本發明涉及軌道交通智能檢測，特別涉及一種車底螺栓防松標記檢測方法及系統。
背景技術：
1、在軌道交通領域，車輛底部存在大量用于連接車體、轉向架、底盤及各類結構件的螺栓。為確保這些螺栓在長期運行中承受振動、沖擊及溫度變化時不發生松動，行業普遍在緊固完成后，使用高可視度防松漆或記號筆，以雙線標記等規范化形式進行防松標記。該標記不僅作為生產線上的質量控制手段，亦為后續車輛巡檢維護提供直觀依據。標記的完整性直接反映螺栓是否發生旋轉、松動或遭受外力破壞，因此，對其進行有效檢測是保障車輛安全運行的關鍵環節。
2、目前，除人工目視或固定位置相機拍攝外，還可采用固定相機拍攝，雖然節省了人工現場勘查的成本，但由于拍攝視角固定單一，存在大量視覺盲區，導致許多部件被遺漏；同時，對于大多數螺帽的頂部成像點，其視角易受安裝位置影響而難以捕捉清晰圖像，后續仍需對海量圖像進行人工逐一核查，整體過程穩定性差，且無法形成系統化、可長期回溯的數字化檢測檔案。
3、隨著智能運維與自動化檢測技術的發展，車底巡檢機器人開始投入使用，旨在自動識別螺栓位置、姿態及其防松標記狀態，以實現缺陷的快速定位，從而降低人工運維成本與風險。近年來，深度學習目標檢測、語義分割及多模態等技術的成熟，為這一方向提供了新的解決方案。例如，《地鐵車底松動緊固件視覺檢測算法研究》（鐵道科學與工程學報）提出了一種改進的yolov5結合deeplabv3+并進行多特征融合判斷的技術路線，以緩解傳統方法對拍攝條件和防松標記清晰度要求過高的問題。此外，《基于關鍵點的列車螺栓松動狀態檢測算法研究》（現代電子技術）針對螺栓類型多樣、拍攝環境復雜等問題，提出了一種基于關鍵點檢測的算法，通過改進resnet-18模型并集成空間變換網絡（stn）模塊，將檢測到的螺栓角點拓撲為六邊形結構，進而利用孿生網絡進行松動狀態分類。
4、然而，實際地鐵車底場景中，螺帽、螺母類型繁多，其形狀、尺寸、標記方式各異、投影角度偏差大，檢測難度差異顯著，現有技術無法在應對多種形狀、尺寸的螺帽螺母、以及標記方式各異的情況下保持可靠準確率。
技術實現思路
1、本發明要解決的技術問題是克服現有的螺栓防松標記檢測方法由于二維圖像在不同拍攝視角中防松標記存在偏差，導致檢測結果不準確的問題。
2、為此，本發明第一目的在于提供一種車底螺栓防松標記檢測方法，包括如下步驟：
3、獲取包含待檢測螺栓的原始圖像；
4、基于改進的yolov11網絡對所述原始圖像進行螺栓目標檢測與定位，輸出識別到的螺栓圖像；
5、基于改進的u-net++網絡對所述螺栓圖像中的螺栓和防松線進行分割，得到分割掩碼圖；
6、根據分割掩碼圖提取螺栓區域防松線和非螺栓區域防松線，獲取螺栓區域防松線向量和非螺栓區域防松線向量，比較螺栓頂部和螺栓側部的可視范圍，若螺栓頂部的可視范圍大于和螺栓側部的可視范圍，則對非螺栓區域防松線向量進行投影修正；否則直接執行下一步；
7、比較螺栓區域防松線向量和非螺栓區域防松線向量的夾角，若所述夾角超過預設閾值，則判斷螺栓發生松動。
8、螺栓頂部的可視范圍大于螺栓側部可視范圍時檢測結果受拍攝角度影響較大，因此只在螺栓頂部的可視范圍大于螺栓側部可視范圍時對非螺栓區域防松線向量進行投影修正，提高檢測結果的精確性的同時，避免過度修正導致的計算量與計算誤差增大。
9、作為優選，所述改進的yolov11網絡包括預處理模塊，所述預處理模塊用于將原始圖像與由原始圖像生成的灰度圖像進行融合，生成雙模態特征圖，實現輸入端特征融合，所述原始圖像是rgb三通道圖像。
10、預處理后生成雙模態特征圖輸入到骨干網絡（backbone），提升在光照不均等復雜場景下的特征辨識度。
