陽茜汕，卓德兵

（吉首大學(xué)土木工程與建筑學(xué)院，湖南 張家界 427000）

鋼桁架結(jié)構(gòu)因其受力體系簡單、結(jié)構(gòu)輕盈、跨越能力強、綜合用鋼量省、施工方便等優(yōu)點，近年來在工程建設(shè)領(lǐng)域中應(yīng)用日益普遍。在鋼桁架結(jié)構(gòu)桿件各類連接方式中，螺栓連接是最常見的方式之一。結(jié)構(gòu)在使用過程中，由于受到溫度、濕度、荷載等一系列外界因素的影響，桿件連接螺栓不可以避免會發(fā)生松動甚至脫落。關(guān)鍵節(jié)點部位上的螺栓發(fā)生了松脫且尚未及時發(fā)現(xiàn)，將極有可能造成很大程度的安全損失甚至帶來災(zāi)難性的后果。由此可見，對鋼桁架結(jié)構(gòu)的螺栓病害進行及時檢測，不僅有利于保證結(jié)構(gòu)的承載力，而且對結(jié)構(gòu)的安全具有重大影響。傳統(tǒng)人工檢測螺栓的方法主要是通過人工攀爬和肉眼直接觀察的常規(guī)檢查方式[1-2]。這種螺栓檢查試驗方法安全風險高、工作量比較大、效率比較低下，工人們常常會因螺栓數(shù)量龐大產(chǎn)生動作疲勞及視覺疲勞，導(dǎo)致少部分螺栓緊固件出現(xiàn)錯檢、漏檢?；诖?，開發(fā)一種新型高效的螺栓脫落連接損傷檢測技術(shù)迫在眉睫。

無人機系統(tǒng)通常定義的是一類具有可連續(xù)、重復(fù)使用功能的，機上裝備無人類飛行員、能夠完成自我控制驅(qū)動系統(tǒng)的小型航空器，其飛機可通過無人操作實施遙控自主飛行，或者本身具備有一定水平的高度自主巡航控制能力，以適應(yīng)執(zhí)行低空搜索、巡邏、交通安全監(jiān)視、航拍、速遞等重要軍事或民用任務(wù)。無人機設(shè)備的主要系統(tǒng)由無人機、數(shù)據(jù)傳輸系統(tǒng)、任務(wù)荷載系統(tǒng)、地面站系統(tǒng)等構(gòu)成。數(shù)據(jù)傳輸系統(tǒng)主要用于系統(tǒng)控制信號、檢查數(shù)據(jù)的傳輸。地面站系統(tǒng)則用于實時監(jiān)控無人機飛行、檢查拍攝情況，從而及時糾正飛行軌跡和發(fā)現(xiàn)設(shè)備明顯病害。利用無人機進行結(jié)構(gòu)健康檢測，突破傳統(tǒng)檢測方法自身的局限性，有效克服傳統(tǒng)方法效率低下、難度大、危險系數(shù)高等弊端，不僅節(jié)約人力物力，而且極大降低事故發(fā)生的概率，減少人員傷亡，使得基于無人機的結(jié)構(gòu)健康監(jiān)測方法擁有廣闊的應(yīng)用前景[3-5]。但是在實際應(yīng)用中，由于無人機在巡檢過程中所拍攝的圖像、視頻數(shù)量龐大，人工從這些海量數(shù)據(jù)中尋找有價值的信息并正確定位損傷仍然是一項艱巨的任務(wù)，近年來，隨著以深度學(xué)習為表征的人工智能目標檢測技術(shù)蓬勃發(fā)展，使得螺栓脫落智能檢測成為可能。目前使用比較普遍的深度學(xué)習目標檢測算法是以YOLO 為典型的基于回歸的一階段目標檢測算法。由于YOLO 只使用單個網(wǎng)絡(luò)，因此可以直接在檢測性能上進行端到端優(yōu)化，使得基礎(chǔ)YOLO 模型相較于Faster R-CNN 及其改進方法在實例分割、目標檢測、人體關(guān)鍵點檢測等任務(wù)中能夠以更快的速度進行處理圖像。目前，YOLO 目標檢測方法已經(jīng)廣泛應(yīng)用于行人檢測、車輛識別、安全帽佩戴、電力巡檢、航拍圖像定位等不同環(huán)境中[6-8]。

