Rilevamento basato su immagini di bulloni e difetti da bullone-mancante in scenari multi-angolo e con sfondi complessi

Perché controllare piccoli elementi di fissaggio è importante

Nascosti all’interno di ponti, torri e altre strutture in acciaio ci sono centinaia di migliaia di bulloni che sorreggono silenziosamente l’insieme. Se troppi di questi elementi si allentano o vengono a mancare, la resistenza dell’intera struttura può ridursi, a volte con conseguenze pericolose. Ispezionarli uno per uno a mano è lento, costoso e facilmente soggetto a errori, specialmente quando gli operatori devono arrampicarsi in alto o infilarsi in spazi angusti. Questo studio esplora come telecamere intelligenti e intelligenza artificiale possano individuare automaticamente i bulloni mancanti in condizioni reali, rendendo i controlli di sicurezza più veloci, sicuri e affidabili.

Da ponti reali a una ricca libreria fotografica

Per insegnare a un computer a riconoscere i bulloni mancanti, i ricercatori hanno prima avuto bisogno di una grande e varia raccolta di immagini. Hanno riunito foto da tre fonti principali: un ponte sospeso a grandezza naturale in esercizio, torri di trasmissione in campo e una piastra d’acciaio appositamente costruita e punteggiata di bulloni in laboratorio. Insieme queste hanno fornito più di 5.000 immagini che mostrano bulloni da molti angoli, in sole e in ombra, con ruggine, macchie e rivestimenti di diversi colori. Per ampliare ulteriormente questa libreria il team ha usato ritocchi classici sulle immagini, come aggiungere sfocatura e rumore o cambiare i colori, e si è anche rivolto a una sorta di “motore d’immaginazione” chiamato rete generativa antagonista, che crea nuove scene realistiche in cui l’oggetto chiave — il bullone — rimane accurato ma lo sfondo e l’ambiente variano.

Mettere alla prova modelli AI popolari

Con questa ricca libreria di immagini a disposizione, il team ha confrontato tre sistemi di visione artificiale di primo piano largamente usati per individuare oggetti nelle immagini: tre versioni della famiglia YOLO (You Only Look Once). Questi sistemi esaminano un’immagine in un’unica passata e propongono riquadri dove ritengono che siano presenti oggetti. I ricercatori hanno misurato quanto spesso ciascuna versione rilevava correttamente i bulloni e segnalava correttamente i fori vuoti dove mancava un bullone. Tutti e tre i modelli si sono comportati abbastanza bene, ma una versione — YOLOv8 — si è distinta per il bilanciamento tra accuratezza e velocità. Ha identificato bulloni e bulloni mancanti in modo affidabile elaborando le immagini molto più rapidamente dei concorrenti, rendendolo un solido punto di partenza per ulteriori miglioramenti.

Insegnare al computer a vedere attraverso il disordine

Il metallo reale raramente viene fotografato con una vista pulita e frontale. I bulloni si vedono da angolazioni insolite, attraverso ombre o contro sfondi affollati di erba, calcestruzzo e acciaio verniciato. Per far fronte a questo, i ricercatori hanno aggiornato il modello YOLOv8 con due aggiunte chiave. Primo, hanno inserito un blocco moderno di analisi delle immagini chiamato Swin-Transformer, che aiuta il sistema a notare relazioni tra parti distanti di un’immagine invece di concentrarsi solo su piccole patch. Secondo, hanno aggiunto un modulo multi-scala e per l’esaltazione dei dettagli che presta attenzione particolare ai bordi fini e alle piccole forme a diverse dimensioni. Lavorando insieme, questi aggiornamenti hanno reso il modello molto migliore nel distinguere se un piccolo cerchio scuro sia veramente una testa di bullone, un foro vuoto o solo una macchia confondente sullo sfondo.

Verificare le prestazioni in condizioni difficili

Il sistema migliorato è stato quindi sottoposto a una serie di test di stress. Ha analizzato immagini di bulloni ripresi da angoli bassi e ripidi, con luce fioca, normale e abbagliante, e su piastre d’acciaio verniciate di rosso, bianco o blu e fotografate contro contesti erbosi disordinati. Nella maggior parte di queste situazioni il modello ha giudicato correttamente lo stato del bullone quasi sempre; anche negli angoli di ripresa più estremi e nelle luci più intense, l’accuratezza è rimasta superiore a circa il 90 percento. Infine, i ricercatori hanno fatto volare un drone lungo un ponte sospeso di 15 anni, acquisendo migliaia di immagini d’ispezione reali. Il modello ha esaminato più di 12.700 set di bulloni, localizzandone con precisione quasi tutti e segnalando un singolo bullone effettivamente mancante tra decine di migliaia — un forte segnale che il metodo può funzionare al di fuori del laboratorio.

Cosa significa per la sicurezza quotidiana

Per i non specialisti, il messaggio principale è che i controlli di sicurezza di routine su grandi strutture in acciaio potrebbero presto fare meno affidamento su persone che si spostano a fatica su travi con taccuini e più su droni e algoritmi intelligenti. Imparando da una raccolta fotografica costruita e diversificata con cura, e usando tecniche avanzate di elaborazione delle immagini per vedere attraverso il disordine, il sistema descritto in questo studio può dire con affidabilità quando un bullone è presente o mancante, anche quando le condizioni sono molto lontane dall’ideale. Pur non essendo infallibile, già adesso si comporta abbastanza bene da fungere da potente aiuto per gli ispettori umani, aiutandoli a concentrarsi sui pochi punti dove possono esistere problemi reali e, in ultima analisi, contribuendo a ponti e torri più sicuri con meno interruzioni e costi inferiori.

Citazione: 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

Parole chiave: monitoraggio della salute strutturale, ispezione dei ponti, visione artificiale, apprendimento profondo, difetti dei bulloni