本发明属于图像识别和装备维护领域，更具体地，涉及一种基于机器视觉的螺栓松动自动检测算法。
背景技术：
1、大型机械设备各器部件存在大量的连接螺栓，连接螺栓容易在运动冲击、温度循环等因素的影响下出现松动，造成螺栓预紧力不足，部件承载能力降低导致机械结构出现异常，给机械设备的正常运转带来重大隐患。因此需对螺栓状态进行监测，及时发现螺栓松动并进行维修。
2、截至目前，可以将检测螺栓松动技术分为以下两种：(1)现场检测技术，包括目视检查、锤击法和扭矩扳手技术；(2)基于传感器的监测技术，包括弹性波、导波、机电阻抗、无线传感器检测螺母旋转角度和电位降变化等方法。现场检查技术非常简单，但早期不能及时发现螺栓松动，且测量误差较大。基于传感器的监测技术是目前较有效的螺栓松动监测方法，但监测系统成本略高，还需要固定每个传感器。
技术实现思路
1、为了克服上述背景技术的缺陷，本发明针对机械设备螺栓松动检测任务面临的挑战以及现有基于油液渗漏检测方法的不足，提供一种基于机器视觉的螺栓松动自动检测算法，能够快速精准地检测和定位螺栓松动异常，并能够适应更多的应用场景。
2、为了解决上述技术问题本发明的所采用的技术方案为：
3、一种基于机器视觉的螺栓松动自动检测算法，包括：
4、步骤1，对待检螺栓区域，使用基于hsv颜色特征的图像分割算法提取防松标记线掩码；
5、步骤2，使用图像形态学开运算过滤独立的噪点；
6、步骤3，使用图像形态学闭运算填充标记线掩码图像中的孔洞；
7、步骤4，计算标记线掩码的外接矩形框；
8、步骤5，统计外接矩形框的数量，判断螺栓是否发生松动。
9、较佳地，步骤1对待检螺栓区域，使用基于hsv颜色特征的图像分割算法提取防松标记线掩码的具体方法包括：
10、步骤1.1，将采集到的待检螺栓区域的rgb图像，转换到hsv颜色空间；
11、步骤1.2，人工标记数张螺栓区域图像中的标识线作为样本，分别提取样本中标识线的hsv特征值，统计其中的最大值和最小值，获取标识线区域在hsv空间中的颜色范围；
12、步骤1.3，依据步骤1.2所得的标识线区域在hsv空间中的颜色范围，搜索图像中全部像素点的hsv特征值，判断像素点的hsv特征值是否符合标识线hsv颜色特征范围，若是，则该像素点为高亮像素点，将该像素值设为1，若否，则该像素点为暗像素点，将该像素值设为0，所得即为粗分割的二值图像。
13、较佳地，步骤2，使用图像形态学开运算过滤独立的噪点的方法包括：
14、步骤2.1，腐蚀操作，即对步骤1.2所得的粗分割的二值图像进行最小值滤波，方法为：用大小为3×3的扫描窗对图像进行扫描，首先对扫描窗内像素值进行排序，判断中心像素值是否小于最小像素值，若是，则将最小像素值替换为中心像素值。
15、步骤2.2，膨胀操作，即对步骤2.1所得经过腐蚀操作之后的粗分割的二值图像进行最大值滤波，方法为：用大小为3×3的扫描窗对图像进行扫描，首先对扫描窗内像素值进行排序，判断中心像素值是否小于最大像素值，若是，则将最大像素值替换为中心像素值。
16、腐蚀和膨胀都是针对白色部分(高亮部分)而言的，膨胀就是使图像中高亮部分扩张，得到比原图更大的高亮区域；腐蚀是原图像中的高亮区域被蚕食，得到比原图更小的高亮区域。
17、通过以上开运算可以清除一些过亮的像素点，放大局部低亮度的区域，在纤细点处分离物体，并且在平滑标识线边界的同时不明显改变其面积。
18、较佳地，步骤3，使用图像形态学闭运算填充标记线掩码区域存在的孔洞的具体方法包括：
19、步骤3.1，对步骤2所得结果进行最大值滤波，方法为：使用大小为3×3的扫描窗对图像进行扫描，首先对扫描窗内像素值进行排序，然后判断中心像素值是否小于最大像素值，若是，则将最大像素值替换为中心像素值；
20、步骤3.2，对步骤3.1所得结果进行最小值滤波，方法为：使用大小为3×3的扫描窗对图像进行扫描，首先对扫描窗内像素值进行排序，然后判断中心像素值是否小于最小像素值，若是，则将最小像素值替换为中心像素值。
21、先膨胀，再腐蚀，可清除一些暗的像素点(即误检像素点)，即排除小型黑洞(黑色区域)。
22、较佳地，步骤4计算各标记线掩码的外接矩形框的具体方法包括：
23、步骤4.1，图像中标识线区域像素点表现为高亮即数值为1，其余部分表现为暗即数值为0，得到各个标识线区域的掩码二值图像；
24、步骤4.2，将标识线区域的边界每次以预设角度增量在90°范围内旋转，记录每次旋转后坐标系方向上的外接矩形边界点的最大坐标值和最小坐标值；当旋转到外接矩形面积或周长最小时，将面积最小的外接矩形的参数作为主轴意义下的长度和宽度，即完成各个独立标识线掩码区域对应的最小外接矩形的计算。
25、较佳地，步骤5统计外接矩形框的数量，判断螺栓是否发生松动的具体方法包括：
26、在外接矩形框生成过程中对生成外接矩形框的数量进行累加计数，判断检测到的外接矩形框数量是否等于预设值，若是，则表示螺栓标识线没有发生断裂，螺栓没有发生松动；判断检测到的标识线外接矩形框的数量是否大于预设限值，若是，则表示螺栓标识线发生断裂，螺栓发生松动。
27、较佳地，步骤4.2的预设角度增量为3°。
28、本发明的有益效果在于：松动螺栓点位检测定位精度高；非接触式测量方法不影响设备正常运行状态；实时性强，灵敏度高，能够快速检测到设备的微弱油液渗漏异常；方法的鲁棒性和适应能力强，能够满足工厂、铁路等场景螺栓松动检测的任务需求，应用前景好；相比于其他类型传感器，视觉传感器成本更低，效价比更高。
1.一种基于机器视觉的螺栓松动自动检测算法，其特征在于，包括：
2.根据权利要求1所述的一种基于机器视觉的螺栓松动自动检测算法，其特征在于，所述步骤1对待检螺栓区域，使用基于hsv颜色特征的图像分割算法提取防松标记线掩码的具体方法包括：
3.根据权利要求2所述的一种基于机器视觉的螺栓松动自动检测算法，其特征在于，所述步骤2，使用图像形态学开运算过滤独立的噪点的方法包括：
4.根据权利要求1所述的一种基于机器视觉的螺栓松动自动检测算法，其特征在于，所述步骤3，使用图像形态学闭运算填充标记线掩码区域存在的孔洞的具体方法包括：
5.根据权利要求1所述的一种基于机器视觉的螺栓松动自动检测算法，其特征在于，所述步骤4计算各标记线掩码的外接矩形框的具体方法包括：
6.根据权利要求1所述的一种基于机器视觉的螺栓松动自动检测算法，其特征在于，所述步骤5统计外接矩形框的数量，判断螺栓是否发生松动的具体方法包括：
7.根据权利要求5所述的一种基于机器视觉的螺栓松动自动检测算法，其特征在于，所述步骤4.2所述的预设角度增量为3°。