本文以鋼桁架結(jié)構(gòu)螺栓脫落目標檢測為背景，提出一種基于無人機與深度卷積神經(jīng)網(wǎng)絡(luò)YOLOv5 目標檢測算法，該方法充分發(fā)揮了無人機拍攝技術(shù)在結(jié)構(gòu)健康監(jiān)測方面的優(yōu)勢和YOLOv5 先進目標檢測算法優(yōu)異的性能，以達到對螺栓脫落的智能檢測。

1 方法介紹

基于無人機圖像與YOLOv5 的鋼桁架螺栓缺失目標檢測模型的結(jié)構(gòu)圖如圖1 所示。該方法可以分成模型訓(xùn)練和模型測試兩個階段，模型訓(xùn)練階段主要是通過使用無人機設(shè)備（或數(shù)碼相機）獲取足夠數(shù)量的螺栓連接完好及缺失工況圖像數(shù)據(jù)集，之后對圖像數(shù)據(jù)加以數(shù)據(jù)標注，進而通過設(shè)置模型參數(shù)，使用YOLOv5 完成訓(xùn)練得到螺栓缺失目標檢測模型。而模型測試階段則是通過已經(jīng)訓(xùn)練好的目標檢測模型，對無人機拍攝所獲取的圖像或視頻進行測試得到最終測試結(jié)果。

圖1 基于無人機圖像與YOLOv5 的鋼桁架螺栓缺失目標檢測模型結(jié)構(gòu)圖

2 數(shù)據(jù)集準備

借助深度學(xué)習目標檢測算法YOLO 檢測圖像需要準備一定數(shù)量的數(shù)據(jù)集。數(shù)據(jù)集的數(shù)量及質(zhì)量直接關(guān)系到最終識別結(jié)果的好壞。本文螺栓脫落識別圖像主要采集自一室外鋼桁架模型[9]，該六邊形鋼桁架實驗?zāi)Ｐ凸灿? 層，6 米高，一共24 個節(jié)點，每根桿一端通過兩個高強螺栓與節(jié)點板相連。

螺栓圖像數(shù)據(jù)通過大疆無人機Mini3pro 進行采集，該型號無人機的最大飛行高度為500m，可傾斜角度為25°—40°，精確懸停范圍為0.5—10m。無人機操作過程中，由于不同區(qū)域采光不同，需要隨時調(diào)整無人機傾斜角度、鏡頭焦距、快門速度等相關(guān)技術(shù)參數(shù)，防止采集的照片過曝。數(shù)據(jù)采集時首先采集各節(jié)點螺栓未脫落照片，然后利用人為松動取下不同部位、不同數(shù)量的螺栓，以構(gòu)造不同的螺栓脫落工況，為了使得后期訓(xùn)練總體保持樣本基本平衡，脫落工況應(yīng)當盡可能地多。最后將采集得到的圖像按照螺栓未脫落和脫落進行分類，最終得到156 張未脫落、144 張脫落共計300 張圖像用于訓(xùn)練。

采集得到螺栓圖像數(shù)據(jù)以后還需要對這些圖像加以標注，本文主要通過使用數(shù)據(jù)標注工具Labelimg 對被選定的數(shù)據(jù)集進行人工標注[10]，進而作為目標檢測模型訓(xùn)練和檢測的數(shù)據(jù)集。使用Labelimg 軟件進行圖像標注時，僅對圖片中所出現(xiàn)的脫落螺栓進行逐個圈框和貼標簽，標簽的名稱記為“damage”，未脫落螺栓不進行標注。標注完成后，自動生成的xml 文件里面已經(jīng)保存了每張圖片的所有數(shù)據(jù)，包括標注的螺栓的寬度、高度等。數(shù)據(jù)集標注完成后，便進行數(shù)據(jù)集的劃分，因此本文將數(shù)據(jù)集劃分為訓(xùn)練集和驗證集兩類，采取隨機劃分的方式，將訓(xùn)練集和驗證集劃分比例設(shè)置為8:2。

