基于深度学习的螺栓松动角度量化分析

螺栓连接已成为钢结构中使用最广泛的连接方式,在螺栓长期服役的过程中,由于受到多种因素的影响将不可避免地发生松动损伤等病害。为了确保螺栓连接的稳定,在结构中高效、精准地识别出松动的螺栓,基于计算机视觉技术提出了一种钢结构螺栓松动非接触无损检测方法,将深度学习和图像处理技术相结合,从螺栓连接图像中识别并标记其松动角度。结合算例,以人工松动、模拟松动两种工况进行分析,结果表明,所提方法能够准确定位出螺栓的位置并识别松动的角度,误差值在±0.1°左右,证明了该方法的准确性和可行性,符合结构健康监测工作的需要。

基于计算机视觉技术的螺栓松动损伤识别研究

螺栓连接是钢结构的主要连接方式。钢结构在服役过程中,因长期循环荷载作用等外界环境影响,螺栓连接将不可避免发生松动、损伤等病害。如何快速有效地识别螺栓松动等损伤对于确保结构的完备以及安全至关重要。基于计算机视觉技术,以特征追踪算法为基础,通过自动识别不同时间采集到的相片中的特征点的分布情况识别结构中松动的螺栓,建立了钢结构螺栓连接状态的非接触无损检测方法。首先找出相片中的特征点,然后追踪这些特征点在不同时间下的状态,绘出特征点的运动轨迹,根据运动轨迹的状态判断与之相关联的螺栓是否有损,如若螺栓松动,则与该螺栓关联的特征点会显示出唯一的运动状态,通过标记这些有明显运动的特征点则可以有效定位出有损的螺栓。以一钢结构移梁装置的螺栓群为试验对象,通过扭转6个螺栓中的1个,采用建议方法有效地识别了存在松动的螺栓。

基于模糊隶属度函数的桥梁结构损伤状态评估

为评估桥梁结构的整体损伤状态,以模糊理论为基础,引入模糊隶属度函数,构建了桥梁结构损伤状态评估模型。依托某预应力混凝土梁桥工程实例,对桥梁结构中确定的多种因素采用正态分布函数的形式进行定量表示,然后分别计算各因素所对应的隶属度,再组合成结构的整体隶属度对结构损伤状态进行分级判断。所提方法与《公路桥涵养护规范》中的状况评估方法得到的桥梁结构状况评级一致,验证了基于模糊隶属度函数的桥梁结构损伤状态评估方法的可靠性。该方法可在一定程度上能降低人为主观因素对桥梁结构损伤状况评估的影响,可应用于同类型桥梁进行结构损伤状态的评估分析。