一种钢桥高强螺栓信息化管理方法与流程

1.本发明属于钢桥施工管理领域，涉及一种钢桥螺栓信息化管理的方法；更具体地，是涉及一种基于计算机视觉的钢桥螺栓和智能定扭矩电动扳手的钢桥高强螺栓信息化管理方法。


背景技术：

2.钢结构具有自重较轻、承载能力较强、可装配化施工、可回收性好等优点，在各类桥梁的建设中钢结构的使用越来越广泛；高强螺栓连接因施工简便、可替换、承载力高等优点逐步取代传统铆接、焊接连接方式，成为钢桥节点连接的主要连接方式；高强度螺栓松动、断裂等问题与现场安装质量有密切联系，传统高强度螺栓施工信息以纸质记录为主，过程管控信息化程度低，无法获取螺栓施拧扭矩，无法实现高效管理及螺栓信息追溯查询，在运营与维护阶段施拧信息获取困难。
3.在仅采用智能定扭矩电动扳手进行施工时，在实际施工过程中由于工人施工便利性等因素导致螺栓施拧顺序不一致，会导致在后期管理阶段高强度螺栓施工管理系统中所记录的终拧扭矩、终拧旋转角度无法与被施拧螺栓进行逐颗对应的问题；亟需要钢结构桥梁高强度螺栓信息化管理。


技术实现要素：

4.为了克服已有技术的不足，本发明提供了一种钢桥高强螺栓信息化管理方法，旨在克服在实际施工过程中由于工人施工便利性等因素导致螺栓施拧顺序不一致，以至于在后期管理阶段高强度螺栓施工管理系统中所记录的终拧扭矩、终拧旋转角度无法与被施拧螺栓进行逐颗对应的问题，旨在解决现场施工质量的管理缺乏整体性、缺乏关联性、施工溯源性差等问题，实现钢桥高强度螺栓在施工、运营阶段进行逐颗螺栓施工信息的快速查询。
5.本发明解决其技术问题所采用的技术方案是：
6.一种钢桥高强螺栓信息化管理方法，包括以下步骤：
7.1)、图像采集及预处理：采集钢桥螺栓节点板图像，使用photoshop图像处理软件将每张图像的尺寸裁剪到设定大小，对原始钢桥螺栓头中心点进行标注，将mask掩模、json文件、原始钢桥螺栓图像整合为钢桥螺栓图像数据集，再对钢桥螺栓图像数据集进行数据增强操作得到增强后的钢桥螺栓图像数据集；
8.2)、搭建螺栓中心点识别模型：在基于tensorflow的keras深度学习框架上搭建目标中心点网络，使用coco数据集对模型进行预训练至螺栓中心点识别模型收敛；
9.3)、训练螺栓孔识别模型：将增强后的数据集按照设定比例划分为训练集和验证集，将训练集输入预训练后的模型进行训练，采用均方误差mse函数作为模型的目标函数，采用动态学习率，选用adam作为优化器对模型进行训练，利用验证集选出最佳模型并将其搭载到智能定扭矩电动扳手下端的小型计算单元中；
10.4)、使用已连接扳手的手机端app扫描二维码与节点板整体识别：初拧完成后，扫
描人员二维码和施工派工单，随后使用智能定扭矩电动扳手上端的摄像头对螺栓节点板拍摄一张整体图像，将该图像输入螺栓中心点识别模型进行识别，输出当前节点板螺栓螺栓个数，与二维码扫描结果对照与确认，并对每颗螺栓进行编号；
11.5)、终拧与拍照：使用智能定扭矩电动扳手对螺栓进行终拧，按下施拧键的同时，扳手上端的摄像头拍摄一张照片；
12.6)、当前施拧螺栓编号识别：将摄像头所拍摄的照片输入扳手下端的小型计算单元中，识别出当前施拧螺栓的位置编号；
13.7)、当前施拧螺栓信息记录：每施拧一颗螺栓后，使用绿框在原先拍摄的整体图像对应螺栓位置将该螺栓框出，直至该节点板所有的螺栓都被框出；将当前施拧图像、已使用绿框框选记录后的整体图像，以及每颗螺栓对用的编号、施拧旋转角度、当前节点板编号、操作人员等信息传入高强度螺栓施工管理系统；当一个节点板所传入的整体图像显示所有螺栓都已使用绿框框选出之后，智能定扭矩电动扳手上端的指示灯显示绿色；
14.进一步，在步骤2)中，所述螺栓中心点识别模型中，网络模型为以加深的resnet50为特征提取网络的全卷积网络，所述结构网络包括：
15.(1)输入大小为704*512经过预处理的三通道图片；其中conv block和identity block与resnet一致，denconv block为一个带有batchnomalization和relu激活函数的大小为(4,4)步长为2的转置卷积核；
