在多角度和复杂的背景场景中基于图像检测螺栓和螺栓缺陷的缺陷
Ying Gu1, Dongmei Peng2, Jingyu Song3
1School of Civil Engineering and Architecture, Southwest University of Science and Technology, Mianyang, 621010, China. guying2015@swust.edu.cn.
Scientific reports
|March 2, 2026
概括
本研究引入了一种先进的深度学习模型,用于在结构健康监测中自动检测螺栓缺陷. 增强的YOLOv8模型在具有挑战性的条件下实现了高精度,提高了基础设施检查效率.
科学领域:
- 结构工程 结构工程
- 计算机视觉 计算机视觉
- 人工智能的人工智能
背景情况:
- 手动检查螺栓连接是低效和耗时的.
- 自动缺陷检测受到图像变化 (角度,照明,屏蔽,背景) 的阻碍.
- 深度学习提供了潜力,但需要针对不同条件的强大模型.
研究的目的:
- 开发和验证一个强大的深度学习模型,用于自动检测螺栓缺陷.
- 在结构健康监测中应对可变成像条件所带来的挑战.
- 提高检查关键基础设施连接点的准确性和效率.
主要方法:
- 从桥梁,塔楼和实验室模型构建了一个多样化的螺栓图像数据集.
- 应用图像增强和生成对抗网络 (GANs) 用于数据增强.
- 与YOLOv5,YOLOv8和YOLOv10进行了比较,然后用Swin-Transformer骨干和一个新的多尺度和细节增强模块 (MEDM) 增强了YOLOv8.
主要成果:
- 增强的YOLOv8模型实现了卓越的性能 (mAP=0.91,回忆=0.85,精度=0.9).
- 在各种视角 (>100%),照明水平 (>94%) 和复杂的背景 (>97.2%) 中表现出一致的高精度.
- 在实际部署中实现了98.94%的检测率,有效地识别了缺失的螺栓.
结论:
- 提议的增强深度学习模型显著改善了自动螺栓缺陷检测.
- 这种方法对现实世界结构性健康监测在多样化和具有挑战性的环境中是有效的.
- 这项技术提高了基础设施检查的效率和可靠性.