11、作為優選，所述改進的yolov11網絡包括骨干網絡，所述骨干網絡用于從所述雙模態特征圖提取針對小目標的特征層，包括四級c3k2模塊，前兩級c3k2模塊的輸出端嵌入有坐標注意力模塊，第一級c3k2模塊的輸出端引入p2輸出層。
12、通過在骨干網絡中的前兩級c3k2模塊嵌入坐標注意力模塊，在多級特征提取過程中，優先強化目標的紋理等關鍵特征，同時抑制無關信息，解決小目標特征稀疏問題，最終輸出包含豐富語義信息的高層特征圖。
13、作為優選，所述改進的yolov11網絡還包括特征融合模塊，所述特征融合模塊采用自適應權重方法進行特征融合，所述自適應權重方法包括：
14、將骨干網絡輸出的特征層對齊；
15、將對齊的特征層做全局平均池化后輸入到全連接層，降維成一維權重值；
16、將一維權重值通過激活函數激活，得到原始權重；
17、對原始權重歸一化，得到最終用于特征融合的歸一化權重；
18、采用多尺度特征融合方法將每個對齊的特征層與對應的歸一化權重逐元素相乘后求和，輸出融合特征圖。
19、動態調整不同尺度特征的權重，針對不同類型螺栓的獨特特征進行加權增強，覆蓋極小螺栓，適配更多尺寸和類別的螺栓。
20、作為優選，所述改進的yolov11網絡包括檢測頭模塊，所述檢測頭模塊的anchor基于車底圖像的螺栓標注數據集、通過k-means聚類算法生成，替換默認大小的原生anchor，生成的anchor更加匹配螺栓尺寸。
21、作為優選，所述檢測頭模塊配置有獨立的回歸分支和分類分支，所述回歸分支采用小目標卷積核進行目標定位，回歸損失采用epgiou損失函數計算，所述分類分支在卷積層后添加batchnorm層并配置有gelu激活函數，分類損失采用focal?loss損失函數計算。
22、獨立的分類分支和回歸分支可以采用不同的更符合螺栓特性的損失函數計算方法，結合螺栓專用的anchor，提高小目標定位精度和螺栓尺寸匹配度。
23、作為優選，所述改進的yolov11網絡還包括后處理模塊，所述后處理模塊采用高斯加權方法計算的置信度過濾重疊的預測框，高斯加權方法包括：
24、對預測框按原始置信度降序排序；
25、計算置信度最高的預測框和其他預測框的iou，按預設閾值篩選預測框；
26、將篩選出的預測框的原始置信度通過線性加權soft-nms方法轉換為線性置信度；
27、將線性置信度通過高斯加權soft-nms方法轉換為高斯置信度。
28、采用高斯加權方法計算的置信度過濾重疊的預測框，解決密集螺栓框重疊抑制過度問題，降低密集場景誤檢率。
29、作為優選，所述改進的u-net++網絡包括對螺栓圖像進行預處理前處理模塊，前處理模塊對螺栓圖像進行紅色增強得到拼接圖像，所述紅色增強的方法包括：
30、基于螺栓圖像生成hsv三通道圖像；
31、hsv三通道圖像利用h通道對紅色區域進行篩選得到紅色掩碼區域；
32、將螺栓圖像與紅色掩碼區域進行拼接，生成拼接圖像。
33、作為優選，所述改進的u-net++網絡包括編碼器，所述編碼器引入cbam?注意力機制，利用cbam?注意力機制的通道注意力聚焦紅色特征，cbam?注意力機制的空間注意力定位防松線位置，所述編碼器卷積層采用空洞卷積逐步擴大感受野。
34、作為優選，所述改進的u-net++網絡包括解碼器和細特征融合分支模塊，所述細特征融合分支模塊用于將編碼器底層邊緣特征與解碼器高層語義特征進行融合。
35、作為優選，所述改進的u-net++網絡采用多損失聯合優化策略計算損失，所述多損失聯合優化策略包括：
36、引入focal?dice?loss損失函數計算細結構分割損失；
