基于计算机视觉的钢桥螺栓松动检测方法

为提高螺栓松动检测的智能化水平,提出一种基于计算机视觉的钢桥螺栓松动检测方法。首先基于深度学习理论建立关键点检测模型,对采集的螺栓图像进行标注并建立数据集;然后分别训练目标检测模型YoloV5和关键点检测模型,并利用训练后的模型自上而下检测螺栓关键点,根据关键点确定螺栓中心点位置,以中心点的相对位置求解透视变换矩阵,利用透视变换矩阵对关键点进行重投影;最后根据关键点的位置变化检测螺栓是否发生松动。结果表明:训练后的YoloV5模型和关键点检测模型可准确检测出螺栓的关键点;关键点的检测精度受图像采集条件影响且对角度更为敏感;利用所有中心点拟合透视变换矩阵的最小二乘解可提高图像几何矫正的精度;不同图像采集环境下,松动螺栓的检测误差在0%~9.6%之间,误检率为2.7%,表明本方法的检测精度和稳定性均较高,具有较好的实用价值和广阔的工程应用前景。

钢结构桥梁疲劳2020年度研究进展

钢结构桥梁具有轻质高强、跨越能力大、易工厂化制造和便于装配化施工等突出优点,是桥梁工程的重要发展方向。但工程实践表明,疲劳与断裂是导致结构服役性能降低甚至引发灾难性事故的关键因素,严重制约了钢结构桥梁发展应用。学者们从不同的角度对于钢结构桥梁疲劳问题进行了深入系统的研究,现聚焦于疲劳失效机理与抗力评估方法、抗疲劳设计与建造技术、环境因素及其疲劳抗力效应机制、疲劳裂纹识别与监测检测、疲劳开裂处置与性能强化等主要方面。对2020年度在相关领域所取得的最新研究进展进行总结,梳理亟待解决的关键问题以及下阶段的研究重点。结果表明,钢结构桥梁疲劳问题是学术界和工程界的研究热点,在对疲劳性能分析评估理论方法、抗疲劳设计和长寿命结构、抗疲劳建造技术、疲劳损伤监测与疲劳微裂纹检测识别、剩余疲劳寿命预测与疲劳性能强化进行研究的基础上,构建钢结构桥梁全寿命周期抗疲劳技术,是未来的研究重点和重要发展方向。

基于多失效模式损伤度相容的钢桥面板抗疲劳设计方法

疲劳荷载是决定正交异性钢桥面板疲劳寿命的外因,重载条件下钢桥面板的短寿问题尤为突出。多构造细节和多疲劳失效模式是钢桥面板疲劳问题的基本属性,其疲劳性能由构造细节疲劳寿命最短的疲劳失效模式决定。考虑剪切结构应力的疲劳寿命效应,基于疲劳裂纹扩展速率与疲劳寿命间的相关关系规律,提出了同时适用于钢桥面板多构造细节和多失效模式疲劳性能评估的广义等效结构应力法,实现了相关构造细节和失效模式疲劳抗力指标的统一表征;进而以构造细节为单位,将钢桥面板结构划分为多级子系统,提出了疲劳损伤累积相容性指标,建立了基于多失效模式损伤度相容的钢桥面板抗疲劳设计方法;在此基础上以有效延长重载条件下钢桥面板的疲劳寿命为主要目标,对三类钢桥面板结构的疲劳性能进行了理论分析和疲劳试验研究。研究结果表明:所提出的广义等效结构应力法适用于钢桥面板各构造细节及其相关失效模式的疲劳性能评估,通过所提出的方法能够准确确定钢桥面板的主导疲劳失效模式;所提出的基于多失效模式损伤度相容的钢桥面板抗疲劳设计方法,可为有效提高钢桥面板的疲劳寿命提供科学依据。

基于超声导波的钢桥面板纵肋对接焊缝疲劳裂纹检测方法

纵肋对接焊缝疲劳开裂作为钢桥面板结构的重要失效模式之一,严重危害桥梁结构耐久和安全运营。通过引入超声导波技术,结合对接焊缝的几何特点与疲劳失效特征,建立了基于超声导波的钢桥面板纵肋对接焊缝疲劳裂纹检测方法。首先搭建了超声导波裂纹检测试验系统,并结合钢桥面板纵肋对接焊缝疲劳试验,对超声导波检测纵肋对接焊缝裂纹的适用性和准确性进行了验证。在此基础上,通过数值分析方法探究了超声导波在纵肋对接焊缝局部区域的传播机制,并进一步分析了不同焊缝与裂纹参数对超声导波传播的影响规律。研究结果表明:采用超声导波方法能够有效检测钢桥面板纵肋对接焊缝的疲劳裂纹,并确定疲劳开裂的位置;超声导波有限元理论分析与试验测试结果符合较好,验证了有限元模型的正确性;采用单面激励的方式在纵肋中形成的超声导波包括A和S模态,其中A模态占主要部分,超声导波传递至焊缝形成的反射波以A模态为主,而较深裂纹形成的反射波以S模态为主;不同焊缝和裂纹参数对超声导波的反射波和透射波表现为差异性的影响。所采用的基于超声导波的对接焊缝疲劳裂纹检测方法,可为钢结构桥梁疲劳损伤的检测与监测提供科学依据。

基于计算机视觉的钢桥面板裂纹识别方法

钢桥面板疲劳开裂为常见的钢桥病害,准确快速地发现并确定钢桥面板裂纹几何特征对降低运维成本、制定运维策略具有重要意义。针对传统人工巡检效率低、检测环境恶劣等问题,提出了基于计算机视觉的钢桥面板裂纹及其特征识别方法。采用目标检测网络YoloV5和图像语义分割网络U-Net++相结合的方法识别裂纹。根据2个网络的结构特性标注图像中的目标后生成数据集,并分别对网络中的参数进行训练。利用训练后的YoloV5与U-Net++分阶段对待测裂纹图像进行检测与分割,并通过阈值分割优化U-Net++分割结果,再通过骨架化后得到裂纹骨架线;在确定裂纹形貌后,采用YoloV5识别出的标定块求解透视变换矩阵与像素尺度系数,然后对裂纹骨架线进行图像矫正并确定裂纹几何特征。研究结果表明:YoloV5可准确检测出裂纹与标定块,且检测稳定性好;通过优化U-Net++训练时输入的像素尺寸,提高了U-Net++训练的收敛速度,网络损失由0.121降至0.096;求解透视变换矩阵时,使用所有角点坐标拟合该矩阵的最小二乘解可提高图像矫正标定的精度;当图像采集距离较远、角度较大时,角点投影误差增大,且该误差对角度更为敏感;不同图像采集距离、角度下裂纹特征计算误差最大为7.2%,表明识别精度及稳定性均较高。所提出的钢桥裂纹特征识别方法可准确计算裂纹几何特征,具有一定的实用价值。