背景

由重復載荷和振動引起的螺栓自松是削弱土木結(jié)構(gòu)螺栓鋼接頭結(jié)構(gòu)完整性的常見缺陷之一。許多現(xiàn)有的檢測螺栓松動的方法都基于物理傳感器，因此需要廣泛部署傳感器，這限制了它們在大量鋼接頭中經(jīng)濟有效地檢測螺栓松動的能力。最近，基于計算機視覺的結(jié)構(gòu)健康監(jiān)測 (SHM) 技術由于成本低、易于部署和非接觸式的優(yōu)點，在損壞檢測方面表現(xiàn)出巨大的潛力。在這項研究中，我們提出了一種使用消費級數(shù)碼相機的基于視覺的非接觸式螺栓松動檢測方法。在不同的檢查期間首先收集被監(jiān)測鋼接頭的兩個圖像，然后通過兩個圖像配準過程對齊。如果螺栓在檢查之間發(fā)生旋轉(zhuǎn)，它將在配準誤差中引入差異特征，作為螺栓松動檢測的良好指標。這種方法的性能和穩(wěn)健性已通過使用三個實驗室設置的一系列實驗研究得到驗證，包括交叉框架上的角撐板、柱翼緣和梁腹板。提供螺栓松動檢測結(jié)果以便于解釋，以便可以對檢測到的松動螺栓做出明智的決定。 關鍵詞：螺栓松動檢測，基于強度的圖像配準，特征匹配，結(jié)構(gòu)健康監(jiān)測，結(jié)構(gòu)檢測，超像素，土木結(jié)構(gòu)，鋼節(jié)點，特征跟蹤 去： 一、簡介 螺栓鋼接頭是最常見的鋼連接類型之一，已廣泛應用于建筑物和橋梁等各種土木結(jié)構(gòu)中。由于螺栓的自松，螺栓連接的鋼接頭在長期使用期間容易發(fā)生結(jié)構(gòu)損壞，這主要是由重復載荷和/或振動引起的。螺栓松動會導致作用在接頭上的夾緊力損失，進一步導致剛度下降和潛在的結(jié)構(gòu)故障 [1]。因此，及時監(jiān)測螺栓的健康狀況對于結(jié)構(gòu)完整性至關重要，因為可以在鋼接頭達到臨界條件之前進行適當?shù)母鼡Q或改造。

    人工目視檢查已普遍應用于檢測土木結(jié)構(gòu)中的螺栓松動。例如，美國聯(lián)邦公路管理局 (FHWA) [2] 要求對美國公路橋梁進行兩年一次的例行檢查。受過訓練的橋梁檢查員在檢查期間目視檢測和記錄橋梁的各種結(jié)構(gòu)缺陷，包括螺栓松動。然而，人工檢查是勞動密集型的且效率較低，因為螺栓可能在兩次檢查之間松動。更重要的是，由于檢查員之間檢查技能和解釋數(shù)據(jù)的能力不一致，檢查結(jié)果可能包含錯誤。例如，Graybeal 等人。 [3] 進行了一項實驗研究，以評估橋梁檢查員在美國賓夕法尼亞州中南部和弗吉尼亞州北部使用橋梁的檢查技能。對于特定的螺栓松動缺陷，42 名檢查員中只有 19 名成功確定了缺陷。 先進的螺栓松動檢測技術已經(jīng)在結(jié)構(gòu)健康監(jiān)測（SHM）和無損檢測（NDT）領域得到發(fā)展。