16.(2)conv1层：一个带有batchnomalization和relu激活函数的卷积层，卷积核的大小为7*7，步长为2，输出大小为352*256的64个特征图；一个滤波器大小为(3,3)，步长为2的最大池化层，输出大小为176*128的64个特征图；
17.(3)conv2层：包含一个conv block和两个identityblock，conv block输出大小为256*128的256个特征图；两个identity block的输出皆是大小为176*128的256个特征图；
18.(4)conv3层：包含一个conv block和三个identityblock，conv block输出大小为88*64的512个特征图；三个identity block的输出皆是大小为88*64的512个特征图；
19.(5)conv4层：包含一个conv block和五个identityblock，conv block输出大小为44*32的1024个特征图；五个identity block的输出皆是大小为44*32的1024个特征图；
20.(6)conv5层：包含一个conv block和两个identityblock，conv block输出大小为22*16的2048个特征图；五个identity block的输出皆是大小为66*16的2048个特征图；
21.(7)deconv6层:包含一个denconv block，输出大小为44*32的256个特征图；
22.(8)deconv7层:包含一个denconv block，输出大小为88*64的256个特征图；
23.(9)deconv8层:包含一个denconv block，输出大小为176*128的256个特征图；
24.(10)deconv9层:包含一个denconv block，输出大小为352*256的128个特征图；
25.(11)conv10层：包含一个大小为(1,1)步长为1的卷积核，输出大小为352*256大小的螺栓中心点热力图。
26.再进一步，在步.4)中，所述施工派工单二维码是由项目技术人员在高强度螺栓施工管理系统施工计划管理界面将螺栓区域、实验室标定施工扭矩和施拧时间进行相互关联后所生成的派工单，其中具有施拧节点的具体位置与施拧节点板的螺栓个数；所述智能定扭矩电动扳手集成了扭矩传感器和数控系统，在施拧过程中能设定、显示和记录电动扳手的最终输出扭矩；
27.优选的，在步骤4)中，每颗螺栓的编号方法为，首先根据螺栓定位模型所输出的螺栓中心点二维坐标(该坐标是以图片左上角角点为原点)，将二维坐标换算到一维坐标后对螺栓进行编号，坐标变换方法如图4所示：
28.坐标换算公式如下：c＝[[y/a]/b]
×
50000+x
[0029]
式中c为换算后的中心点坐标，y为螺栓中心点模型输出坐标中的y轴坐标值，x为螺栓中心点模型输出坐标中的x轴坐标值；a、b为同一行螺栓中心点y轴坐标阈值参数，a、b范围都为1～9，大小由螺栓图像所占图像面积大小确定，初始值设定为a＝9，b＝6；
[0030]
将所有螺栓中心点二维坐标换算到一维坐标系后，使用kmeans聚类算法对中心点进行聚类，根据二维码扫描结果所显示每行螺栓个数设定每簇中心点个数，对中心点进行聚类后，在一维坐标轴上从左到右的顺序对每簇中心点进行排序，第一簇中的中心点即为第一行螺栓，对每簇中心点坐标按照坐标轴大小进行排序，然后标记出每个中心点的螺栓编号，例如第一行第一颗螺栓的标记应为0101，以便于后续当前施拧螺栓识别。
[0031]
在所述步骤5)中，所述螺栓节点面板图像包含该面板的边界。
[0032]
在所述步骤6)中，根据螺栓中心点模型所输出的螺栓中心点二维坐标换算到一维坐标系后，将将步骤4)中变换后的螺栓中心点一维坐标与当前图像中螺栓中心点一维坐标逐个进行距离计算，距离计算公式如下：
