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。