仪器仪表学报

作者：刘传洋，吴一全，刘景景

单位：刘传洋,1.南京航空航天大学电子信息工程学院南京211106； 2.池州学院机电工程学院池州247000,liuchuanyang608@nuaa.edu.cn,吴一全,南京航空航天大学电子信息工程学院南京211106,nuaaimage@163.com,刘景景,池州学院机电工程学院池州247000,

关键词：螺栓;铆钉;故障检测;图像处理;深度学习;机器视觉

基金：国家自然科学基金（61573183）、安徽省高校自然科学研究（2023AH052358，2024AH051365）项目资助

螺栓/铆钉分别作为输电线路、铁路交通、桥梁及飞行器等领域工程应用中不可或缺的连接紧固件，其在受到外界环境因素影响时，不免会出现销钉缺失、螺母松动、螺栓锈蚀及铆钉损伤等故障，准确识别有故障的螺栓/铆钉对保障输电线路、铁路交通、飞行器等安全稳定运行具有重要意义。在海量数据驱动下，基于深度学习的螺栓/铆钉故障检测方法利用卷积神经网络自动逐层学习图像的深层特征，通过训练优化网络模型参数提升特征提取能力和泛化能力，取得了比传统图像处理方法更好的检测结果。文章综述了近十年来基于视觉的螺栓/铆钉故障检测方法的研究进展。首先简述了螺栓/铆钉故障特征及视觉检测面临的挑战；然后依托深度学习技术概述了螺栓/铆钉故障检测方法，从双阶段算法、单阶段算法和级联检测模型3个方面对基于深度学习的螺栓/铆钉故障检测方法进行了总结；随后针对线路类、箱体类、构件类螺栓/铆钉典型应用场景，重点阐述了螺栓/铆钉故障的视觉检测方法；最后针对基于机器视觉的螺栓/铆钉故障检测在数据集、样本标注、小目标检测等方面面临挑战，结合现有的深度学习技术和最近的研究思路，详细分析了基于深度学习的螺栓/铆钉故障检测未来的发展趋势。

来源：2025年第3期

《仪器仪表学报》期刊编辑部

查看仪器仪表学报杂志2025年第3期