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。

基于数据深度增强的钢桥螺栓脱落智能检测方法研究

针对钢桥螺栓脱落病害人工巡检效率低和智能化检测样本数据集不足的问题,提出一种基于数据深度增强的钢桥螺栓脱落智能检测方法。该方法首先以采集的螺栓图像数据集为基础,利用深度卷积生成对抗网络(Deep Convolutional Generative Adversarial Networks,DCGAN)对有限的螺栓图像进行增广;然后将生成的图像与原始图像合并构建增广后的数据集;再将数据集输入到单阶段目标检测网络YOLO(You Only Look Once,YOLO)中,结合迁移学习方法进行模型训练,并对训练后模型的性能进行验证;最后,进行螺栓脱落病害识别。为验证该方法的可行性,对螺栓脱落检测模型进行试验验证,并对不同采集环境下的某钢桥拼接板螺栓脱落病害进行检测。结果表明:DCGAN可有效生成逼真的螺栓图像,且与常规增广方式相比,DCGAN生成的图像质量更高、性能最优;检测模型受拍摄距离、角度及光照强弱影响且对角度最为敏感,控制拍摄距离在1.6 m内、拍摄角度在20°内、外界光线明亮可保证模型性能较优;与常规增广后训练的模型相比,利用生成图像增广后训练的模型检测性能更优且鲁棒性更好;该智能检测方法可以用于螺栓脱落病害检测,且检测精度明显提高。

基于深度学习和迁移学习的螺栓脱落检测

螺栓连接常用于桥梁和钢结构中,针对连接处易出现螺栓脱落及传统人工检测效率低下等问题,提出一种螺栓脱落智能检测方法。首先,采集螺栓脱落图像数据集并标注,按7∶2∶1的比例划分训练集、验证集和测试集;其次,搭建YOLOV5S目标检测网络并利用迁移学习方法对数据集进行训练。最后,经过300次迭代训练,螺栓脱落检测准确率到达98.32%,损失值为0.014 91。研究结果表明:采用YOLOV5S深度学习算法及迁移学习的螺栓脱落检测准确率高,鲁棒性良好,可运用于实际工程中螺栓脱落的检测。

基于实测应变监测的斜拉桥钢桥面板加固性能评估

为分析超高性能混凝土(UHPC)加固后的钢桥面板长期性能,为桥梁后期运营维护提供理论支撑,以某长江公路大桥为背景进行研究。该桥采用UHPC和ERE铺装2种桥面加固方案,在顶板与U肋焊接细节、U肋对接焊接细节处布置应变测点,结合实桥应变监测数据,并基于S~N曲线与Miner线性疲劳累积损伤理论,对加固后的钢桥面板剩余疲劳寿命进行评估。结果表明:与ERE加固的钢桥面板相比,UHPC加固更能有效降低各易损细节处的应力幅值和疲劳损伤;UHPC加固后的顶板与U肋焊接细节处日均损伤度降低70%~80%,疲劳寿命显著高于ERE加固的钢桥面板疲劳寿命;UHPC加固后的U肋对接焊接细节处日均损伤度降低20%~30%,但2种加固方案的疲劳寿命差异较小(ERE加固后为17.6年,UHPC加固为22.1年),简单提高钢桥面板刚度对U肋对接焊缝疲劳性能强化效果相对有限;建议结合长期监测数据,基于可靠度方法进一步进行实桥寿命评估。

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。