺栓的位置。

卷积层提取图片中的图像特征之后，先通过池化层对提取的图像特征进行池化处理，以对带凹槽螺栓图像进行降维处理，然后通过隐含层判断提取的图像特征是否为带凹槽螺栓，若是则输出带凹槽螺栓的位置；并进行第二次池化处理，进而通过隐含层再次判断提取的图像特征是否为带凹槽螺栓，若是则再次输出带凹槽螺栓相对更精准的位置；并进行第三次池化处理，进而通过隐含层再次判断提取的图像特征是否为带凹槽螺栓，若是则再次输出带凹槽螺栓相对更精准的位置，以提升检测出带凹槽螺栓的准确率，同时也不至于使卷积神经网络运行得太慢。

作为一种变形，卷积神经网络还可以采用二级级联、四级级联、五级级联等结构。

请参阅图4，步骤s3检测图像中凹槽与预设基准之间的夹角，以检测带凹槽螺栓是否松动，进一步包括以下步骤：

步骤s31：通过二值化算法将带凹槽螺栓的图像转换为二值图像，以分别获得螺栓部分的图像和凹槽部分的图像；

步骤s32：对凹槽部分的图像进行腐蚀，以消除凹槽中孤立的噪点；

步骤s33：以水平线为参照设定一预设基准，及

步骤s34：使用霍夫变换检测经腐蚀后的凹槽图像与预设基准之间的夹角。

首先，通过二值化算法将带凹槽螺栓的图像转换为二值图像，即将螺栓部分的图像和凹槽部分的图像转换为二值化图像，使螺栓和螺栓中的凹槽呈现黑白两种颜色；继而，对凹槽部分的图像进行腐蚀，以消除凹槽中孤立的噪点；然后，以水平线为参照设定一预设基准；最后，使用霍夫变换(houghtransform)检测经腐蚀后的凹槽图像与预设基准之间的夹角，以判断带凹槽螺栓是否发生松动。

可以理解，预设基准为以水平为参照设定的基准线，即预设基准与水平线呈一角度，其角度有用户设定，可以将其设定为0度、30度、45度等，进而根据预设基准与凹槽的夹角判断螺栓是否发生松动。

请参阅图5，步骤s31通过二值化算法将带凹槽螺栓的图像转换为二值图像，以分别获得螺栓部分的图像和凹槽部分的图像，之前进一步包括：

步骤s311：通过滤波算法过滤带凹槽螺栓图像中的噪声；及

步骤s312：对带凹槽螺栓图像做直方图均衡，以调整带凹槽螺栓图像的亮度。

首先，通过滤波算法过滤带凹槽螺栓图像中的噪声，以消除带凹槽螺栓图像中的噪点；进而，对带凹槽螺栓图像做直方图均衡，以调整带凹槽螺栓图像的亮度，避免带凹槽螺栓图像中存在曝光和\或阴影区域的影响，带凹槽螺栓图像的亮度更均匀，以提高对图像进行二值化转换的准确率。

在一些应用场景中，如截取的带凹槽螺栓图像中存在光线或其他脏点等干扰时，先通过滤波算法过滤图像中的脏点干扰，然后通过直方图均衡调整图像中的光线的干扰，即降低曝光区域的亮度，增加阴影区域的亮度，以减少带凹槽螺栓图像中的干扰。

作为一种变形，步骤s311和步骤s312可以省略。

请参阅图6-10，当带凹槽螺栓的图像中螺栓包含至少两个凹槽时，步骤s34使用霍夫变换检测经腐蚀后的凹槽图像与预设基准之间的夹角时，当螺栓中任一凹槽与预设基准之间的夹角等于0度，则判断带凹槽螺栓处于拧紧状态，反之，则判定带凹槽螺栓处于松动状态。

请参阅图6，在一些应用场景中，通过摄像设备获取列车车头部分的图片，图片中包含有一个螺栓a，且螺栓a的类型为十字形螺栓，即螺栓a中均包含两个凹槽；螺栓a的部分区域经过氧化形成了铁锈。

请参阅图7，首先通过位置检测模型检测并截取仅包含带凹槽螺栓的图像；

请参阅图8，然后通过二值化算法将截取的仅包含带凹槽螺栓的图像转换为二值化图像，以使螺栓部分的图像和凹槽部分的图像呈现出黑白两种颜色，由于铁锈的影响，在带凹槽螺栓上形成多个锈点；

请参阅图9，进而通过对凹槽部分的图像进行腐蚀，以消除凹槽中孤立的噪点，也即消除凹槽中的锈点；进而水平线为参照设定一预设基准p，设定预设基准p与水平线之间的夹角为0度，且当螺栓中任意凹槽与预设基准p之间的夹角等于0度时，则判断带凹槽螺栓处于拧紧状态，反之，当螺栓中的两个凹槽与预设基准p之间的夹角均不等于0度时，则判断带凹槽螺栓处于松动状态；

请参阅图10，最后使用霍夫变换检测经腐蚀后的凹槽图像与预设基准p之间的夹角，检测螺栓a中凹槽与预设基准p之间的夹角为10度，因此得出检测结果：螺栓a处于松动状态，进而，工作人员可根据检测结果拧紧发生松动的螺栓。

请参阅图11-图16，作为一种变形实施例，当带凹槽螺栓的图像中螺栓仅包含一个凹槽时，步骤s34使用霍夫变换检测经腐蚀后的凹槽图像与预设基准之间的夹角时，当螺栓中的凹槽与预设基准之间的夹角等于0度，则判断带凹槽螺栓处于拧紧状态，反之，则判定带凹槽螺栓处于松动状态。

