Bildbaserad detektion av bultar och bultbortfallsdefekter i scenario med flera vinklar och komplex bakgrund

Varför kontroll av små fästen spelar roll

Inuti broar, torn och andra stålkonstruktioner sitter hundratusentals bultar som tyst håller ihop allt. Om för många av dessa fästen lossnar eller saknas kan hela konstruktionens bärighet försämras, ibland med farliga följder. Att inspektera dem en och en för hand är långsamt, kostsamt och lätt att göra fel, särskilt när arbetare måste klättra högt eller krypa in i trånga utrymmen. Denna studie undersöker hur intelligenta kameror och artificiell intelligens automatiskt kan upptäcka saknade bultar i verkliga förhållanden, vilket gör säkerhetskontroller snabbare, säkrare och mer tillförlitliga.

Från verkliga broar till ett rikt fotobibliotek

För att lära en dator att känna igen saknade bultar behövde forskarna först en stor och varierad bildsamling. De samlade foton från tre huvudsakliga källor: en fullskalig hängbro i drift, ståltransmissionstorn ute i fält och en särskilt byggd stålplåt försedd med bultar i laboratoriet. Tillsammans gav dessa mer än 5 000 bilder som visar bultar från många vinklar, i solsken och skugga, med rost, fläckar och beläggningar i olika färger. För att ytterligare utvidga biblioteket använde teamet klassiska bildförändringar, såsom att lägga till oskärpa och brus eller ändra färger, och använde också en form av ”imaginärmotor” kallad generativt motståndarnätverk (GAN), som skapar realistiska nya scener där nyckelobjektet—bulten—förblir korrekt men bakgrund och omgivning varierar.

Att testa populära AI-modeller

Med detta rika bildbibliotek i handen jämförde teamet tre ledande datorseendesystem som används flitigt för objektidentifiering: tre versioner av YOLO (You Only Look Once)-familjen. Dessa system skannar en bild i ett enda svep och föreslår rutor där de tror att objekt finns. Forskarna mätte hur ofta varje version korrekt detekterade bultar och korrekt markerade tomma hål där en bult saknades. Alla tre modellerna presterade hyfsat, men en version—YOLOv8—stod ut genom att balansera noggrannhet och hastighet. Den identifierade bultar och saknade bultar på ett pålitligt sätt samtidigt som den behandlade bilder mycket snabbare än konkurrenterna, vilket gör den till en stark utgångspunkt för vidare förbättringar.

Att lära datorn att se genom röran

Verkligt stålverk fotograferas sällan i ett rent, rakt perspektiv. Bultar ses från konstiga vinklar, genom skuggor eller mot röriga bakgrunder av gräs, betong och målat stål. För att hantera detta uppgraderade forskarna YOLOv8-modellen med två viktiga tillägg. Först integrerade de ett modernt bildanalysblock kallat Swin-Transformer, som hjälper systemet att upptäcka samband över avlägsna delar av en bild istället för att bara fokusera på små fläckar. För det andra lade de till en mångskalig och detaljförstärkande modul som ägnar särskild uppmärksamhet åt fina kanter och små former i olika storlekar. Tillsammans gjorde dessa uppgraderingar modellen mycket bättre på att avgöra om en liten mörk cirkel verkligen är ett bulthuvud, ett tomt hål eller bara en vilseledande fläck i bakgrunden.

Att bevisa prestanda i tuffa förhållanden

Den förbättrade systemet utsattes sedan för en serie stresstester. Den analyserade bilder av bultar sedda från låga och branta vinklar, under svagt, normalt och bländande starkt ljus, och på stålplåtar målade röda, vita eller blå och fotograferade mot röriga gräsomgivningar. I de flesta av dessa situationer bedömde modellen bultstatus korrekt nästan varje gång; även vid de mest extrema kameravinklarna och starkaste ljusen höll sig noggrannheten över cirka 90 procent. Slutligen flög forskarna en drönare längs en 15 år gammal hängbro och fångade tusentals riktiga inspektionsbilder. Modellen granskade mer än 12 700 bultuppsättningar, lokaliserade nästan alla korrekt och flaggade en enda verkligt saknad bult bland tiotusentals—en stark indikation på att metoden kan fungera utanför laboratoriet.

Vad detta betyder för vardaglig säkerhet

För icke-specialister är huvudbudskapet att rutinmässiga säkerhetskontroller av stora stålkonstruktioner snart kan förlita sig mindre på människor som kravlar längs balkar med skrivblock och mer på drönare och smarta algoritmer. Genom att lära sig från en noggrant byggd och diversifierad bildsamling, och genom att använda avancerade bildbehandlingstekniker för att se genom röran, kan systemet i denna studie på ett tillförlitligt sätt avgöra när en bult är närvarande eller saknas, även när förhållandena är långt ifrån perfekta. Fastän det inte är felfritt presterar det redan tillräckligt bra för att fungera som ett kraftfullt stöd för mänskliga inspektörer, hjälpa dem fokusera på de få platser där verkliga problem kan finnas och i slutändan bidra till säkrare broar och torn med mindre störningar och lägre kostnader.

Citering: 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

Nyckelord: övervakning av strukturell hälsa, broinspektion, datorseende, djupinlärning, bultfel