3 模型訓(xùn)練與測試

模型訓(xùn)練測試服務(wù)器采用Windows 10 64 位操作系統(tǒng)，處理器采用Intel(R) Core(TM)i9-10980XE CPU，顯卡為NVIDIA GeForce RTX 3090*2 48G GPU，編程環(huán)境為Python3.7。

在利用YOLOv5 目標檢測算法進行模型訓(xùn)練時，YOLOv5 模型深度控制參數(shù)depth_multiple 設(shè)置為0.33，模型寬度控制參數(shù)width_multiple 設(shè)置為0.6，最終得到的模型卷積神經(jīng)網(wǎng)絡(luò)深度共計270 層，模型寬度值為32，總參數(shù)量為7030417。另外在訓(xùn)練環(huán)境中，還可以對模型的其它參數(shù)進行初始化設(shè)計，選擇優(yōu)化函數(shù)為Adam 函數(shù)，初始學(xué)習率參數(shù)為0.001，動量參數(shù)為0.937，權(quán)值衰減系數(shù)為0.0005，1 個batch 包含的樣本數(shù)目為32，訓(xùn)練輪數(shù)為500。

模型評估結(jié)果中主要使用的有以下四個比較常見的模型評估參數(shù)：損失值（loss)、精度（Precision)、召回率（Recall）以及加權(quán)平均精度mAP(mean Average Precision）進行網(wǎng)絡(luò)模型評估統(tǒng)計。從圖2 模型訓(xùn)練結(jié)果評價指標圖中可以清楚看到：隨著訓(xùn)練的次數(shù)持續(xù)地在增加，訓(xùn)練集和驗證集的損失值均在不斷下降，而精度和平均精度在不斷上升，最后逐漸趨于穩(wěn)定并接近于一條水平線。當訓(xùn)練次數(shù)達到500次時，損失值接近0.01，精度指標maP@0.5 接近1.0，maP@0.5:0.95 接近0.6，由此可見模型整體性能表現(xiàn)優(yōu)異，泛化能力好。

圖2 模型訓(xùn)練結(jié)果各評價指標圖

模型測試階段主要是通過YOLOv5 已經(jīng)訓(xùn)練好的目標檢測模型對無人機所收集到的各種螺栓連接圖像進行檢測，以驗證其有效性和準確率。由圖3 檢測效果圖不難看出，圖像中所脫落的螺栓全部都可以被識別出來，而且通過比較每個框選區(qū)域的置信度，可以看到一共出現(xiàn)了三種置信度，大多數(shù)高達90%，最高有100%，即完全被識別出，最低的也達到了80%，其中，置信度低的區(qū)域主要是由于被檢測目標相對整張圖像較小或者目標位于圖像較暗位置處，導(dǎo)致識別準確率相對較低。但整體而言，該方法建立的檢測模型在目標完整、清晰的情況下準確率更好，診斷效果也更佳。

圖3 檢測效果圖

4 結(jié)論

本文提出了一種基于無人機與深度學(xué)習目標檢測算法YOLOv5 的鋼桁架結(jié)構(gòu)螺栓脫落智能檢測的技術(shù)，該方法能夠?qū)崿F(xiàn)對螺栓脫落進行精確識別，具有較高的工程應(yīng)用價值。主要得到以下結(jié)論：

（1）將無人機技術(shù)與深度學(xué)習目標檢測算法YOLOv5 模型進行結(jié)合，在速度和效率上有效地克服了傳統(tǒng)螺栓脫落檢測方法的不足。

（2）深度卷積神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練及檢測結(jié)果顯示，該算法能達到高效準確地識別鋼桁架結(jié)構(gòu)中的螺栓是否脫落的目的。

（3）本文對于未來實現(xiàn)螺栓的自動化缺陷測試有著很重要的學(xué)術(shù)意義與巨大的開發(fā)空間。