Détection par images des boulons et des défauts d'absence de boulons dans des scénarios multi-angles et à arrière-plans complexes

Pourquoi contrôler de petits éléments de fixation est important

Cachés à l’intérieur de ponts, de pylônes et d’autres structures en acier se trouvent des centaines de milliers de boulons qui maintiennent silencieusement l’ensemble. Si trop de ces fixations se desserrent ou disparaissent, la résistance de la structure entière peut être réduite, parfois avec des conséquences dangereuses. Les inspecter un par un à la main est lent, coûteux et facile à manquer, surtout lorsque les techniciens doivent grimper en hauteur ou se faufiler dans des espaces étroits. Cette étude explore comment des caméras intelligentes et l’intelligence artificielle peuvent repérer automatiquement les boulons manquants dans des conditions réelles, rendant les contrôles de sécurité plus rapides, plus sûrs et plus fiables.

Des ponts réels à une riche bibliothèque photo

Pour apprendre à un ordinateur à reconnaître les boulons manquants, les chercheurs ont d’abord eu besoin d’une collection d’images large et variée. Ils ont rassemblé des photos issues de trois sources principales : un pont suspendu en service à l’échelle réelle, des pylônes de lignes électriques sur le terrain, et une plaque d’acier spécialement conçue et parsemée de boulons en laboratoire. Ensemble, ces éléments ont fourni plus de 5 000 images montrant des boulons pris sous de nombreux angles, en plein soleil ou à l’ombre, avec de la rouille, des taches et des revêtements de différentes couleurs. Pour enrichir encore cette bibliothèque, l’équipe a utilisé des retouches classiques d’images, comme l’ajout de flou et de bruit ou la modification des couleurs, et a également eu recours à une sorte de « moteur d’imagination » appelé réseau antagoniste génératif, qui crée de nouvelles scènes réalistes où l’objet clé — le boulon — reste fidèle mais l’arrière-plan et l’environnement varient.

Mettre à l’épreuve des modèles d’IA populaires

Avec cette riche bibliothèque d’images, l’équipe a comparé trois systèmes de vision par ordinateur largement utilisés pour repérer des objets : trois versions de la famille YOLO (You Only Look Once). Ces systèmes parcourent une image en une seule passe et proposent des boîtes autour des zones où ils estiment qu’un objet est présent. Les chercheurs ont mesuré la fréquence à laquelle chaque version détectait correctement les boulons et signalait correctement les trous vides où un boulon manquait. Les trois modèles ont obtenu de bonnes performances, mais une version — YOLOv8 — s’est démarquée en équilibrant précision et rapidité. Elle a identifié les boulons et les boulons manquants de manière fiable tout en traitant les images beaucoup plus rapidement que ses concurrentes, en faisant un point de départ solide pour des améliorations ultérieures.

Apprendre à l’ordinateur à voir à travers le désordre

Les structures en acier ne sont que rarement photographiées de face et dans des conditions propres. Les boulons apparaissent sous des angles étranges, dans des ombres ou sur des arrière-plans chargés de gazon, de béton et d’acier peint. Pour faire face à cela, les chercheurs ont amélioré le modèle YOLOv8 avec deux ajouts clés. D’abord, ils ont intégré un bloc d’analyse d’image moderne appelé Swin-Transformer, qui aide le système à repérer des relations entre des parties éloignées d’une image au lieu de se focaliser uniquement sur de petits patchs. Ensuite, ils ont ajouté un module multi-échelle et d’amélioration des détails qui prête une attention particulière aux arêtes fines et aux petites formes à différentes tailles. Agissant de concert, ces améliorations ont rendu le modèle beaucoup meilleur pour déterminer si un petit cercle sombre est vraiment une tête de boulon, un trou vide ou simplement une tache trompeuse dans l’arrière-plan.

Valider les performances dans des conditions difficiles

Le système amélioré a ensuite été soumis à une série de tests intensifs. Il a analysé des images de boulons vus sous des angles faibles et prononcés, sous des éclairages faibles, normaux et très éblouissants, et sur des plaques d’acier peintes en rouge, blanc ou bleu et photographiées devant des environnements herbeux encombrés. Dans la plupart de ces situations, le modèle a correctement évalué l’état du boulon presque à chaque fois ; même aux angles de caméra les plus extrêmes et sous les lumières les plus vives, la précision est restée supérieure à environ 90 %. Enfin, les chercheurs ont fait voler un drone le long d’un pont suspendu âgé de 15 ans, capturant des milliers d’images d’inspection réelles. Le modèle a examiné plus de 12 700 jeux de boulons, localisant presque tous avec précision et signalant un seul boulon réellement manquant parmi des dizaines de milliers — un signe fort que la méthode peut fonctionner en dehors du laboratoire.

Ce que cela signifie pour la sécurité quotidienne

Pour le grand public, le message principal est que les contrôles routiniers de sécurité sur les grandes structures métalliques pourraient bientôt s’appuyer moins sur des personnes se déplaçant le long des poutres avec des bloc-notes et davantage sur des drones et des algorithmes intelligents. En apprenant à partir d’une collection photo soigneusement construite et diversifiée, et en utilisant des astuces avancées de traitement d’image pour voir à travers le désordre, le système présenté dans cette étude peut dire de manière fiable si un boulon est présent ou absent, même lorsque les conditions sont loin d’être idéales. Bien qu’il ne soit pas parfait, il fonctionne déjà suffisamment bien pour servir d’outil puissant pour les inspecteurs humains, les aidant à se concentrer sur les quelques endroits où des problèmes réels peuvent exister et, finalement, contribuant à des ponts et des pylônes plus sûrs avec moins de perturbations et à moindre coût.

Citation: 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

Mots-clés: surveillance de la santé structurelle, inspection de ponts, vision par ordinateur, apprentissage profond, défauts de boulons