[0033]
d＝|c-c
′
|
[0034]
式中d为整体图像与施拧图像中经坐标变换后逐个中心点间的距离，c为终拧前所拍摄的整体图像中变换到一维坐标中的中心点坐标，c
′
为施拧时所拍摄的当前施拧图像中变换到一维坐标中的中心点坐标；
[0035]
两张图像中对应的中心点间距离应该相等，当两张图片中同一编号的螺栓中心点距离明显大于前面编号的对应螺栓中心点距离时，整体图像中所对应的该螺栓编号即为当前施拧螺栓编号。
[0036]
优选的，在步骤6)中，所述高强度螺栓施工管理系统能从施拧工具、操作人员、施拧扭矩、螺栓图像、螺栓孔编号、节点板编号等多方面对螺栓施工过程进行管控。
[0037]
在所述步骤7)中，所述高强度螺栓施工管理系统通过二维码方式实现操作人员、施拧工，施拧任务、施拧螺栓四项信息的协同与关联；所述高强度螺栓施工管理系统采用gprs或蓝牙无线传输方式实现施工数据的实时上传。
[0038]
所述步骤1)中，使用photoshop图像处理软件将每张图像的尺寸裁剪到4:3的大小，利用labelme标注软件对原始钢桥螺栓头中心点进行标注；所述数据增强操作包括翻转、旋转、裁剪、变形和缩放。
[0039]
所述步骤3)中，将增强后的数据集按照8:2的比例划分为训练集和验证集。
[0040]
本发明的有益效果主要表现在：本发明实现钢结构桥梁高强度螺栓信息化管理，方便在运营与维护阶段快速查询螺栓各种施工信息，例如施拧扭矩、螺栓编号、节点板编号、施拧工具、操作人员等信息，结合定扭矩电动扳手、高强度螺栓施工管理系统与深度学习，提出了一种钢桥高强螺栓信息化管理方法，该电动扳手集成扭矩传感器和数控系统的定扭矩电动扳手，可显示和记录电动扳手的最终输出扭矩。
附图说明
[0041]
图1为本发明提出的钢桥高强螺栓信息化管理方法的流程框图。
[0042]
图2为螺栓中心点识别网络结构图。
[0043]
图3为本发明所使用的智能定扭矩电动扳手，其中，1为小型计算单元，2为电机，3为信息传输模块，4为数据存储模块，5为数显控制部分，6为鱼眼镜头，7为指示灯，8为套筒。
[0044]
图4为螺栓中心点坐标变换示意图。
[0045]
图5为当前施拧螺栓编号识别示意图。
具体实施方式
[0046]
下面结合附图对本发明作进一步描述。
[0047]
参照图1～图5，一种钢桥高强螺栓信息化管理方法，包括以下步骤：
[0048]
1)、图像采集及预处理：采集钢桥螺栓节点板图像，使用photoshop图像处理软件将每张图像的尺寸裁剪到4:3的大小，利用labelme标注软件对原始钢桥螺栓头中心点进行，将mask掩模、json文件、原始钢桥螺栓图像整合为钢桥螺栓图像数据集，再对钢桥螺栓图像数据集进行翻转、旋转、裁剪、变形、缩放等数据增强操作得到增强后的钢桥螺栓图像数据集；
[0049]
2)、搭建螺栓中心点识别模型：在基于tensorflow的keras深度学习框架上搭建目标中心点网络，使用coco数据集对模型进行预训练至螺栓中心点识别模型收敛；
[0050]
在所述步骤2)中，所述螺栓中心点识别模型结构如图2所示，该网络模型为以加深的resnet50为特征提取网络的全卷积网络，所述结构网络包括：
[0051]
(1)输入大小为704*512经过预处理的三通道图片；其中conv block和identity block与resnet一致，denconv block为一个带有batchnomalization和relu激活函数的大小为(4,4)步长为2的转置卷积核；
[0052]
(2)conv1层：一个带有batchnomalization和relu激活函数的卷积层，卷积核的大小为7*7，步长为2，输出大小为352*256的64个特征图；一个滤波器大小为(3,3)，步长为2的最大池化层，输出大小为176*128的64个特征图；
[0053]
