钢结构工程高强度螺栓微小松动视觉检测方法研究

基于计算机视觉的螺栓松动检测方法中,一类是通过对连接节点图像进行透视矫正并分析螺栓轮廓边缘直线角度的变化以及时发现微小的松动缺陷。然而,目前这类方法在图像矫正和螺栓轮廓边缘检测的可靠性方面还有较大的改进空间。为此,针对钢结构螺栓连接节点,提出了基于深度学习的螺栓松动视觉检测方法。首先,基于YOLOv5检测螺栓目标。针对螺栓感兴趣区域(RoI),基于鲁棒性较高的Attention U-Net提取螺栓轮廓边缘直线。为了提高螺栓目标检测精度,目标检测模型应设定较低置信度阈值以保证目标无漏检,再通过螺栓RoI提取的边缘直线数量筛除伪螺栓。使用透视变换法对节点图像进行矫正,变换所需的参考点是根据螺栓检测框之间空间移动后的相交关系自动定位的。最后,根据矫正图像中的螺栓轮廓边缘直线计算螺栓角度,通过检测螺栓和基准螺栓之间的角度差异判断松动情况。研究结果表明:螺栓目标检测的AP值为0.97;螺栓轮廓边缘检测的准确率、召回率和F1的均值分别为0.846、0.807与0.825,且在多种复杂背景干扰下具有较高的鲁棒性;伪螺栓筛除法可过滤掉99.82%的伪螺栓目标;提出的图像矫正法适用于常见的多种螺栓排列形式的连接节点;当松动判别阈值仅为2.8°时,螺栓松动检测的准确率可达99.7%。该方法在大型钢结构螺栓连接节点自动化运维方面具有较好的应用前景。