Beeldgebaseerde detectie van bouten en ontbrekende bouten in scenario's met meerdere hoeken en complexe achtergronden

Waarom het controleren van kleine bevestigingen ertoe doet

Verborgen in bruggen, torens en andere stalen constructies zitten honderdduizenden bouten die alles stilletjes bijeenhouden. Als te veel van deze bevestigingen losraken of ontbreken, kan de draagkracht van de gehele constructie afnemen, soms met gevaarlijke gevolgen. Ze één voor één met de hand controleren is traag, duur en foutgevoelig, vooral wanneer werknemers hoog moeten klimmen of zich in krappe ruimtes moeten wringen. Deze studie onderzoekt hoe slimme camera’s en kunstmatige intelligentie automatisch ontbrekende bouten kunnen opsporen onder echte omstandigheden, waardoor veiligheidscontroles sneller, veiliger en betrouwbaarder worden.

Van echte bruggen naar een rijke fotobibliotheek

Om een computer te leren ontbrekende bouten te herkennen, hadden de onderzoekers eerst een grote en gevarieerde verzameling afbeeldingen nodig. Ze verzamelden foto’s uit drie hoofdbronnen: een volledige hangbrug in gebruik, stalen hoogspanningsmasten in het veld en een speciaal gebouwd stalen paneel met bouten in het laboratorium. Samen leverden deze meer dan 5.000 afbeeldingen op die bouten vanuit vele hoeken tonen, in zon en schaduw, met roest, vlekken en coatings in verschillende kleuren. Om deze bibliotheek verder uit te breiden gebruikte het team klassieke afbeeldingswijzigingen, zoals het toevoegen van onscherpte en ruis of het veranderen van kleuren, en ze maakten ook gebruik van een soort “verbeeldingsmotor” genaamd een generative adversarial network, die realistische nieuwe scènes creëert waarbij het belangrijkste object — de bout — correct blijft maar de achtergrond en omgeving variëren.

Populaire AI-modellen op de proef gesteld

Met deze rijke afbeeldingsbibliotheek vergeleek het team drie toonaangevende computer-visionsystemen die veel worden gebruikt om objecten in beelden te herkennen: drie versies van de YOLO (You Only Look Once)-familie. Deze systemen scannen een afbeelding in één doorgang en stellen vakken voor waar zij denken dat objecten aanwezig zijn. De onderzoekers maten hoe vaak elke versie bouten correct detecteerde en lege gaten correct markeerde waar een bout ontbrak. Alle drie modellen presteerden redelijk goed, maar één versie — YOLOv8 — stak eruit door een goede balans tussen nauwkeurigheid en snelheid. Het identificeerde bouten en ontbrekende bouten betrouwbaar terwijl het afbeeldingen veel sneller verwerkte dan de concurrenten, waardoor het een sterke beginpunt was voor verdere verbeteringen.

De computer leren door rommel heen te kijken

Echt staalwerk wordt zelden in een nette, frontale opname gefotografeerd. Bouten worden vanuit rare hoeken gezien, door schaduwen heen of tegen drukke achtergronden van gras, beton en geverfd staal. Om hiermee om te gaan, verbeterden de onderzoekers het YOLOv8-model met twee belangrijke toevoegingen. Ten eerste voegden ze een modern beeldanalyseblok toe genaamd een Swin-Transformer, dat het systeem helpt relaties te zien tussen verder uit elkaar liggende delen van een afbeelding in plaats van alleen op kleine stukjes te focussen. Ten tweede voegden ze een multi-scale en detailversterkend module toe die speciale aandacht schenkt aan fijne randen en kleine vormen op verschillende schalen. Samen werkend maakten deze upgrades het model veel beter in het bepalen of een kleine donkere cirkel echt een boutkop is, een leeg gat of gewoon een verwarrende vlek in de achtergrond.

Prestaties bewijzen onder zware omstandigheden

Het verbeterde systeem werd vervolgens onderworpen aan een reeks stresstests. Het analyseerde afbeeldingen van bouten bekeken onder geringe en steile hoeken, bij zwak, normaal en fel licht, en op stalen platen geschilderd in rood, wit of blauw en gefotografeerd tegen rommelige grasrijke omgevingen. In de meeste van deze situaties beoordeelde het model de boutstatus bijna altijd correct; zelfs bij de meest extreme camerahoeken en felste licht bleef de nauwkeurigheid boven ongeveer 90 procent. Tot slot vlogen de onderzoekers met een drone langs een 15 jaar oude hangbrug en maakten duizenden echte inspectieafbeeldingen. Het model bekeek meer dan 12.700 boutgroepen, lokaliseerde bijna al deze nauwkeurig en signaleerde één werkelijk ontbrekende bout tussen tienduizenden — een sterk teken dat de methode buiten het lab kan werken.

Wat dit betekent voor alledaagse veiligheid

Voor niet-specialisten is de belangrijkste boodschap dat routinematige veiligheidscontroles aan grote stalen constructies mogelijk minder afhankelijk zullen worden van mensen die langs liggern schuifelen met clipboards en meer van drones en slimme algoritmen. Door te leren van een zorgvuldig opgebouwde en gediversifieerde fotocollectie, en door geavanceerde beeldverwerkingstechnieken te gebruiken om door rommel heen te kijken, kan het systeem in deze studie betrouwbaar vaststellen of een bout aanwezig of ontbrekend is, zelfs wanneer de omstandigheden verre van perfect zijn. Hoewel niet foutloos, presteert het al goed genoeg om te dienen als een krachtig hulpmiddel voor menselijke inspecteurs, waardoor zij zich kunnen concentreren op de weinige plekken waar echt problemen kunnen bestaan en uiteindelijk bijdragen aan veiligere bruggen en torens met minder verstoring en lagere kosten.

Bronvermelding: 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

Trefwoorden: structurele gezondheidsbewaking, bruginspectie, computer vision, deep learning, boutdefecten