(3)conv2层：包含一个conv block和两个identityblock，conv block输出大小为256*128的256个特征图；两个identity block的输出皆是大小为176*128的256个特征图；
[0054]
(4)conv3层：包含一个conv block和三个identityblock，conv block输出大小为88*64的512个特征图；三个identity block的输出皆是大小为88*64的512个特征图；
[0055]
(5)conv4层：包含一个conv block和五个identityblock，conv block输出大小为44*32的1024个特征图；五个identity block的输出皆是大小为44*32的1024个特征图；
[0056]
(6)conv5层：包含一个conv block和两个identityblock，conv block输出大小为22*16的2048个特征图；五个identity block的输出皆是大小为66*16的2048个特征图；
[0057]
(7)deconv6层:包含一个denconv block，输出大小为44*32的256个特征图；
[0058]
(8)deconv7层:包含一个denconv block，输出大小为88*64的256个特征图；
[0059]
(9)deconv8层:包含一个denconv block，输出大小为176*128的256个特征图；
[0060]
(10)deconv9层:包含一个denconv block，输出大小为352*256的128个特征图；
[0061]
(11)conv10层：包含一个大小为(1,1)步长为1的卷积核，输出大小为352*256大小
的螺栓中心点热力图。
[0062]
3)、训练螺栓孔识别模型：将增强后的数据集按照8:2的比例划分为训练集和验证集，将训练集输入预训练后的模型进行训练，采用均方误差mse函数作为模型的目标函数，采用动态学习率，选用adam作为优化器对模型进行训练，利用验证集选出最佳模型并将其搭载到智能定扭矩电动扳手下端的小型计算单元中；
[0063]
4)、使用已连接扳手的手机端app扫描二维码与节点板整体识别：初拧完成后，扫描人员二维码和施工派工单，随后使用智能定扭矩电动扳手上端的摄像头对螺栓节点板拍摄一张整体图像，将该图像输入螺栓中心点识别模型进行识别，输出当前节点板螺栓螺栓个数，与二维码扫描结果对照与确认，并对每颗螺栓进行编号；
[0064]
在所述步骤4)中，所述施工派工单二维码是由项目技术人员在高强度螺栓施工管理系统施工计划管理界面将螺栓区域、实验室标定施工扭矩和施拧时间进行相互关联后所生成的派工单，其中具有施拧节点的具体位置与施拧节点板的螺栓个数；所述智能定扭矩电动扳手集成了扭矩传感器和数控系统，在施拧过程中能设定、显示和记录电动扳手的最终输出扭矩；
[0065]
在所述步骤4)中，每颗螺栓的编号方法为，首先根据螺栓定位模型所输出的螺栓中心点二维坐标(该坐标是以图片左上角角点为原点)，将二维坐标换算到一维坐标后对螺栓进行编号，坐标变换方法如图4所示：
[0066]
坐标换算公式如下：c＝[[y/a]/b]
×
50000+x
[0067]
式中c为换算后的中心点坐标，y为螺栓中心点模型输出坐标中的y轴坐标值，x为螺栓中心点模型输出坐标中的x轴坐标值；a、b为同一行螺栓中心点y轴坐标阈值参数，a、b范围都为1～9，大小由螺栓图像所占图像面积大小确定，初始值设定为a＝9，b＝6；
[0068]
将所有螺栓中心点二维坐标换算到一维坐标系后，使用kmeans聚类算法对中心点进行聚类，根据二维码扫描结果所显示每行螺栓个数设定每簇中心点个数，对中心点进行聚类后，在一维坐标轴上从左到右的顺序对每簇中心点进行排序，第一簇中的中心点即为第一行螺栓，对每簇中心点坐标按照坐标轴大小进行排序，然后标记出每个中心点的螺栓编号，列如第一行第一颗螺栓的标记应为0101，以便于后续当前施拧螺栓识别；
[0069]
5)、终拧与拍照：使用智能定扭矩电动扳手对螺栓进行终拧，按下施拧键的同时，扳手上端的摄像头拍摄一张照片；