37、引入laplacian算子計算邊緣損失；
38、將細結構分割損失和邊緣損失加權計算出總損失。
39、作為優選，所述投影修正方法包括：
40、根據分割掩碼圖提取螺栓頂部掩碼區域和螺栓整體掩碼區域；
41、根據螺栓頂部掩碼區域的最小外接矩形的短邊中軸線，與螺栓整體掩碼區域的最小外接矩形的短邊中軸線之間的角度差，確定螺栓傾斜角度；
42、根據螺栓頂部掩碼區域最小外接接矩形中心，至螺栓整體掩碼區域最小外接矩形的中心的向量模，確定偏移步長；
43、將螺栓區域防松線向量的起始點作為基準點，將基準點基于螺栓傾斜角度和偏移步長進行修正，作為修正后的非螺栓區域防松線向量的起始點。
44、將螺栓區域防松線向量的起始點根據螺栓傾斜角度和偏移步長進行投影修正，數據直接從分割掩碼圖提取，計算簡單，準確性高。
45、作為優選，若螺栓頂部的可視范圍大于螺栓側部可視范圍，則從非螺栓區域防松線的掩碼區域中選取距離螺栓區域防松線的掩碼區域最小外接矩形的中心最近的點，作為所述非螺栓區域防松線向量的終止點。
46、作為優選，判斷螺栓頂部的可視范圍大于螺栓側部可視范圍的方法是：根據分割掩碼圖提取螺栓側部掩碼區域，基于螺栓頂部掩碼區域和螺栓側部掩碼區域計算螺栓側部和頂部的面積占比，如果螺栓頂部的面積占比大于螺栓側部的面積占比，則判定螺栓頂部的可視范圍大于螺栓側部可視范圍。
47、本發明第二目的在于提供一種車底螺栓防松標記檢測系統，包括：
48、圖像采集模塊，被配置為獲取包含待檢測螺栓的原始圖像；
49、改進的yolov11網絡，被配置為對所述原始圖像進行螺栓目標檢測與定位，輸出識別到的螺栓圖像；
50、改進的u-net++網絡，被配置為對所述螺栓圖像中的螺栓和防松線進行分割，得到分割掩碼圖；
51、向量提取模塊，被配置為根據分割掩碼圖提取螺栓區域防松線和非螺栓區域防松線，獲取螺栓區域防松線向量和非螺栓區域防松線向量；
52、前置比正；較模塊，比較螺栓頂部和螺栓側部的可視范圍，若螺栓頂部的可視范圍大于和螺栓側部的可視范圍，則對非螺栓區域防松線向量進行投影修正；否則不作修正；
53、防松判斷模塊，比較螺栓區域防松線向量和非螺栓區域防松線向量的夾角，若所述夾角超過預設閾值，則判斷螺栓發生松動。
54、本發明第三目的在于提供一種計算機設備，包括存儲器和處理器，所述存儲器中存儲有計算機指令，所述處理器通過執行計算機指令，從而執行如第一發明目的所述的方法。
55、本發明第四目的在于提供一種計算機可讀存儲介質，該存儲介質存儲有計算機指令，所述計算機指令被計算機運行時執行如第一發明目的所述的方法。
56、與現有技術相比，本發明具有以下有益效果：
57、1.螺栓頂部的可視范圍大于螺栓側部可視范圍時檢測結果受拍攝角度影響較大，因此只在螺栓頂部的可視范圍大于螺栓側部可視范圍時對非螺栓區域防松線向量進行投影修正，提高檢測結果的精確性的同時，避免過度修正導致的計算量與計算誤差增大。
58、2.通過在骨干網絡中的前兩級c3k2模塊嵌入坐標注意力模塊，在多級特征提取過程中，優先強化目標的紋理等關鍵特征，同時抑制無關信息，解決小目標特征稀疏問題，最終輸出包含豐富語義信息的高層特征圖。
59、3.動態調整不同尺度特征的權重，針對不同類型螺栓的獨特特征進行加權增強，覆蓋極小螺栓，適配更多尺寸和類別的螺栓。
60、4.?原始圖像預處理后生成雙模態特征圖再輸入到骨干網絡（backbone），提升在光照不均等復雜場景下的特征辨識度，螺栓圖像在輸入改進的u-net++網絡前對螺栓圖像進行紅色增強得到拼接圖像，讓模型在訓練初期聚焦紅色特征，減少背景干擾。