请参阅图11，在一些应用场景中，通过摄像设备获取列车车尾部分的图片，图片中包含有两个螺栓，分别为螺栓b和螺栓c，且两个螺栓的类型均为一字形螺栓，即每个螺栓中仅包含一个凹槽；两个螺栓的部分区域经过氧化形成了铁锈。

请参阅图12，首先通过位置检测模型检测并截取仅包含带凹槽螺栓的图像；

请参阅图13，然后通过二值化算法将截取的仅包含带凹槽螺栓的图像转换为二值化图像，以使螺栓部分的图像和凹槽部分的图像呈现出黑白两种颜色；由于铁锈的影响，在带凹槽螺栓上形成多个锈点；

请参阅图14，进而通过对凹槽部分的图像进行腐蚀，以消除凹槽中孤立的噪点，也即消除凹槽中的锈点；进而水平线为参照设定一预设基准q，设定预设基准q与水平线之间的夹角为60度，且当螺栓中任意凹槽与预设基准q之间的夹角等于0度时，则判断带凹槽螺栓处于拧紧状态，反之，当螺栓中的两个凹槽与预设基准q之间的夹角均不等于0度时，则判断带凹槽螺栓处于松动状态；

请参阅图15，最后使用霍夫变换检测经腐蚀后的凹槽图像与预设基准q之间的夹角，检测螺栓b中凹槽与预设基准q之间的夹角为30度，检测螺栓c中凹槽与预设基准q之间的夹角为0度，也即螺栓c与水平线之间的夹角为60度，因此得出检测结果：螺栓b处于松动状态，螺栓c处于拧紧状态,进而，工作人员可根据检测结果拧紧发生松动的螺栓。

本发明第二实施例提供一种计算机可读介质，计算机可读介质中存储有计算机程序，其中，计算机程序被设置为运行时执行上述的计算机检测带凹槽螺栓松动的方法。

根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分从网络上被下载和安装，和/或从可拆卸介质被安装。在该计算机程序被中央处理单元(cpu)执行时，执行本申请的方法中限定的上述功能。需要说明的是，本申请所述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如包括但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、光纤、便携式紧凑磁盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本申请中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、rf等等，或者上述的任意合适的组合。

可以以一种或多种程序设计语言或其组合来编写用于执行本申请的操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言诸如java、smalltalk、c++，还包括常规的过程式程序设计语言诸如“c”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络包括局域网(lan)或广域网(wan)连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。

请参阅图16，本发明第三实施例提供一种计算机检测带凹槽螺栓松动的系统1，其包括读取模块11、位置检测模块12及夹角检测模块13。

读取模块11被配置为获取包含至少一带凹槽螺栓的图片；

位置检测模块12被配置为检测带凹槽螺栓在图片中的位置，并截取出带凹槽螺栓的图像；

夹角检测模块13被配置为检测图像中凹槽与预设基准之间的夹角，并基于对夹角的比较检测带凹槽螺栓是否松动。

请参阅图17，夹角检测模块13进一步包括转换单元131、腐蚀单元132、设定单元133及夹角检测单元134；

转换单元131被配置为通过二值化算法将带凹槽螺栓的图像转换为二值图像，以分别获得螺栓部分的图像和凹槽部分的图像；

腐蚀单元132被配置为对凹槽部分的图像进行腐蚀，以消除凹槽中孤立的噪点；

设定单元133被配置为以水平线为参照设定一预设基准，及

夹角检测单元134被配置为使用霍夫变换检测经腐蚀后的凹槽图像与预设基准之间的夹角。

第一实施例中的相关限定内容同样适用于本实施例。

与现有技术相比，本发明的计算机检测带凹槽螺栓松动的方法、计算机可读介质及计算机检测带凹槽螺栓松动的系统具有以下优点：

1.首先从获取的带凹槽螺栓的图片中检测并截取带凹槽螺栓的图像，然后检测图像中凹槽与预设基准之间的夹角，并基于对夹角的比较即可检测带凹槽螺栓是否松动，以实现无人化检测螺栓是否发生松动，同时检测的速度和准确率更高；通过在图片中截取出带凹槽螺栓图像的部分，以消除带凹槽螺栓图像以外的部分对检测结果的影响，避免拍摄图像时，由于距离、光线等因素影响检测带凹槽螺栓是否松动的结果。

2.通过对带凹槽螺栓的图像进行二值化处理，以获得螺栓部分的图像和凹槽部分的图像，进而对凹槽部分的图像进行腐蚀，以消除凹槽中孤立的噪点，以使凹槽部分的图像更加明显，并消除图像中的干扰，以增加检测螺栓是否松动的准确率。

3.通过滤波算法过滤图像中的脏点干扰，然后通过直方图均衡调整图像中的光线的干扰，以减少带凹槽螺栓图像中的干扰，增加检测螺栓是否松动的准确率。

4.通过深度学习模型结合包含带凹槽螺栓的图片训练一位置检测模型，进而通过位置检测模型检测带凹槽螺栓图像的位置，并通过图像裁剪函数截取出带凹槽螺栓图像，以便于夹角检测算法检测凹槽与预设基准之间的夹角。

5.卷积神经网络采用三级级联的结构，以提升检测出带凹槽螺栓的准确率，同时也不至于使卷积神经网络运行得太慢。

6.将计算机检测带凹槽螺栓松动的方法存储于计算机程序中，以便于计算机可读介质运行该计算机程序，以实现快速准确地检测带凹槽螺栓是否松动。

7.在带凹槽螺栓松动的计算机检测带凹槽螺栓松动的系统中设置拍摄模块、位置检测模块及夹角检测模块，以使计算机检测带凹槽螺栓松动的系统实现快速准确地检测带凹槽螺栓是否松动。

以上所述仅为本发明较佳实施例而已，并不用以限制本发明，凡在本发明原则之内所作的任何修改，等同替换和改进等均应包含本发明的保护范围之内。