[0070]
在所述步骤5)中，所述螺栓节点面板图像包含该面板的边界；
[0071]
6)、当前施拧螺栓编号识别：将摄像头所拍摄的照片输入扳手下端的小型计算单元中，识别出当前施拧螺栓的位置编号；
[0072]
在素数步骤6)中，当前施拧螺栓的位置编号识别方法如图5所示，根据螺栓中心点模型所输出的螺栓中心点二维坐标换算到一维坐标系后，将将步骤4)中变换后的螺栓中心点一维坐标与当前图像中螺栓中心点一维坐标逐个进行距离计算，距离计算公式如下：
[0073]
d＝|c-c
′
|
[0074]
式中d为整体图像与施拧图像中经坐标变换后逐个中心点间的距离，c为终拧前所拍摄的整体图像中变换到一维坐标中的中心点坐标，c
′
为施拧时所拍摄的当前施拧图像中变换到一维坐标中的中心点坐标；
[0075]
两张图像中对应的中心点间距离应该相等，当两张图片中同一编号的螺栓中心点
距离明显大于前面编号的对应螺栓中心点距离时，整体图像中所对应的该螺栓编号即为当前施拧螺栓编号；
[0076]
在所述步骤6)中，所述高强度螺栓施工管理系统能从施拧工具、操作人员、施拧扭矩、螺栓图像、螺栓孔编号、节点板编号等多方面对螺栓施工过程进行管控；
[0077]
7)、当前施拧螺栓信息记录：每施拧一颗螺栓后，使用绿框在原先拍摄的整体图像对应螺栓位置将该螺栓框出，直至该节点板所有的螺栓都被框出；将当前施拧图像、已使用绿框框选记录后的整体图像，以及每颗螺栓对用的编号、施拧旋转角度、当前节点板编号、操作人员等信息传入高强度螺栓施工管理系统；当一个节点板所传入的整体图像显示所有螺栓都已使用绿框框选出之后，智能定扭矩电动扳手上端的指示灯显示绿色；
[0078]
在所述步骤.7)中，所述高强度螺栓施工管理系统通过二维码方式实现操作人员、施拧工，施拧任务、施拧螺栓四项信息的协同与关联；所述高强度螺栓施工管理系统采用gprs或蓝牙)线传输方式实现施工数据的实时上传。
[0079]
在施拧过程中，施工现场管理人员可以通过云端连接实时监控当前施工情况，查看未显示绿色的节点板位置的螺栓漏拧情况，通过平台进行提示消息发送，施工人员可在手机端app接收到漏拧螺栓的信息，包括节点板编号、漏拧螺栓编号，然后到对应节点板位置对该螺栓进行检查，通过这种方式，即便管理人员不在现场，也可以实时掌握当前施工进度和现场情况。
[0080]
当螺栓终拧扭矩与实验室预设扭矩的差值超过阈值时，高强度螺栓施工管理系统上所传入的整体图像在该螺栓位置处以红框框选。
[0081]
当有螺栓的终拧扭矩不达标时，即使节点板上所有螺栓都经历一遍终拧后，智能电动扭矩扳手上端的指示灯仍不显示绿色，此时系统自动发送终拧未达标螺栓的编号，现场施工人员根据信息提示重新对相应螺栓进行施拧，当节点板上所有螺栓终拧扭矩都达标过后，扳手上端的指示灯显示绿色。
[0082]
本说明书的实施例所述的内容仅仅是对发明构思的实现形式的列举，仅作说明用途。本发明的保护范围不应当被视为仅限于本实施例所陈述的具体形式，本发明的保护范围也及于本领域的普通技术人员根据本发明构思所能想到的等同技术手段。

技术特征：
1.一种钢桥高强螺栓信息化管理方法，其特征在于，所述方法包括以下步骤：1)、图像采集及预处理：采集钢桥螺栓节点板图像，使用photoshop图像处理软件将每张图像的尺寸裁剪到设定大小，对原始钢桥螺栓头中心点进行标注，将mask掩模、json文件、原始钢桥螺栓图像整合为钢桥螺栓图像数据集，再对钢桥螺栓图像数据集进行数据增强操作得到增强后的钢桥螺栓图像数据集；2)、搭建螺栓中心点识别模型：在基于tensorflow的keras深度学习框架上搭建目标中心点网络，使用coco数据集对模型进行预训练至螺栓中心点识别模型收敛；3)、训练螺栓孔识别模型：将增强后的数据集按照设定比例划分为训练集和验证集，将训练集输入预训练后的模型进行训练，采用均方误差mse函数作为模型的目标函数，采用动态学习率，选用adam