螺栓连接一直是桥梁上许多构件的主要连接方式之一,连接螺栓受到冲击荷载和反复荷载后容易产生松动,目前通常安排检修人员进行检测和维护。为解决传统检测方法中的检测不及时、检测精度差、检测成本高等问题,本文提出一种基于深度学习和计算机图像处理的自动化螺栓松动检测方法,具体研究内容如下:1.搜集桥梁场景中的螺栓图片,制作螺栓目标检测网络训练数据集,依据样本图片质量和螺栓相对尺寸大小将数据集划分为五份,分别训练基于深度学习库Py Torch搭建的SSD、YOLO V5m和YOLO V5s螺栓目标检测神经网络,对比分析训练后的网络在测试数据集上的性能表现。当训练小尺寸螺栓目标占比最多,图像质量最差的dataset5时,在第50个周期YOLO V5m和YOLO V5s网络的m AP＿0.5指标在0.75左右,召回率在0.7附近,而SSD网络的m AP＿0.5仅为0.3,召回率在0.1左右。结果表明YOLO V5网络识别精度高,检测速度快,适合进行螺栓这样的小目标实时检测,其中YOLO V5s体量更小,综合性能最优。2.提出一种基于图像处理的螺栓转角识别方法,首先将拍摄的螺栓图片进行预处理后输入YOLO V5s网络进行螺栓目标检测,基于输出的目标检测框信息自动化裁切ROI区域。二值化分割图片,得到螺栓主体的轮廓信息和位置信息,与模板匹配进行透视矫正,去除拍摄角度不同造成的误差。然后提取螺栓轮廓角点,进行轮廓边线分段,使用误差椭圆原理提取轮廓线方向向量,计算螺栓转角。最后通过对比检测过程中螺栓转角的变化识别出发生松动的螺栓。3.拍摄螺栓节点板试件图片对算法的可行性、准确性和稳定性进行测试。在算法可行性测试中,经过四个工况共64个螺栓的实验验证,该方法角度识别精度高,若不考虑拍摄时存在的照片缺陷,最大转角识别误差可以控制在±3°以内,平均误差为-0.12°,实验中各个螺栓角度的实测值和算法识别值之间相关度系数高达0.997,运行该算法检测单张图片的速度不足两秒,这初步证明了算法设计的可行性。在算法准确性测试中控制拍摄水平角度、拍摄距离、环境光线和螺栓背景锈蚀这几个变量,分别评估该算法在提取栓头侧螺栓和栓杆+螺母侧螺栓转角时的表现。结果表明算法在识别栓头侧转角时拍摄距离控制在1.5m内,拍摄水平角控制在20°内时结果准确性高,识别误差基本可以控制在±2°以内,而算法在识别栓杆+螺母侧转角时拍摄距离应大于1m,拍摄水平角小于10°。环境光线对算法识别效果的影响较小,在阴暗和高亮的环境中均能取得理想的结果,但是该算法的识别精度容易受到螺栓背景中的锈蚀痕迹影响。算法稳定性测试的结果表明该算法识别栓头侧时如果拍摄距离小于1m,拍摄水平角小于20°时则结果稳定性良好,识别值波动标准差最大为1.67,而算法拍摄栓杆+螺母侧得到的结果稳定性较差,识别值波动标准差最大可达12.28。4.对YOLO V5s螺栓目标检测模型使用权重量化和模型剪枝的模型压缩方法在检测精度基本没有损失的前提下将模型容量压缩到原来的一半。然后将该模型移植到专用于低算力小型设备的神经网络前向计算框架NCNN,最后基于Android Studio的Gradle工具进行代码封装,编译出可以运行在Android智能手机上的移动端螺栓目标检测程序。