详情

原文传递基于机器视觉的钢桥高强螺栓松动检测方法研究

论文题名：	基于机器视觉的钢桥高强螺栓松动检测方法研究
关键词：	钢结构桥梁;螺栓松动检测;深度学习;图像处理;关键点定位;机器视觉
摘要：	螺栓连接是钢结构桥梁中应用最为广泛的一种连接方式。然而，钢结构桥梁在运营期间，高强螺栓常会受到疲劳荷载、强迫振动等因素的影响，导致螺栓松脱甚至疲劳断裂，影响结构的安全。传统的螺栓松动检测方法存在受人员的主观性影响大、危险性高等缺点，而基于传感器的检测方法需要昂贵的测量通道及辅助的传感器算法，基于听觉的方法也存在泛化性差的缺点，这些方法均无法应对目前钢结构桥梁中数以百万计的高强螺栓检测需求。近年来，随着计算机硬件和深度学习理论的发展，利用计算机和摄像机来代替人眼辨别图像特征为解决螺栓松动识别提供了新的思路。本文针对目前几种主流的螺栓松动识别方法所存在的成本高、效率低、安全性差等问题，综合运用深度学习和数字图像处理等理论，基于计算机视觉等先进技术，采用理论分析、方法提出、实验室试验、现场试验和现场方案构建等相结合的研究方法，构建了基于关键点检测的螺栓松动识别方法。本文的主要工作内容和结果如下: 　　(1)基于深度学习理论，提出了一种高精度的螺栓关键点定位识别方法。首先通过数据增强方法，对原始样本进行扩充，构建螺栓数据集;其次设计并搭建了以ResNet-50为主干的网络模型，使用训练集对模型进行特征定位与训练;通过消融试验确定了模型训练最佳超参数，并对新训练的模型性能进行评估;利用新采集的螺栓图片进行关键点定位试验，得到了较小的误差，通过光照试验证明了模型对光线变化也具有较好的适应性。　　(2)基于数字图像处理技术，提出了一种螺栓松动角度识别方法。首先，利用聚类算法对关键点定位模型输出的点进行分组;其次，采用透视矫正算法对失真图像进行矫正;然后根据螺栓六个角点存在的关系，推导螺栓角度公式，再对比两种状态下螺栓角度的变化，计算螺栓松动角度;通过不同聚类方法的对比试验证明了中心点-角点算法良好分类能力;透视矫正结果表明，该算法可以有效的对失真图像进行矫正，矫正后的图片与真实状态一致;角度准确度试验表明，算法识别值与人工量测值的相关度很高;松动角度试验表明，该算法识别出的松动角度与实际施加的情况非常吻合。　　(3)将性能良好的模型和识别效果较好图像处理算法相结合，开展基于实验室和现场的螺栓松动识别的试验研究，分别进行了实验室试验、现场试验及基于无人机快速巡检的可行性试验。针对实验室试验和现场试验，根据测试结果，对所有可能存在检测环境都提供算法的适用范围;无人机的可行性试验结果表明，相较于定点拍摄图片，使用无人机多次对同一目标螺栓群进行拍摄时的角度误差有一定程度的增大，但误差仍在工程允许范围以内，利用无人机定期对目标螺栓群进行松动巡检的方案是可行的。　　（4）依托实际工程，对可能发生螺栓松动脱落的位置进行增强管控，开展现场螺栓松动实时监测试验研究。首先在测点安装工业级相机，并与部署算法的嵌入式主机相连接，形成一体化的螺栓病害实时监测方案;然后对相机捕获的阶段性图片进行分析，验证了进行现场螺栓松动实时监测的可行性，并给出了现场监测时的松动角度阈值。
作者：	吕硕
专业：	土木工程
导师：	蒋海军;杨国涛
授予学位：	硕士
授予学位单位：	青岛理工大学
学位年度：	2023