作为优化器对模型进行训练，利用验证集选出最佳模型并将其搭载到智能定扭矩电动扳手下端的小型计算单元中；4)、使用已连接扳手的手机端app扫描二维码与节点板整体识别：初拧完成后，扫描人员二维码和施工派工单，随后使用智能定扭矩电动扳手上端的摄像头对螺栓节点板拍摄一张整体图像，将该图像输入螺栓中心点识别模型进行识别，输出当前节点板螺栓螺栓个数，与二维码扫描结果对照与确认，并对每颗螺栓进行编号；5)、终拧与拍照：使用智能定扭矩电动扳手对螺栓进行终拧，按下施拧键的同时，扳手上端的摄像头拍摄一张照片；6)、当前施拧螺栓编号识别：将摄像头所拍摄的照片输入扳手下端的小型计算单元中，识别出当前施拧螺栓的位置编号；7)、当前施拧螺栓信息记录：每施拧一颗螺栓后，使用绿框在原先拍摄的整体图像对应螺栓位置将该螺栓框出，直至该节点板所有的螺栓都被框出；将当前施拧图像、已使用绿框框选记录后的整体图像，以及每颗螺栓对用的编号、施拧旋转角度、当前节点板编号、操作人员等信息传入高强度螺栓施工管理系统；当一个节点板所传入的整体图像显示所有螺栓都已使用绿框框选出之后，智能定扭矩电动扳手上端的指示灯显示绿色。2.如权利要求1所述的一种钢桥高强螺栓信息化管理方法，其特征在于，在步骤2)中，所述螺栓中心点识别模型中，网络模型为以加深的resnet50为特征提取网络的全卷积网络，所述结构网络包括：(1)输入大小为704*512经过预处理的三通道图片；其中conv block和identity block与resnet一致，denconv block为一个带有batchnomalization和relu激活函数的大小为(4,4)步长为2的转置卷积核；(2)conv1层：一个带有batchnomalization和relu激活函数的卷积层，卷积核的大小为7*7，步长为2，输出大小为352*256的64个特征图；一个滤波器大小为(3,3)，步长为2的最大池化层，输出大小为176*128的64个特征图；(3)conv2层：包含一个conv block和两个identityblock，conv block输出大小为256*128的256个特征图；两个identity block的输出皆是大小为176*128的256个特征图；(4)conv3层：包含一个conv block和三个identityblock，conv block输出大小为88*64的512个特征图；三个identity block的输出皆是大小为88*64的512个特征图；(5)conv4层：包含一个conv block和五个identityblock，conv block输出大小为44*32的1024个特征图；五个identity block的输出皆是大小为44*32的1024个特征图；
(6)conv5层：包含一个conv block和两个identityblock，conv block输出大小为22*16的2048个特征图；五个identity block的输出皆是大小为66*16的2048个特征图；(7)deconv6层:包含一个denconv block，输出大小为44*32的256个特征图；(8)deconv7层:包含一个denconv block，输出大小为88*64的256个特征图；(9)deconv8层:包含一个denconv block，输出大小为176*128的256个特征图；(10)deconv9层:包含一个denconv block，输出大小为352*256的128个特征图；(11)conv10层：包含一个大小为(1,1)步长为1的卷积核，输出大小为352*256大小的螺栓中心点热力图。3.如权利要求1或2所述的一种钢桥高强螺栓信息化管理方法，其特征在于，在步.4)中，所述施工派工单二维码是由项目技术人员在高强度螺栓施工管理系统施工计划管理界面将螺栓区域、实验室标定施工扭矩和施拧时间进行相互关联后所生成的派工单，其中具有施拧节点的具体位置与施拧节点板的螺栓个数；所述智能定扭矩电动扳手集成了扭矩传感器和数控系统，在施拧过程中能设定、显示和记录电动扳手的最终输出扭矩。4.如权利要求3所述的一种钢桥高强螺栓信息化管理方法，其特征在于，在步骤4)中，每颗螺栓的编号方法为，首先根据螺栓定位模型所输出的螺栓中心点二维坐标(该坐标是以图片左上角角点为原点)，将二维坐标换算到一维坐标后对螺栓进行编号，坐标变换方法如图4所示：坐标换算公式如下：c＝[[y/a]/b]
