Обнаружение болтов и отсутствующих болтов по изображениям в многоугловых условиях и на сложном фоне

Почему важно проверять мелкие крепежи

Внутри мостов, опор и других стальных конструкций находятся сотни тысяч болтов, которые молча держат всё вместе. Если слишком много таких креплений ослабнет или пропадёт, прочность всей конструкции может снизиться — иногда с опасными последствиями. Осматривать их вручную по одному медленно, дорого и легко ошибиться, особенно когда работникам приходится взбираться высоко или пробираться в неудобные места. В этом исследовании изучают, как умные камеры и искусственный интеллект могут автоматически обнаруживать отсутствующие болты в реальных условиях, делая проверки быстрее, безопаснее и надёжнее.

От реальных мостов к богатой фототеке

Чтобы научить компьютер распознавать отсутствующие болты, исследователям сначала потребовалась большая и разнообразная коллекция изображений. Они собрали фотографии из трёх основных источников: с действующего полномасштабного подвесного моста, со стальных линий опор электропередачи в полевых условиях и с экспериментальной стальной пластины, утыканной болтами, в лаборатории. В сумме это дало более 5000 изображений болтов под разными углами, на солнце и в тени, с ржавчиной, пятнами и покрытиями разных цветов. Чтобы ещё больше расширить библиотеку, команда использовала классические приёмы обработки изображений — добавление размытия и шума, изменение цветов — а также прибегла к своего рода «двигателю воображения», генеративной состязательной сети, которая создаёт реалистичные новые сцены, где ключевой объект — болт — остаётся достоверным, в то время как фон и окружение варьируются.

Сравнение популярных моделей ИИ

Имея богатую коллекцию изображений, команда протестировала три ведущие системы компьютерного зрения, широко используемые для обнаружения объектов на снимках: три версии семейства YOLO (You Only Look Once). Эти системы сканируют изображение за один проход и предлагают рамки, где, по их мнению, находятся объекты. Исследователи измеряли, как часто каждая версия правильно обнаруживает болты и корректно отмечает пустые отверстия, где болт отсутствует. Все три модели показали хорошие результаты, но одна версия — YOLOv8 — выделялась балансом между точностью и скоростью. Она надёжно определяла болты и отсутствующие болты, обрабатывая изображения значительно быстрее конкурентов, что делает её хорошей отправной точкой для дальнейшего улучшения.

Обучение компьютера видеть сквозь помехи

Реальные стальные конструкции редко фотографируют чисто с прямого ракурса. Болты видны под странными углами, в тени или на фоне пёстрой среды из травы, бетона и окрашенной стали. Чтобы справиться с этим, исследователи модернизировали модель YOLOv8 двумя ключевыми дополнениями. Во-первых, они встроили современный блок анализа изображений под названием Swin-Transformer, который помогает системе замечать взаимосвязи между удалёнными частями изображения, а не фокусироваться только на мелких фрагментах. Во-вторых, добавили модуль мультимасштабного и детализирующего анализа, который уделяет особое внимание тонким краям и мелким формам на разных масштабах. Вместе эти улучшения помогли модели лучше определять, является ли тёмный малый круг настоящей головкой болта, пустым отверстием или просто запутанным пятном на фоне.

Доказательство эффективности в жёстких условиях

Улучшенную систему затем подвергли серии стресс-тестов. Она анализировала изображения болтов, снятых под пологими и крутыми углами, при тусклом, нормальном и слепяще ярком освещении, а также на стальных пластинах, окрашенных в красный, белый или синий цвета и снятых на фоне зарослей травы. В большинстве этих ситуаций модель правильно определяла состояние болта почти всегда; даже при самых экстремальных углах съёмки и ярком свете точность оставалась выше примерно 90 процентов. Наконец, исследователи запустили дрон вдоль 15-летнего подвесного моста и сняли тысячи реальных инспекционных изображений. Модель проанализировала более 12 700 комплектов болтов, точно локализовав почти все из них и отметив единственный действительно отсутствующий болт среди десятков тысяч — сильный аргумент в пользу работоспособности метода вне лаборатории.

Что это значит для повседневной безопасности

Для неспециалистов главный вывод таков: рутинные проверки безопасности крупных стальных сооружений вскоре могут меньше зависеть от людей, ползущих по балкам с планшетами, и больше опираться на дроны и умные алгоритмы. Обучившись на тщательно собранной и диверсифицированной фотоколлекции и применив продвинутые приёмы обработки изображений для «видения» сквозь помехи, система, описанная в этом исследовании, способна надёжно определять наличие или отсутствие болта даже в далёком от идеала окружении. Хоть она и не безупречна, её уже можно использовать как мощную помощь человеческим инспекторам, помогая им сосредоточиться на немногих местах с реальными проблемами и в конечном счёте способствуя более безопасным мостам и опорам при меньших перебоях и затратах.

Цитирование: 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

Ключевые слова: мониторинг состояния конструкций, инспекция мостов, компьютерное зрение, глубокое обучение, дефекты болтов