Bildbasierte Erkennung von Bolzen und fehlenden Bolzen in Mehrwinkel- und komplexen Hintergrundszenarien

Warum die Kontrolle winziger Verbindungselemente wichtig ist

Versteckt in Brücken, Türmen und anderen Stahlkonstruktionen sitzen Hunderttausende von Bolzen, die stillschweigend alles zusammenhalten. Lösen sich zu viele dieser Verbindungselemente oder fehlen sie, kann die Tragfähigkeit der gesamten Konstruktion reduziert werden — mitunter mit gefährlichen Folgen. Die manuelle Prüfung Stück für Stück ist langsam, teuer und fehleranfällig, besonders wenn Arbeiter hoch hinaufsteigen oder sich in beengte Bereiche zwängen müssen. Diese Studie untersucht, wie intelligente Kameras und künstliche Intelligenz fehlende Bolzen unter realen Bedingungen automatisch erkennen können, sodass Sicherheitsprüfungen schneller, sicherer und verlässlicher werden.

Von realen Brücken zu einer umfangreichen Fotobibliothek

Um einem Computer beizubringen, fehlende Bolzen zu erkennen, brauchten die Forschenden zunächst eine große und vielfältige Bildsammlung. Sie sammelten Fotos aus drei Hauptquellen: einer vollwertigen Hängebrücke im Betrieb, Freileitungsmasten aus dem Feld und einer speziell im Labor aufgebauten Stahlplatte mit Bolzen. Zusammen lieferten diese mehr als 5.000 Bilder, die Bolzen aus vielen Blickwinkeln zeigten, bei Sonnenschein und Schatten, mit Rost, Flecken und Beschichtungen in unterschiedlichen Farben. Um die Bibliothek weiter zu erweitern, nutzte das Team klassische Bildveränderungen wie das Hinzufügen von Unschärfe und Rauschen oder Farbveränderungen, und griff außerdem auf eine Art „Vorstellungsmaschine“ zurück — ein generatives Gegenüberstellungsnetzwerk (GAN), das realistisch wirkende neue Szenen erzeugt, in denen das zentrale Objekt — der Bolzen — korrekt bleibt, während Hintergrund und Umfeld variiert werden.

Bewährung populärer KI-Modelle

Mit dieser reichhaltigen Bildbibliothek verglich das Team drei führende Computer-Vision-Systeme, die häufig zum Erkennen von Objekten in Bildern eingesetzt werden: drei Versionen der YOLO-(You Only Look Once)-Familie. Diese Systeme scannen ein Bild in einem Durchgang und schlagen Begrenzungsfelder vor, wo sie Objekte vermuten. Die Forschenden maßen, wie oft jede Version Bolzen korrekt erkannte und korrekt leere Löcher markierte, an denen ein Bolzen fehlte. Alle drei Modelle erzielten ordentliche Ergebnisse, doch eine Version — YOLOv8 — stach hervor, weil sie Genauigkeit und Geschwindigkeit ausgewogen vereinte. Sie identifizierte Bolzen und fehlende Bolzen zuverlässig und verarbeitete Bilder deutlich schneller als die Konkurrenz, was sie zu einer starken Basis für weitere Verbesserungen macht.

Dem Computer beibringen, sich im Durcheinander zurechtzufinden

Reale Stahlkonstruktionen werden selten sauber und frontal fotografiert. Bolzen erscheinen aus schrägen Blickwinkeln, in Schatten oder vor unruhigen Hintergründen aus Gras, Beton und lackiertem Stahl. Um damit fertigzuwerden, rüsteten die Forschenden das YOLOv8-Modell mit zwei zentralen Erweiterungen aus. Erstens integrierten sie einen modernen Bildanalyseblock namens Swin-Transformer, der dem System hilft, Beziehungen zwischen weit auseinanderliegenden Bildbereichen zu erkennen, anstatt sich nur auf kleine Ausschnitte zu konzentrieren. Zweitens fügten sie ein Multiskalen- und Detailverstärkungsmodul hinzu, das besondere Aufmerksamkeit auf feine Kanten und kleine Formen in unterschiedlichen Größen legt. Zusammen sorgten diese Erweiterungen dafür, dass das Modell deutlich besser unterscheiden kann, ob ein kleiner dunkler Kreis tatsächlich eine Bolzenkopf, ein leeres Loch oder nur ein verwirrender Schmutzfleck im Hintergrund ist.

Leistungsnachweis unter harten Bedingungen

Das verbesserte System durchlief anschließend eine Reihe von Belastungstests. Es analysierte Bilder von Bolzen, die aus flachen und steilen Winkeln betrachtet wurden, bei schwachem, normalem und blendend hellem Licht sowie auf Stahlplatten, die rot, weiß oder blau lackiert und vor unordentlichem Gras fotografiert waren. In den meisten dieser Situationen beurteilte das Modell den Bolzenzustand nahezu immer korrekt; selbst bei extremen Kamerawinkeln und sehr hellem Licht blieb die Genauigkeit bei etwa 90 Prozent oder darüber. Abschließend flog das Team mit einer Drohne entlang einer 15 Jahre alten Hängebrücke und nahm Tausende echter Inspektionsbilder auf. Das Modell untersuchte mehr als 12.700 Bolzensätze, lokalisierte fast alle zuverlässig und meldete unter Zehntausenden von Fällen nur einen tatsächlich fehlenden Bolzen — ein starkes Indiz dafür, dass die Methode auch außerhalb des Labors funktionieren kann.

Was das für die tägliche Sicherheit bedeutet

Für Nicht-Fachleute lautet die Hauptbotschaft, dass routinemäßige Sicherheitsprüfungen großer Stahlkonstruktionen künftig weniger von Personen mit Klemmbrettern entlang von Trägern abhängen könnten und mehr von Drohnen und intelligenten Algorithmen. Indem das System aus einer sorgfältig aufgebauten und diversifizierten Fotosammlung lernt und fortschrittliche Bildverarbeitungstricks nutzt, um sich im Durcheinander zurechtzufinden, kann es zuverlässig feststellen, ob ein Bolzen vorhanden oder fehlt — selbst unter weit von idealen Bedingungen. Zwar ist es nicht perfekt, doch arbeitet es bereits gut genug, um als wirkungsvolle Unterstützung für menschliche Prüfer zu dienen, ihnen zu helfen, sich auf die wenigen Stellen zu konzentrieren, an denen reale Probleme bestehen, und letztlich zu sichereren Brücken und Türmen mit weniger Eingriffen und geringeren Kosten beizutragen.

Zitation: Gu, Y., Peng, D., Song, J. et al. Image-based detection of bolts and bolt-missing defects in multi-angle and complex background scenarios. Sci Rep 16, 11590 (2026). https://doi.org/10.1038/s41598-026-41036-x

Schlüsselwörter: Überwachung der Strukturgesundheit, Brückeninspektion, Computer Vision, Tiefes Lernen, Bolzenfehler