×
50000+x式中c为换算后的中心点坐标，y为螺栓中心点模型输出坐标中的y轴坐标值，x为螺栓中心点模型输出坐标中的x轴坐标值；a、b为同一行螺栓中心点y轴坐标阈值参数，a、b范围都为1～9，大小由螺栓图像所占图像面积大小确定，初始值设定为a＝9，b＝6；将所有螺栓中心点二维坐标换算到一维坐标系后，使用kmeans聚类算法对中心点进行聚类，根据二维码扫描结果所显示每行螺栓个数设定每簇中心点个数，对中心点进行聚类后，在一维坐标轴上从左到右的顺序对每簇中心点进行排序，第一簇中的中心点即为第一行螺栓，对每簇中心点坐标按照坐标轴大小进行排序，然后标记出每个中心点的螺栓编号，例如第一行第一颗螺栓的标记应为0101，以便于后续当前施拧螺栓识别。5.如权利要求1或2所述的一种钢桥高强螺栓信息化管理方法，其特征在于，在所述步骤5)中，所述螺栓节点面板图像包含该面板的边界。6.如权利要求1或2所述的一种钢桥高强螺栓信息化管理方法，其特征在于，在所述步骤6)中，根据螺栓中心点模型所输出的螺栓中心点二维坐标换算到一维坐标系后，将将步骤4)中变换后的螺栓中心点一维坐标与当前图像中螺栓中心点一维坐标逐个进行距离计算，距离计算公式如下：d＝|c-c
′
|式中d为整体图像与施拧图像中经坐标变换后逐个中心点间的距离，c为终拧前所拍摄的整体图像中变换到一维坐标中的中心点坐标，c
′
为施拧时所拍摄的当前施拧图像中变换到一维坐标中的中心点坐标；两张图像中对应的中心点间距离应该相等，当两张图片中同一编号的螺栓中心点距离明显大于前面编号的对应螺栓中心点距离时，整体图像中所对应的该螺栓编号即为当前施拧螺栓编号。
7.如权利要求6所述的一种钢桥高强螺栓信息化管理方法，其特征在于，在步骤6)中，所述高强度螺栓施工管理系统能从施拧工具、操作人员、施拧扭矩、螺栓图像、螺栓孔编号、节点板编号等多方面对螺栓施工过程进行管控。8.如权利要求1或2所述的一种钢桥高强螺栓信息化管理方法，其特征在于，在所述步骤7)中，所述高强度螺栓施工管理系统通过二维码方式实现操作人员、施拧工，施拧任务、施拧螺栓四项信息的协同与关联；所述高强度螺栓施工管理系统采用gprs或蓝牙无线传输方式实现施工数据的实时上传。9.如权利要求1或2所述的一种钢桥高强螺栓信息化管理方法，其特征在于，所述步骤1)中，使用photoshop图像处理软件将每张图像的尺寸裁剪到4:3的大小，利用labelme标注软件对原始钢桥螺栓头中心点进行标注；所述数据增强操作包括翻转、旋转、裁剪、变形和缩放。10.如权利要求1或2所述的一种钢桥高强螺栓信息化管理方法，其特征在于，所述步骤3)中，将增强后的数据集按照8:2的比例划分为训练集和验证集。

技术总结
一种钢桥高强螺栓信息化管理方法，采集数据集，搭建基于全卷积神经网络的螺栓中心点识别模型，将训练好的模型搭载到小型计算单元上；终拧前将螺栓节点面板的整体图像输入到模型中，识别出节点板螺栓分布情况；扫描二维码，确认二维码与扫描结果与模型识别结果对应；每施拧一颗螺栓采集对应的图像，识别出当前施拧螺栓所在行数列数；将螺栓图像与其所对应的编号、终拧角度、终拧扭矩、节点板编号输入高强度螺栓施工管理系统进行逐个对应。本发明解决现场施工质量的管理缺乏整体性、缺乏关联性、施工溯源性差等问题，实现钢桥高强度螺栓在施工、运营阶段进行逐颗螺栓施工信息的快速查询。询。询。


技术研发人员：刘燕妮 徐鑫忠
受保护的技术使用者：杭州耐伸智能科技有限公司
技术研发日：2023.03.01
技术公布日：2023/7/19