    Yang 和 Chang [4] 提出了一種基于衰減的診斷方法，通過超聲波技術來檢測太空作業(yè)車輛的螺栓松動。趙等人。 [5]采用基于壓電的傳感器網(wǎng)絡來識別飛機機翼鉚接面板的損壞。 Okugawa [6] 通過智能洗衣機應用了類似的基于壓電的方法。此外，吳等人。 [7] 開發(fā)了一種基于射頻識別 (RFID) 的傳感方法來檢測煤礦結(jié)構(gòu)中的螺栓松動。然而，這些方法的成功依賴于人工操作和/或傳感器部署的大量工作，這對于快速檢查土木結(jié)構(gòu)中的螺栓鋼接頭可能成本高昂且靈活性較差。參考文獻 [8] 對螺栓松動檢測的各種技術進行了全面的文獻綜述。 由于低成本、易于部署和非接觸式的優(yōu)點，基于計算機視覺的技術在 SHM 社區(qū)中受到了極大的關注。已經(jīng)報道了幾種基于視覺的方法，用于在全球和局部范圍內(nèi)監(jiān)測土木結(jié)構(gòu)的健康狀況?；谝曈X的 SHM 最近的一些應用包括結(jié)構(gòu)系統(tǒng)識別 [9,10,11]、位移監(jiān)測 [12,13,14]、災后結(jié)構(gòu)分類 [15]、損傷檢測 [16] 和疲勞裂紋鑒定 [17,18]。此外，當配備自主平臺時，例如無人機 (UAV)，基于視覺的 SHM 可以為結(jié)構(gòu)檢查帶來更高的靈活性和成本效益。最近，無人機已應用于結(jié)構(gòu)系統(tǒng)識別 [19]、建筑物結(jié)構(gòu)檢查 [20]、水處理廠 [21]、橋梁 [22] 等。在 [23] 中可以找到對土木結(jié)構(gòu)中基于視覺的 SHM 的最新評論。 盡管最近基于視覺的 SHM 取得了成功，但在基于視覺的螺栓松動檢測的背景下發(fā)現(xiàn)的工作有限。文獻中報道的早期相關工作由 Park 等人完成。 [24] 和 Park 等人。 [25]。

     在這兩項研究中，采用基于霍夫變換的邊緣檢測技術來提取多幅圖像中螺栓螺母的邊界。可以通過識別邊界的旋轉(zhuǎn)來檢測松動的螺栓。然而，所描述的方法可能依賴于大量操作來比較螺母旋轉(zhuǎn)前后的螺母邊界（即邊緣），這將限制其自動處理大量圖像的靈活性。查等人。 [26,27,28] 將機器學習與基于視覺的螺栓尺寸提取相結(jié)合，引入了一種檢測松動螺栓的穩(wěn)健方法。 [26] 中的研究報告基于一小組訓練圖像的檢測準確率為 87.5%，包括四個松動和四個擰緊的螺栓。然而，需要先了解螺栓的損壞狀態(tài)（即松動螺栓和擰緊螺栓的分類）來訓練分類器，并且在具有不同尺寸或形狀的新型螺栓的情況下必須重復訓練過程. 

    本文提出了一種新的基于視覺的螺栓松動檢測方法，該方法使用圖像配準。不是根據(jù)螺栓頭 [26] 的尺寸找到螺母邊界的旋轉(zhuǎn) [24] 或構(gòu)建分類器，而是將不同檢查周期的圖像直接映射到同一坐標系中，并揭示由松動螺栓引起的差異特征可以形成一個更直接的解決方案。與之前基于視覺的螺栓松動檢測方法相比，我們的方法不需要大量的操作來尋找螺母邊界的旋轉(zhuǎn)，也不需要關于被監(jiān)測結(jié)構(gòu)（例如螺栓類型）或螺栓損壞狀態(tài)的先驗知識。在這些方面，我們的方法對于工程應用將更加靈活和具有成本效益。還提供了這種方法的檢測結(jié)果，以便于解釋，以便可以做出直接可行的決定來執(zhí)行基于條件的維護程序。 本文的其余部分組織如下：第 2 節(jié)展示了所提出的方法及其技術細節(jié)；第 3 節(jié)通過三個實驗測試驗證了該方法；第 4 節(jié)進一步研究了所提出方法的穩(wěn)健性；第 5 節(jié)討論了計算成本和限制；第 6 節(jié)總結(jié)了這項研究。 去： 2. 方法論 圖 1 展示了我們方法的整體方法論，并在本節(jié)的其余部分進行了詳細討論。

    舉例來說，假設螺栓鋼接頭在兩個檢查周期進行評估，并且螺栓 2 在檢查間隔期間松動。兩個輸入圖像，表示為圖像 1 和 2，在兩個檢查周期由數(shù)碼相機收集。由于兩幅圖像的相機姿態(tài)不一定相同，通過重疊兩幅輸入圖像直接識別旋轉(zhuǎn)螺栓將具有挑戰(zhàn)性。這通過圖像 1 和 2 之間的強度比較得到證實，其中完全匹配像素的強度表示為 0（黑色），不匹配像素的強度在 1 到 255（灰色到白色）范圍內(nèi))，加深了他們之間的差異。