浙江国检检测

首页 检测百科

基于图像配准的钢接头螺栓松动检测

2021-10-14 15:23:03 

背景


由重复载荷和振动引起的螺栓自松是削弱土木结构螺栓钢接头结构完整性的常见缺陷之一。许多现有的检测螺栓松动的方法都基于物理传感器,因此需要广泛部署传感器,这限制了它们在大量钢接头中经济有效地检测螺栓松动的能力。最近,基于计算机视觉的结构健康监测 (SHM) 技术由于成本低、易于部署和非接触式的优点,在损坏检测方面表现出巨大的潜力。在这项研究中,我们提出了一种使用消费级数码相机的基于视觉的非接触式螺栓松动检测方法。在不同的检查期间首先收集被监测钢接头的两个图像,然后通过两个图像配准过程对齐。如果螺栓在检查之间发生旋转,它将在配准误差中引入差异特征,作为螺栓松动检测的良好指标。这种方法的性能和稳健性已通过使用三个实验室设置的一系列实验研究得到验证,包括交叉框架上的角撑板、柱翼缘和梁腹板。提供螺栓松动检测结果以便于解释,以便可以对检测到的松动螺栓做出明智的决定。 关键词:螺栓松动检测,基于强度的图像配准,特征匹配,结构健康监测,结构检测,超像素,土木结构,钢节点,特征跟踪 去: 一、简介 螺栓钢接头是最常见的钢连接类型之一,已广泛应用于建筑物和桥梁等各种土木结构中。由于螺栓的自松,螺栓连接的钢接头在长期使用期间容易发生结构损坏,这主要是由重复载荷和/或振动引起的。螺栓松动会导致作用在接头上的夹紧力损失,进一步导致刚度下降和潜在的结构故障 [1]。因此,及时监测螺栓的健康状况对于结构完整性至关重要,因为可以在钢接头达到临界条件之前进行适当的更换或改造。


人工目视检查已普遍应用于检测土木结构中的螺栓松动。例如,美国联邦公路管理局 (FHWA) [2] 要求对美国公路桥梁进行两年一次的例行检查。受过训练的桥梁检查员在检查期间目视检测和记录桥梁的各种结构缺陷,包括螺栓松动。然而,人工检查是劳动密集型的且效率较低,因为螺栓可能在两次检查之间松动。更重要的是,由于检查员之间检查技能和解释数据的能力不一致,检查结果可能包含错误。例如,Graybeal 等人。 [3] 进行了一项实验研究,以评估桥梁检查员在美国宾夕法尼亚州中南部和弗吉尼亚州北部使用桥梁的检查技能。对于特定的螺栓松动缺陷,42 名检查员中只有 19 名成功确定了缺陷。 先进的螺栓松动检测技术已经在结构健康监测(SHM)和无损检测(NDT)领域得到发展。

Yang 和 Chang [4] 提出了一种基于衰减的诊断方法,通过超声波技术来检测太空作业车辆的螺栓松动。赵等人。 [5]采用基于压电的传感器网络来识别飞机机翼铆接面板的损坏。 Okugawa [6] 通过智能洗衣机应用了类似的基于压电的方法。此外,吴等人。 [7] 开发了一种基于射频识别 (RFID) 的传感方法来检测煤矿结构中的螺栓松动。然而,这些方法的成功依赖于人工操作和/或传感器部署的大量工作,这对于快速检查土木结构中的螺栓钢接头可能成本高昂且灵活性较差。参考文献 [8] 对螺栓松动检测的各种技术进行了全面的文献综述。 由于低成本、易于部署和非接触式的优点,基于计算机视觉的技术在 SHM 社区中受到了极大的关注。已经报道了几种基于视觉的方法,用于在全球和局部范围内监测土木结构的健康状况。基于视觉的 SHM 最近的一些应用包括结构系统识别 [9,10,11]、位移监测 [12,13,14]、灾后结构分类 [15]、损伤检测 [16] 和疲劳裂纹鉴定 [17,18]。此外,当配备自主平台时,例如无人机 (UAV),基于视觉的 SHM 可以为结构检查带来更高的灵活性和成本效益。最近,无人机已应用于结构系统识别 [19]、建筑物结构检查 [20]、水处理厂 [21]、桥梁 [22] 等。在 [23] 中可以找到对土木结构中基于视觉的 SHM 的最新评论。 尽管最近基于视觉的 SHM 取得了成功,但在基于视觉的螺栓松动检测的背景下发现的工作有限。文献中报道的早期相关工作由 Park 等人完成。 [24] 和 Park 等人。 [25]。

在这两项研究中,采用基于霍夫变换的边缘检测技术来提取多幅图像中螺栓螺母的边界。可以通过识别边界的旋转来检测松动的螺栓。然而,所描述的方法可能依赖于大量操作来比较螺母旋转前后的螺母边界(即边缘),这将限制其自动处理大量图像的灵活性。查等人。 [26,27,28] 将机器学习与基于视觉的螺栓尺寸提取相结合,引入了一种检测松动螺栓的稳健方法。 [26] 中的研究报告基于一小组训练图像的检测准确率为 87.5%,包括四个松动和四个拧紧的螺栓。然而,需要先了解螺栓的损坏状态(即松动螺栓和拧紧螺栓的分类)来训练分类器,并且在具有不同尺寸或形状的新型螺栓的情况下必须重复训练过程.

本文提出了一种新的基于视觉的螺栓松动检测方法,该方法使用图像配准。不是根据螺栓头 [26] 的尺寸找到螺母边界的旋转 [24] 或构建分类器,而是将不同检查周期的图像直接映射到同一坐标系中,并揭示由松动螺栓引起的差异特征可以形成一个更直接的解决方案。与之前基于视觉的螺栓松动检测方法相比,我们的方法不需要大量的操作来寻找螺母边界的旋转,也不需要关于被监测结构(例如螺栓类型)或螺栓损坏状态的先验知识。在这些方面,我们的方法对于工程应用将更加灵活和具有成本效益。还提供了这种方法的检测结果,以便于解释,以便可以做出直接可行的决定来执行基于条件的维护程序。 本文的其余部分组织如下:第 2 节展示了所提出的方法及其技术细节;第 3 节通过三个实验测试验证了该方法;第 4 节进一步研究了所提出方法的稳健性;第 5 节讨论了计算成本和限制;第 6 节总结了这项研究。 去: 2. 方法论 图 1 展示了我们方法的整体方法论,并在本节的其余部分进行了详细讨论。


举例来说,假设螺栓钢接头在两个检查周期进行评估,并且螺栓 2 在检查间隔期间松动。两个输入图像,表示为图像 1 和 2,在两个检查周期由数码相机收集。由于两幅图像的相机姿态不一定相同,通过重叠两幅输入图像直接识别旋转螺栓将具有挑战性。这通过图像 1 和 2 之间的强度比较得到证实,其中完全匹配像素的强度表示为 0(黑色),不匹配像素的强度在 1 到 255(灰色到白色)范围内),加深了他们之间的差异。