基于图像的螺栓及螺栓缺失缺陷检测：多角度与复杂背景场景研究

为什么检查微小紧固件很重要

桥梁、塔架和其他钢结构内部隐藏着成千上万的螺栓，它们静静地将整体连接在一起。如果大量紧固件松动或丢失，整个结构的承载能力可能会下降，有时会引发危险后果。人工逐个检查既慢又昂贵，而且极易出错，尤其是在工人需要攀爬高处或进入狭窄空间时。本研究探讨如何利用智能相机和人工智能在真实环境中自动识别缺失螺栓，使安全检查更快、更安全且更可靠。

从真实桥梁到丰富的照片库

要教计算机识别缺失螺栓，研究人员首先需要大规模且多样化的图像集合。他们从三个主要来源收集照片：一座在用的大型悬索桥、现场的钢制输电塔，以及实验室中专门制作的带螺栓的钢板。这些图像共超过5000张，展示了在多角度、光照变化（明暗）、锈蚀、污渍和不同涂层颜色条件下的螺栓。为了进一步扩充库，团队采用了常规图像增强方法，如加入模糊与噪声、改变色彩，还使用了一类“想象引擎”——生成对抗网络（GAN），生成逼真的新场景，使关键对象（螺栓）保持准确同时改变背景与周围环境。

检验流行的人工智能模型

拥有这份丰富的图像库后，团队比较了三种广泛用于图像目标检测的主流计算机视觉系统：YOLO（You Only Look Once）家族的三个版本。这些系统通过单次扫描图像并提出可能包含目标的边界框。研究人员评估了每个版本正确检测螺栓以及正确标注螺栓缺失孔洞的频率。三款模型表现都相当不错，但其中一版——YOLOv8 在准确性与速度之间实现了最佳平衡。它在保持高可靠性的同时处理图像速度远超其他竞品，因此成为进一步改进的良好起点。

教计算机穿透杂乱背景看清目标

实际钢结构很少以干净、正对的视角拍摄。螺栓常常以奇异角度、在阴影中或置于草地、混凝土和涂漆钢材等复杂背景之上。为应对这些挑战，研究者对 YOLOv8 进行了两项关键升级。首先，嵌入了名为 Swin-Transformer 的现代图像分析模块，使系统能注意图像中远处区域之间的关系，而不仅仅关注小块局部信息。其次，加入了一个多尺度细节增强模块，特别关注不同尺寸下的细边缘与小形状。这两者配合使模型更擅长判断某个小黑圆是螺栓头、空孔还是背景中的污迹。

在严苛条件下验证性能

改进后的系统随后接受了一系列压力测试。它分析了浅角与陡角拍摄的螺栓、昏暗、正常与强烈眩光条件下的图像，以及在红、白、蓝等不同涂漆钢板上、并置于杂乱草地背景中的照片。在大多数情形下，模型几乎始终正确判断螺栓状态；即使在最极端的拍摄角度和最强光照下，准确率仍保持在约90％以上。最后，研究团队驾驶无人机沿一座有15年历史的悬索桥飞行，捕获了数千张真实检测图像。模型检测了超过12,700组螺栓，几乎全部被准确定位，并在数万处中成功标记出一处真正缺失的螺栓——这是该方法在实验室外可行性的有力证明。

这对日常安全意味着什么

对非专业读者来说，核心信息是：大型钢结构的例行安全检查可能会逐步从工人拿着记录板沿梁逐步巡查，转向无人机与智能算法的组合。通过从精心构建且多样化的照片集合中学习，并利用先进的图像处理手段穿透杂乱背景，本研究中的系统能够在条件远非理想时仍可靠地判断螺栓是否存在或缺失。尽管并非完美，但其表现已足以作为对人工检査的强有力辅助，帮助检查人员将注意力集中在少数真正可能存在问题的位置，最终在降低干扰与成本的同时提高桥梁与塔架的安全性。

引用: 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

关键词: 结构健康监测, 桥梁检测, 计算机视觉, 深度学习, 螺栓缺陷